Tko će govoriti naše jezike kada umjetna inteligencija preuzme svijet?

Danas se mali jezici bore za opstanak, što nije dramatično, ali svakako može biti povijesno. To je algoritamska bitka koja je suptilna i nevidljiva, jer se vodi daleko od očiju javnosti – u korporacijama i njihovim računalnim sustavima. Svijet brzo razvija velike jezične modele, a tom brzinom jezici poput hrvatskog ili slovenskog lako mogu ostati na marginama digitalne budućnosti: nedovoljno zastupljeni u podacima, nevidljivi u tehnologiji i stoga manje prisutni u svakodnevnom digitalnom životu.

Zašto je ovo važno u svijetu u kojem svi govorimo engleski? Jezik nije samo alat za komunikaciju. Humor, mentalitet, lokalne fraze, način na koji volimo, psujemo, tugujemo i pišemo priče utkani su i sačuvani u njemu. Ako veliki LLM modeli razumiju samo dominantne jezike, pitanje opstanka malih nije samo tehnološko već i kulturno i ekonomsko. Tko će sutra razvijati AI proizvode za male zajednice? Tko će profitirati od digitalnih usluga, medija i znanja? Hoće li poslovi budućnosti ostati rezervirani samo za nekoliko velikih globalnih tvrtki koje kontroliraju modele, infrastrukturu i podatke?

Ne smijemo ostati samo korisnici tuđe tehnologije, moramo biti kreatori

Zato nije slučajno da Srbija pokušava zauzeti svoje mjesto na globalnoj karti umjetne inteligencije. Mihailo Jovanović, direktor Ureda za IT i eUpravu, najavio je suradnju s francuskom tvrtkom Mistral AI u razvoju velikog jezičnog modela prilagođenog srpskom jeziku.

"Srpski govori relativno mali broj ljudi. Veliki alati poput OpenAI-eva ChatGPT-ja i drugih mogu komunicirati na srpskom, ali čim počnete koristiti ćirilicu, ekavicu ili različite dijalekte, možete vidjeti da ne funkcioniraju dovoljno dobro. Ti modeli koriste podatke dostupne na internetu, ali nisu dovoljno obučeni za sadržaj na srpskom. Ako ih mi ne prilagodimo, vjerojatno nitko neće."

Njegova posljednja rečenica možda najbolje opisuje bit cijele AI trke malih jezika, pa nije dovoljno da AI razumije malo srpski, jer u AI ekonomiji budućnosti jezik više nije samo pitanje identiteta već i pitanje tržišta. Ali zašto onda francuska tvrtka Mistral ulazi u igru?

"Odabrali smo Mistral AI, francuski model, jer Srbija ima važnu suradnju s francuskom vladom. Treće superračunalo, koje bi trebalo stići početkom sljedeće godine, razvija se upravo u toj suradnji i temelji se na Nvidia čipovima. Formirali smo tim koji će prilagoditi Mistral model srpskom jeziku", ističe Jovanović i dodaje da današnji ChatGPT ima široko, ali ne i duboko znanje srpskog jezika. "Zato naš model mora biti posebno prilagođen područjima poput prava, zdravstva i obrazovanja. Odvjetnici bi ga mogli koristiti za pravnu analizu, liječnici za medicinsku terminologiju, a škole i fakulteti za obrazovni sadržaj." I sve bi to, kaže, pridonijelo gospodarskom rastu, jer bi tvrtke ubrzale postupke, smanjile troškove i poboljšale poslovanje.

Je li uopće moguće naučiti velike modele malim jezicima bez gubitaka i kompromisa?

Istraživač Ilija Bogunović, docent umjetne inteligencije i strojnog učenja na University Collegeu u Londonu, objašnjava da se danas problem najčešće rješava tzv. finim podešavanjem postojećih LLM modela, ali i upozorava da nema besplatnog ručka u razvoju umjetne inteligencije: "Model ima konačan broj parametara, pa kada ga naučite novi jezik, on donekle zaboravi engleski. To je bitan kompromis i pitanje je što zapravo želimo postići. Smjer koji vidim kao najperspektivniji su tzv. meta-LLM-ovi, modeli dizajnirani tako da se mogu prilagoditi novom jeziku s relativno brzim naknadnim učenjem. Recept bi bio: (1) dobar meta-LLM kao osnova, plus (2) kvalitetni podaci jezika s niskim resursima za nadzirano fino podešavanje. Ključ je u kvaliteti podataka. Za regionalne jezike to je realno izvedivo", kaže Bogunović.

