Оның айтуынша, жоба аясында қазақ тіліндегі мәтін мен сөйлеу деректерінің сапалы корпусы жинақталып жатыр.
— Қазақ тілінің мәтіндік корпусы 14 миллиард токенге жетті. Ондағы материалдар тақырып, жанр және жас ерекшеліктері бойынша жіктелген. Корпусқа қазақ тілінің тарихи даму кезеңдерін қамтитын мазмұнмен бірге шетелдегі қазақ диаспорасының тілдік мұрасы да енгізілді. Қор білім, ғылым, технология, экономика, құқық, медицина, тарих, этнография, медиа және балалар контентін түгел қамтиды, — деді Анар Құрманжанқызы.
Халықаралық «Қазақ тілі» қоғамының президенті Рауан Кенжеханұлы бұл жобаның негізгі мақсаты қазақ тілінің жасанды интеллект дәуірінде толыққанды қолданылуына жағдай жасау екенін атап өтті.
— Біздің мақсатымыз — қазақ тілінің жасанды интеллект дәуірінде толыққанды қолданылуына жағдай жасау. Ол үшін тілдің бай қорын цифрлық ортаға енгізумен қатар, жасанды интеллектінің қазақ тілін табиғи түсінуі, дұрыс қолдануы және ұлттық мәдени контекстті ескеруі маңызды. Сондықтан біз дерек қорын қалыптастырумен ғана шектелмей, оның сапасына және тіл модельдерін бағалау құралдарына да ерекше мән беріп отырмыз. Бұл — бір реттік жоба емес, жүйелі әрі ұзақмерзімді жұмыс, — ол.
Еске салайық, халықаралық «Қазақ тілі» қоғамы мен OpenAI арасындағы бірлескен жоба 2025 жылғы 7 қарашада Вашингтонда жасалған келісім аясында жүзеге асырылып келеді. Оның мақсаты — сапалы цифрлық контент пен сенімді деректер қорын қалыптастыру арқылы үлкен тіл модельдерінің қазақ тіліндегі жұмыс сапасын арттыру.
Айта кетейік, бұған дейін қазақ тіліндегі аудионы мәтінге айналдыру дәлдігі 98%-ға жеткені жайлы жаздық.