Irány a ChatGPT: elkészült a magyar nyelvi modell, a PULI

Múlt novemberben felrobbant az internet, miután elérhetővé vált a legújabb nyelvi modell, a ChatGPT. Házi feladatok, vizsgadolgozatok készültek vele, ám hamar kiderültek a hibái is. A Magyar Kutatási Hálózat Nyelvtudományi Kutatóközpont magyar nyelvű nyelvi modellen dolgozik, a PULI demóverziója már elérhető. A háromnyelvű PULI GPTrio pedig a fejlesztés következő lépése.

BEIJING, CHINA - AUGUST 18: A boy points to the AI robot Poster during the 2022 World Robot Conference at Beijing Etrong International Exhibition on August 18, 2022 in Beijing, China. The 2022 World Robot Conference kicked off on Thursday in Beijing. (Photo by Lintao Zhang/Getty Images) Fotó: Lintao Zhang

Sokakban felmerül a kérdés, hogy az eredetileg angol nyelvű, de magyarul is használható ChatGPT mellett miért szükséges a hazai fejlesztés. Ez részben szuverenitási kérdés. A saját fejlesztés jobban képes a hazai üzleti és társadalmi igényeket szolgálni. Másrészt a válasz részben a számokban rejlik. A nyelvi modellek annál jobb szövegeket tudnak előállítani, minél nagyobb adatbázisból, előre betáplált szövegekből merítenek.

Az a 128 milliónyi magyar nyelvű tanítóanyag, amivel a ChatGPT-t tanították, elenyésző a 183 milliárd angol szövegrészlet mellett. A PULI GPT–3SX nevű modell tanítását ezzel szemben 32 milliárd magyar szövegrésszel végeztük. A szövegekből nemcsak a nyelvtan és a szókészlet tanulható meg. A mindennapi nyelvhasználatot átszövi a kulturális, történelmi tudás és az adott nyelvterület mindennapjaira jellemző szóhasználat. Ezért érthető, hogy bár a ChatGPT egész jól bánik a magyar nyelvvel, a magyar emberek számára releváns kulturális tudást csak egy jóval nagyobb magyar adatbázison betanított helyi fejlesztéssel kaphatjuk meg

 – magyarázza Váradi Tamás.

A nyelvi modell továbbfejlesztett verziója a háromnyelvű PULI GPTrió, amely 41 milliárd magyar, 61 milliárd angol és 98 milliárd kínai szövegrészt tartalmaz. A különböző nyelvű adatok erősítik egymást, így egyik nyelvű rendszer tanul a másiktól. A nyár folyamán megszületett anyag feszegeti a kutatók rendelkezésére álló szerverek kapacitásait, így a következő lépés, hogy a PULI és a Komondor szuperszámítógép egymásra találjon. Utóbbi a Debreceni Egyetem eszköze, amely átadásakor a világ 199. legnagyobb teljesítményű komputere volt.

A mesterséges intelligencia segítségünkre lehet, de a végeredményt mindig az embernek kell elbírálnia (Fotó: Xinhua/AFP)

 

Az emberi kontroll kiemelt szerepe a nyelvi modelleknél

A nagyobb szókincs változatosabb fogalmazásra ad lehetőséget. A ChatGPT egyik legnagyobb hibája ugyanis a szóhasználat viszonylagos kiszámíthatósága, a mondatok szerkezeti sorrendjének nem mindig tudatos alakítása, a mondatszerkezetek viszonylagos egysíkúsága és a stílusváltozatok egyhangúsága. A PULI viszont virtuóz módon használja a magyar nyelvet, ugyanakkor szükséges emberi kontroll alatt tartani, mivel a tényekkel szabadon bánhat, ami különösen vállalati környezetben veszélyes. Fontos, hogy a cég milyen képet sugároz mind megszólításban és ügyfélkezelésben, mind tényszerűségben.

– A ChatGPT-t nem kifejezetten a magyar nyelvre tervezték. Az internetről veszi a szövegeket, amelyek minősége nem mindig tökéletes. A generatív mesterséges intelligencia kizárólag olyan minőségű válaszokat tud alkotni, amilyen színvonalú szövegek az adatbázisában vannak – teszi hozzá Bódi Zoltán Gábor, Magyarságkutató Intézet Nyelvtervezési Kutatóközpontjának tudományos főmunkatársa. – Valószínű, hogy nyelvi modellek átvesznek szövegelemzési, összefoglaló, szövegalkotási munkaelemeket, azonban kulcsfontosságú, hogy minden esetben az ember hozza meg a végső döntést. Ezek a rendszerek akkor lehetnek a barátaink, ha nem az emberi munkát akarjuk velük helyettesíteni. Az alkotó folyamatban a végeredményt mindig az embernek kell elbírálnia.

Borítókép: Világszerte egyre nagyobb teret hódít a mesterséges intelligencia (Fotó: Getty Images/Lintao Zhang)