Međutim, problem malih jezika nije samo tehnički već duboko kulturni, jer veliki modeli danas uglavnom optimiziraju odgovore prema prosječnom korisniku, dok se jezične i kulturne specifičnosti često gube u tom procesu. Smatra da se upravo tu javlja granica današnje lokalizacije umjetne inteligencije. Da bi modeli zaista razumjeli lokalni kontekst, nije dovoljno poznavati gramatiku i vokabular, već bi trebali razumjeti heterogenost društva, različite kulturne obrasce, humor, povijesni kontekst i način komunikacije. No postavlja se pitanje postoji li način da se pluralizam ljudskih vrijednosti izravno ugradi u strukturu modela? "Jedan smjer su arhitekture miješanja stručnjaka (MoE), gdje različiti 'stručnjaci' unutar istog modela mogu učiti različite vrijednosti ili stilove. Ali kako točno upravljati takvim modelom, kada pozvati kojeg stručnjaka i kako kombinirati izlaze u slučaju pluralizma, još uvijek je otvoreno algoritamsko pitanje. Iskreno, nema jasnog recepta; ovo je jedno od aktivnih područja istraživanja", smatra Bogunović i ističe da je teško stvoriti univerzalni model koji bi podjednako razumio sve jezike, kulture i sustave vrijednosti.

Ilija Bogunović | Bloomberg Adria

"Ne može se istovremeno biti najbolji kirurg, matematičar i pjesnik, a isto je i s modelima. Uvijek radimo s konačnim brojem parametara, što znači da je svaki 'univerzalni' model nužno kompromis. Vidim dva pristupa. Prvi je uključivanje pluralizma u jedan model, što neminovno znači kompromise u svim dimenzijama. Drugi, koji mi se čini obećavajućim, jest pluralizam kroz ekosustav specijaliziranih modela, različitih modela za različite kontekste, jezike, domene. Bit pluralizma možda ne leži u jednom modelu koji 'sve dobiva', već u zdravom ekosustavu različitih modela", naglašava Bogunović.

U toj utrci, otvoreni modeli i pristupačni skupovi podataka mogli bi igrati ključnu ulogu za male jezike. Bez otvorenih alata, samo će nekoliko najvećih tehnoloških tvrtki imati resurse za razvoj ozbiljnih AI sustava, dok će male zajednice ostati tehnološki ovisne, upozorava Ilija Bogunović, dodajući da je skeptičan i prema ideji državne regulacije.

"Trenutačna globalna podjela je takva da SAD i Kina inoviraju, a EU donosi zakone, tako se danas osjeća. Sam Zakon o umjetnoj inteligenciji (AI Act), takav kakav jest, ne sadrži posebne odredbe o zaštiti jezičnih i kulturnih manjina. Fokus pažnje je na klasifikaciji rizika i transparentnosti modela opće namjene. Za stvarnu zaštitu malih jezika važnije su druge stvari, programi financiranja, otvoreni podaci, akademska infrastruktura, izgradnja institucija, od samog Zakona o umjetnoj inteligenciji."

Drugim riječima, zakon možda postavlja okvir, ali pravi posao odvija se u laboratorijima i institutima. Upravo iz tog razloga vjeruje da budućnost malih jezika neće ovisiti o velikim državnim strategijama, već o specijaliziranim timovima, istraživačkim centrima i startupima koji će razvijati modele za specifične zajednice i jezike.

Zašto su knjižnice danas važnije nego ikad?

