SEACrowd: Ein multilingualer multimodaler Datendreh- und Benchmark-Satz für südostasiatische Sprachen

SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages

June 14, 2024

Autoren: Holy Lovenia, Rahmad Mahendra, Salsabil Maulana Akbar, Lester James V. Miranda, Jennifer Santoso, Elyanah Aco, Akhdan Fadhilah, Jonibek Mansurov, Joseph Marvin Imperial, Onno P. Kampman, Joel Ruben Antony Moniz, Muhammad Ravi Shulthan Habibi, Frederikus Hudi, Railey Montalan, Ryan Ignatius, Joanito Agili Lopo, William Nixon, Börje F. Karlsson, James Jaya, Ryandito Diandaru, Yuze Gao, Patrick Amadeus, Bin Wang, Jan Christian Blaise Cruz, Chenxi Whitehouse, Ivan Halim Parmonangan, Maria Khelli, Wenyu Zhang, Lucky Susanto, Reynard Adha Ryanda, Sonny Lazuardi Hermawan, Dan John Velasco, Muhammad Dehan Al Kautsar, Willy Fitra Hendria, Yasmin Moslem, Noah Flynn, Muhammad Farid Adilazuarda, Haochen Li, Johanes Lee, R. Damanhuri, Shuo Sun, Muhammad Reza Qorib, Amirbek Djanibekov, Wei Qi Leong, Quyet V. Do, Niklas Muennighoff, Tanrada Pansuwan, Ilham Firdausi Putra, Yan Xu, Ngee Chia Tai, Ayu Purwarianti, Sebastian Ruder, William Tjhi, Peerat Limkonchotiwat, Alham Fikri Aji, Sedrick Keh, Genta Indra Winata, Ruochen Zhang, Fajri Koto, Zheng-Xin Yong, Samuel Cahyawijaya

cs.AI

Zusammenfassung

Südostasien (SEA) ist eine Region, die reich an sprachlicher Vielfalt und kultureller Vielfalt ist, mit über 1.300 indigenen Sprachen und einer Bevölkerung von 671 Millionen Menschen. Allerdings leiden vorherrschende KI-Modelle unter einem erheblichen Mangel an Repräsentation von Texten, Bildern und Audio-Datensätzen aus SEA, was die Qualität von KI-Modellen für SEA-Sprachen beeinträchtigt. Die Evaluierung von Modellen für SEA-Sprachen ist aufgrund der Knappheit von hochwertigen Datensätzen eine Herausforderung, die durch die Dominanz von englischen Trainingsdaten verschärft wird und Bedenken hinsichtlich potenzieller kultureller Fehldarstellungen aufwirft. Um diesen Herausforderungen zu begegnen, stellen wir SEACrowd vor, eine kollaborative Initiative, die einen umfassenden Ressourcen-Hub konsolidiert, der die Ressourcenlücke durch Bereitstellung standardisierter Korpora in nahezu 1.000 SEA-Sprachen über drei Modalitäten schließt. Durch unsere SEACrowd-Benchmarks bewerten wir die Qualität von KI-Modellen in 36 indigenen Sprachen über 13 Aufgaben und bieten wertvolle Einblicke in die aktuelle KI-Landschaft in SEA. Darüber hinaus schlagen wir Strategien vor, um größere KI-Fortschritte zu erleichtern, wodurch das Potenzial für Nützlichkeit und Ressourcengerechtigkeit für die Zukunft der KI in SEA maximiert wird.

English

Southeast Asia (SEA) is a region rich in linguistic diversity and cultural variety, with over 1,300 indigenous languages and a population of 671 million people. However, prevailing AI models suffer from a significant lack of representation of texts, images, and audio datasets from SEA, compromising the quality of AI models for SEA languages. Evaluating models for SEA languages is challenging due to the scarcity of high-quality datasets, compounded by the dominance of English training data, raising concerns about potential cultural misrepresentation. To address these challenges, we introduce SEACrowd, a collaborative initiative that consolidates a comprehensive resource hub that fills the resource gap by providing standardized corpora in nearly 1,000 SEA languages across three modalities. Through our SEACrowd benchmarks, we assess the quality of AI models on 36 indigenous languages across 13 tasks, offering valuable insights into the current AI landscape in SEA. Furthermore, we propose strategies to facilitate greater AI advancements, maximizing potential utility and resource equity for the future of AI in SEA.