SEACrowd: Un centro de datos multilingüe y multimodal y un conjunto de benchmarks para lenguas del sudeste asiático

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

June 14, 2024

Autores: 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

Resumen

El Sudeste Asiático (SEA) es una región rica en diversidad lingüística y variedad cultural, con más de 1.300 lenguas indígenas y una población de 671 millones de personas. Sin embargo, los modelos de IA predominantes adolecen de una falta significativa de representación de textos, imágenes y conjuntos de datos de audio procedentes de SEA, lo que compromete la calidad de los modelos de IA para las lenguas de esta región. Evaluar los modelos para las lenguas de SEA es un desafío debido a la escasez de conjuntos de datos de alta calidad, agravado por el predominio de datos de entrenamiento en inglés, lo que plantea preocupaciones sobre posibles representaciones culturales erróneas. Para abordar estos desafíos, presentamos SEACrowd, una iniciativa colaborativa que consolida un centro de recursos integral que cubre la brecha de recursos al proporcionar corpus estandarizados en casi 1.000 lenguas de SEA en tres modalidades. A través de nuestros puntos de referencia de SEACrowd, evaluamos la calidad de los modelos de IA en 36 lenguas indígenas en 13 tareas, ofreciendo valiosas perspectivas sobre el panorama actual de la IA en SEA. Además, proponemos estrategias para facilitar mayores avances en IA, maximizando la utilidad potencial y la equidad de recursos para el futuro de la IA en SEA.

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.