Problem malih jezika u velikim LLM-ovima nije samo u arhitekturi modela već i u onome na čemu ih učimo, ističe dr. Vasilije Milnović, voditelj Centra za znanost Sveučilišne knjižnice "Svetozar Marković" u Beogradu. Model umjetne inteligencije ne usvaja jezik kao čovjek, kroz pravila, školu i kulturu, već kroz ogromne količine podataka iz kojih prepoznaje obrasce, stilove, značenja, i upravo tu mali jezici dolaze u neravnopravan položaj.

"Razvoj domaćeg LLM modela za srpski jezik nije pitanje tehnološkog prestiža, već digitalnog suvereniteta", naglašava Milnović i dodaje da se pojam "digitalni suverenitet" danas često koristi u tehnološkom i političkom kontekstu, ali kada govorimo o jeziku i kulturi, on zapravo znači sposobnost društva da ostane vidljivo i autonomno u digitalnom svijetu.

"U prošlosti su države gradile kulturni suverenitet na obrazovanju, kulturnim institucijama te kulturnim politikama i utjecajima. Danas se velik dio informacija, komunikacije, pa čak i kulturnog materijala nalazi na digitalnim platformama i AI sustavima. To znači da ako jezik određene kulture nije dovoljno prisutan u tim sustavima, tada ta kultura postaje ovisna o tuđim modelima i tuđim kulturnim prioritetima. AI modeli postaju novi posrednici u obrazovanju, informacijama i svakodnevnoj komunikaciji. Ako nemate mogućnost utjecati na te sustave na svom jeziku, onda dugoročno gubite kontrolu nad vlastitom kulturnom baštinom. Naravno, digitalni suverenitet ne znači izolaciju. Ali bit je poštovati domaće znanje, raditi u skladu s nacionalnom strategijom. Zato bi ministarstva kulture, znanosti i obrazovanja trebala puno više surađivati s knjižnicama, sveučilištima i institutima, a to vrijedi čak i za AI tvrtke. Jer pitanje očuvanja jezika više nije samo stvar knjiga i kurikuluma već kako će nas razumjeti strojevi koji će oblikovati digitalni svijet u vremenu koje dolazi."

Srpski jezik, kao jezik s relativno malim brojem govornika i ograničenim digitalnim korpusom, gotovo uvijek ostaje periferno zastupljen u velikim sustavima, prema Milnoviću. To ima nekoliko posljedica. Prva je kvaliteta: modeli često slabo razumiju nijanse srpskog jezika, padeža, dijalekata, administrativnog i pravnog jezika, a posebno književnog i kulturnog konteksta. Druga je, kako ističe, ako se oslanjamo isključivo na globalne platforme, tada ključna digitalna infrastruktura društva ostaje izvan njegove kontrole – od jezika i obrazovanja, do medija i javne uprave.

"Suradnja Srbije s Mistral AI-em je važna, ali ne znači ništa ako se ne uzme u obzir sam jezik. Europski pristup razvoju AI-a općenito inzistira na otvorenijim modelima, transparentnosti i većoj jezičnoj raznolikosti, što je od ogromne važnosti za male jezike. Međutim, ako se ta AI ne obuči na iznimno dobrim digitalnim zbirkama – onda postoji opasnost (a već imamo takve primjere) da se sve pretvori u "regionalni kaos", bez jasne diversifikacije u jezike i uvijek s političkim "repovima"."

Bloomberg Mercury

Dugoročno gledano, jezici koji nisu dovoljno prisutni u budućim AI sustavima riskiraju da postanu digitalno nevidljivi, što znači da će njihova kultura, književnost, nasljeđe također biti nevidljivi. Prema Milnoviću, današnje knjižnice važnije su nego ikad. Podaci iz kojih modeli "uče" jezik, kulturu i društvene obrasce. U prošlosti su kulturne institucije, arhivi i knjižnice imali dodatnu odgovornost osigurati da je jezik prisutan i vidljiv u digitalnom prostoru. Uče ga iz velikog broja tekstova – digitaliziranih knjiga, novina, znanstvenih djela, arhivske građe ili moderne komunikacije, tada će njegova prisutnost u AI sustavima biti ograničena.

