AI தமிழ் ஆய்வு – தமிழின் கலாச்சார ஆழத்தை புரிந்துகொள்ள AI தவறுகிறது: IIIT-பெங்களூரு ஆய்வு எச்சரிக்கை
சென்னை: இந்தியாவின் டிஜிட்டல் மாற்றத்தை முன்னெடுத்துச் செல்லும் செயற்கை நுண்ணறிவு (AI) அமைப்புகள், தமிழின் மொழியியல் ஆழத்தையும் கலாச்சார அடையாளத்தையும் போதுமான அளவில் புரிந்துகொள்ளத் தவறுகின்றன. இதனால் உலகின் மிகப் பழமையான வாழும் மொழிகளில் ஒன்றான தமிழின் நூற்றாண்டுகள் பழமையான அறிவு மரபுகள், இயந்திரங்களுக்கு ஏற்ற ஒரே மாதிரியான வடிவமாக சுருக்கப்பட்டு அதன் தனித்துவம் மங்கிவிடும் அபாயம் இருப்பதாக IIIT-பெங்களூரு ஆய்வாளர்கள் எச்சரிக்கின்றனர்.
“Rethinking Indic AI from a Lens of Cultural Heritage Preservation” என்ற தலைப்பில் வெளியிடப்பட்ட இந்த ஆய்வை அபர்ணா மாதவ், ஷரத் ஸ்ரீவத்ஸா, ஸ்ரீநாத் ஸ்ரீனிவாசா மற்றும் துலிகா சாஹா ஆகியோர் எழுதியுள்ளனர்.
ஆய்வின் படி, AI தகவல்களை அனைவருக்கும் எளிதாகக் கொண்டு செல்லும் திறன் கொண்டிருந்தாலும், இந்தியாவின் மொழி மற்றும் கலாச்சார பன்முகத்தன்மையை பாதிக்கும் அபாயமும் உள்ளது. குறிப்பாக, சில மொழிகளும் ஆதிக்கமான கலாச்சாரங்களும் மட்டுமே பிரதிபலிக்கப்படுவதால், பிராந்திய மொழிகளும் அவற்றின் உலகப் பார்வைகளும் புறக்கணிக்கப்படுகின்றன.
தமிழ் மொழி வெறும் இலக்கணம் அல்லது சொற்களின் தொகுப்பல்ல. அது ஆயிரக்கணக்கான ஆண்டுகளாக வளர்ந்த இலக்கிய மரபு, தத்துவ சிந்தனை, சமூக நடைமுறைகள் மற்றும் கலாச்சார விளக்கங்களை உள்ளடக்கிய ஒரு அறிவு அமைப்பாகும். மொழிபெயர்ப்பை மட்டுமே அடிப்படையாகக் கொண்ட தற்போதைய AI அமைப்புகள் இந்த ஆழமான அர்த்தங்களை முழுமையாகப் புரிந்துகொள்ளவோ அல்லது துல்லியமாக வெளிப்படுத்தவோ முடியாது என ஆய்வு கூறுகிறது.
ஏன் இந்த பிரச்சினை?
தற்போதுள்ள பெரும்பாலான பெரிய மொழி மாதிரிகள் (Large Language Models – LLMs) ஆங்கிலத் தரவுகளையும், மொழிபெயர்க்கப்பட்ட தகவல்களையும் அடிப்படையாகக் கொண்டு பயிற்சியளிக்கப்பட்டுள்ளன. இதனால் நகர்ப்புற மொழி வழக்குகள் அதிகமாக பிரதிபலிக்கப்படுகின்றன. கிராமப்புற வழக்குகள், வட்டாரச் சொற்கள், வாய்மொழி மரபுகள், நாட்டுப்புற அறிவு போன்றவை போதுமான அளவில் பயிற்சி தரவுகளில் இடம்பெறவில்லை.
இதன் விளைவாக, தமிழில் AI உருவாக்கும் பதில்கள் இலக்கண ரீதியாக சரியாக இருந்தாலும், கலாச்சார ரீதியாக முழுமையற்றதாகவோ அல்லது தவறாகவோ இருக்கக்கூடும்.
தமிழின் தனிச்சிறப்புகள்
ஆய்வாளர்கள், தமிழின் பின்வரும் அம்சங்கள் தற்போதைய AI அமைப்புகளுக்கு சவாலாக இருப்பதாகக் கூறுகின்றனர்:
- செழுமையான சொற்கள் உருவாக்கும் திறன்
- இணைப்புச் சொல் (Agglutinative) அமைப்பு
- தனித்துவமான ஒலியியல் எழுத்துமுறை
- நெகிழ்வான வாக்கிய அமைப்பு
- இலக்கிய மற்றும் பேச்சுத் தமிழின் இணை வாழ்வு
இந்த அம்சங்களைப் புரிந்துகொள்ளும் வகையில் புதிய AI மாதிரிகள் உருவாக்கப்பட வேண்டும் என அவர்கள் வலியுறுத்துகின்றனர்.
தற்போதைய முன்னேற்றங்கள் போதுமா?
IndicBERT, MuRIL, IndicTrans2 போன்ற இந்திய மொழி AI மாதிரிகள் உருவாக்கப்பட்டிருந்தாலும், அவை இந்தியாவின் கலாச்சார பன்முகத்தன்மையை முழுமையாக பிரதிபலிப்பதில் இன்னும் குறைபாடுகள் உள்ளன என்று ஆய்வு தெரிவிக்கிறது.
தீர்வாக என்ன பரிந்துரைக்கப்படுகிறது?
ஆய்வாளர்கள் “Culture Sensing” (கலாச்சார உணர்திறன்) என்ற புதிய அணுகுமுறையை முன்வைக்கின்றனர்.
இதன் மூலம்:
- பாரம்பரிய அறிவு அமைப்புகள்
- பிராந்திய மொழி வழக்குகள்
- உள்ளூர் கலாச்சார பின்னணிகள்
- சமூக அறிவு மற்றும் வாழ்வியல்
தமிழ் மற்றும் பிற இந்திய மொழிகளை வெறும் மொழிபெயர்ப்பு தரவுகளாகப் பயன்படுத்தாமல், அவை உருவான சமூக மற்றும் கலாச்சார சூழலுடன் சேர்த்து AI கற்றுக்கொள்ள வேண்டும் என்பதே இந்த அணுகுமுறையின் நோக்கம்.