"Zato digitalizacija kulturne baštine danas postaje puno više od pukog očuvanja i arhiviranja. Postaje temelj tehnološke reprezentacije jedne nacije. Tu knjižnice preuzimaju novu, iznimno važnu ulogu. One više nisu samo mjesta za pohranu fizičkog znanja već postaju ključni čuvari podataka – institucije koje pružaju visokokvalitetne, provjerene i lingvistički relevantne korpuse za buduće AI sustave. To je posebno važno za jezike poput srpskog, gdje se količina dostupnog digitalnog sadržaja ne može usporediti s engleskim ili kineskim. Ali bit je u kvaliteti", naglašava dr. Milnović i dodaje da ako se AI modeli obučavaju isključivo sadržajem s društvenih mreža ili komercijalnih platformi, tada dobivamo osiromašen i često agresivan ili trivijalan jezični model. Kulturne institucije mogu ponuditi nešto sasvim drukčije: književni jezik, povijesni kontinuitet, terminološku preciznost, dijalektalnu raznolikost i kulturni kontekst.

Navodi da veliki jezični modeli funkcioniraju na principu statističke dominacije: što je neki jezik više prisutan u podacima, to ga model preciznije razumije i reproducira, te da je engleski, u tom smislu, praktički materinski jezik moderne umjetne inteligencije, dok jezici naše regije ulaze sa znatno manje podataka, pa ih veliki modeli vide kao skup sličnih jezika, zbog čega redovito dolazi do miješanja. AI teži prosjeku, a svaki prosjek znači brisanje specifičnosti. Ako milijuni ljudi svakodnevno koriste modele koji favoriziraju neutralan, međunarodni stil izražavanja, s vremenom će doći do jezične homogenizacije. To je posebno opasno za srpski jezik, koji je povijesno vrlo bogat varijacijama. AI stoga trenutačno zvuči ispravno u svim svojim oblicima, ali sterilno i neprirodno. Međutim, tehnologija ne mora nužno dovesti do gubitka raznolikosti. Naprotiv, uz visokokvalitetne lokalne korpuse i pažljivo obučene modele, AI nam može pomoći u očuvanju jezičnog bogatstva.

Milnović kaže da Sveučilišna knjižnica ima zbirku "Pretraživa" koja ima blizu dva milijuna digitaliziranih stranica povijesnih novina. Među ostalim, tu su i digitalizirani književni časopisi. To znači da je kvaliteta jezika u toj zbirci visoka, što je dobra zbirka za obuku umjetne inteligencije. Zatim, zbirka je nastala u sklopu COST akcije "Daljinsko čitanje", koju je Sveučilište radilo zajedno s Društvom za jezične resurse i tehnologije – gdje su digitalizirani, ispravljeni i anotirani srpski romani iz razdoblja 1840.–1920. Ta zbirka proglašena je jednom od najboljih u kontekstu europskih zbirki. Tamo je digitaliziran veliki broj disertacija i znanstvenih radova.

"Slične zbirke iz drugih institucija idealni su materijali za obuku umjetne inteligencije. Tako glavni jezici imaju milijarde rečenica dostupnih iz knjiga, interneta, znanstvenih baza podataka i medija, dok u srpskom jeziku mnogo toga još nije digitalizirano (što je u mnogim zemljama već završeno), a pogotovo nije sustavno obrađeno za korištenje umjetne inteligencije. Srbija zapravo posjeduje vrijedne resurse, ali poseban problem je činjenica da su naši resursi uglavnom fragmentirani, nestandardizirani i nepripremljeni za obuku modela umjetne inteligencije. Riječ je o velikom infrastrukturnom poslu kojim mora upravljati lokalna struka, a ne pojedinačni ili međunarodni interesi."

Stoga je umjetna inteligencija i velika šansa i ozbiljan rizik, a ishod ovisi isključivo o nama, naglašava Milnović. "S jedne strane, umjetna inteligencija prvi put omogućuje da čak i mali jezici dobiju sofisticirane digitalne alate koji su prije bili rezervirani isključivo za velike jezike. To automatski, u našem kontekstu, znači bolje pretraživanje na srpskom jeziku, mogućnost stvaranja pametnih obrazovnih sustava, automatsko prevođenje, lakšu digitalizaciju književnosti, arhiva i kulturne baštine. U tom smislu, ovo je šansa da srpski jezik i srpska kulturna baština postanu puno vidljiviji na globalnoj sceni. Ali moramo se brže prilagoditi. Na primjer, ako će učenici i studenti u budućnosti moći koristiti inteligentne sustave koji rade na dobrom srpskom jeziku, onda će srpski jezik postati jezik znanja i tehnologije, a ne samo lokalno sredstvo komunikacije."

Međutim, postoji i druga strana procesa, upozorava Milnović. "Ako se to ne učini na pravi način, srpski kulturni prostor mogu kolonizirati dominantnije jezične kulture i time marginalizirati. Ljudi prirodno koriste alate koji bolje funkcioniraju, pa postoji opasnost da cijeli lokalni kulturni korpus prijeđe na velike ili dominantnije jezike, jer su AI sustavi na njima jednostavno kvalitetniji. Zato je razvoj AI-ja za srpski jezik pitanje kulturne strategije, a ne tehnologije, i bojim se da nam to još uvijek nedostaje. Konačno, najvažnije je shvatiti da jezici danas više ne postoje samo u knjigama i školama. Postoje i u algoritmima, pretragama i podacima na kojima se obučavaju buduće inteligentne tehnologije."

Postoji stvarna potražnja za lokalnim AI rješenjima

Dok istraživači i institucije upozoravaju da mali jezici mogu postati digitalno nevidljivi, praksa pokazuje da razvoj lokalnih AI sustava nije samo teorija. U Srbiji već postoje tvrtke koje godinama razvijaju takve sustave. Jedna od njih je Alfanum iz Novog Sada, koja razvija govorne tehnologije za srpski i srodne jezike, a čija se rješenja temelje na umjetnoj inteligenciji i stručnosti razvojnog tima te uključuju vrhunske sustave za sintezu govora (Text To Speech – TTS) i prepoznavanje govora (Automatic Speech Recognition – ASR). Alfanum se slaže s prethodna dva sugovornika da je najveći izazov, uz arhitekturu modela, zapravo kvaliteta adekvatnih podataka za obuku, a kako se bavi govornim tehnologijama, to se prvenstveno odnosi na podatke iz posebno anotiranih govornih korpusa, koji uključuju intonaciju, ritam govora i stručnu terminologiju. Kažu da srpski jezik donosi dodatnu složenost, jer ima bogatu morfologiju, relativno slobodan redoslijed riječi u rečenici, dva pisma i vrlo složen naglasni sustav.

Tehnologije za prepoznavanje i sintetiziranje govora na srpskom jeziku danas se široko koriste u sustavima za diktiranje, automatsku transkripciju i glasovne aparate, navode iz tvrtke koja je razvila nekoliko važnih rješenja u tom području. Među najvažnijim sustavima za diktiranje su MEDICTA, namijenjen automatskoj transkripciji medicinskih nalaza s podrškom za medicinsku terminologiju na latinskom jeziku, kao i IURISDICTA, sustav prilagođen diktiranju pravnih dokumenata. Ova rješenja implementirana su u brojnim institucijama, uključujući Institut za onkologiju Vojvodine, Institut za plućne bolesti Vojvodine, PIO fond Republike Srbije, Vojnomedicinsku akademiju i Institut za kardiovaskularne bolesti na Dedinju.

TRANSCRIPTA sustav razvijen je za opću transkripciju govora, koja omogućuje transkripciju sastanaka, radio i televizijskih emisija, sjednica i drugih audiosnimaka s visokom točnošću i mogućnošću odvajanja govornika. Ovaj sustav koristi se, među ostalim, u Ministarstvu obrane Republike Srbije, NIS-u, Radioteleviziji Vojvodine i drugim državnim institucijama. Tehnologije prepoznavanja govora primjenjuju se i u pozivnim centrima, gdje korisnici mogu primati informacije i obavljati određene radnje putem glasovne komunikacije. S druge strane, sinteza govora koristi se u informacijskim sustavima, poput sustava Željeznica Srbije, kao i u pozivnim centrima državnih institucija. Od posebnog je značaja ozvučivanje internetskih prezentacija i web stranica institucija poput Vlade Republike Srbije, e-Uprave Republike Srbije, Radiotelevizije Srbije i drugih medija i državnih organizacija. Značajan doprinos, ističe Alfanum, jest sustav anReader, namijenjen slijepim i slabovidnim osobama za samostalno korištenje računala, koji je odobren kao službeno pomagalo Republičkog fonda za zdravstveno osiguranje i instaliran na više od 1000 korisničkih računala. Uz navedeno, tehnologije sinteze i prepoznavanja govora koriste se i za automatsko stvaranje multimedijskih nastavnih materijala, generiranje audio knjiga, zabavnih aplikacija i sustava za taksi službe, naglašava tvrtka.

Dakle, postoji stvarna potražnja za lokalnim AI rješenjima, ali u svijetu u kojem veliki sustavi gutaju male, postavlja se pitanje postoje li poslovne, pa čak i kulturne koristi od ulaganja u AI tehnologije koje podržavaju male jezike? Alfanum kaže da ulaganje u male jezike donosi opipljive poslovne koristi i proširuje kulturne učinke koji dugoročno jačaju ekosustav. Kvalitetan sustav govornih tehnologija za svaki jezik čini niz uslužnih proizvoda dostupnijim široj populaciji, posebno starijim, manje digitalno pismenim korisnicima. Poboljšanje korisničkog iskustva pridonosi aktivnoj lojalnosti korisnika, uz svijest o očuvanju vlastitog jezika i lokalnog identiteta.

"Na taj način mali jezici postaju ravnopravni dio globalnog AI prostora u eri opće digitalizacije. Stoga ulaganje u AI tehnologije koje podržavaju male jezike nije samo tehničko pitanje već strateško ulaganje u tržište i identitet – istovremeno donosi profit i čuva jezičnu raznolikost. Jer, veliki jezični modeli mogu funkcionirati bez lokalnih resursa, ali samo do određene granice. Iako na prvi pogled pružaju osnovne funkcionalnosti poput generiranja teksta, tumačenja i prevođenja, ovi modeli samo do određene mjere razumiju kulturni kontekst komunikacije. Zato se, na primjer, prirodni izrazi, lokalne reference i finije nijanse značenja koje su intuitivne autentičnim govornicima gube u generiranom tekstu, pa čak i kada je gramatički i ortografski ispravan, izlaz često djeluje generički."

Kada je riječ o razvoju nacionalnog jezičnog modela iz Alfanuma, smatraju da bi u toj infrastrukturi državne i javne institucije trebale osigurati financiranje i okvir, kao i pristup javnim podacima, te da bi akademska zajednica trebala pružiti stručnost u razvoju resursa i evaluaciji kvalitete, dok bi privatne tvrtke trebale pružiti podršku razvoju sustava i njihovoj brzoj integraciji u stvarne proizvode. S tim da bi i državne i javne institucije trebale aktivno poticati korištenje razvijenih sustava u javnom sektoru.

Borba je stalna

Stoga borba malih jezika mora biti kontinuirana i to ne samo za kulturni opstanak već i za njihovo mjesto u digitalnoj budućnosti koju oblikuje umjetna inteligencija. U svijetu u kojem algoritmi sve više određuju način na koji učimo, komuniciramo i stvaramo, pitanje jezika postaje pitanje moći, vidljivosti i prava na vlastiti identitet. Ako srpski i drugi mali jezici ostanu izvan razvoja modernih AI sustava, rizik nije samo tehnološko zaostajanje već i postupni nestanak lokalnih specifičnosti, kulturnih obrazaca i znanja iz digitalnog prostora. Zato razvoj domaćih AI modela nije luksuz ni stvar prestiža, već pokušaj da se mali jezici održe živima i ravnopravnima u svijetu kojim će sve više upravljati strojevi. A ključ uspjeha morao bi biti u suradnji države, akademske zajednice, kulturnih institucija i privatnog sektora. Mogu li svi ti elementi pronaći zajednički jezik?