SEACrowd : Une plateforme de données multilingues et multimodales et une suite de benchmarks pour les langues d'Asie du Sud-Est

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

June 14, 2024

Auteurs: 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

Résumé

L'Asie du Sud-Est (ASE) est une région riche en diversité linguistique et variété culturelle, avec plus de 1 300 langues autochtones et une population de 671 millions d'habitants. Cependant, les modèles d'IA actuels souffrent d'un manque significatif de représentation des textes, images et ensembles de données audio provenant de l'ASE, compromettant ainsi la qualité des modèles d'IA pour les langues de cette région. L'évaluation des modèles pour les langues de l'ASE est difficile en raison de la rareté des ensembles de données de haute qualité, aggravée par la domination des données d'entraînement en anglais, ce qui soulève des inquiétudes quant à une éventuelle mauvaise représentation culturelle. Pour relever ces défis, nous présentons SEACrowd, une initiative collaborative qui consolide un centre de ressources complet comblant le manque de ressources en fournissant des corpus standardisés dans près de 1 000 langues de l'ASE, couvrant trois modalités. Grâce à nos benchmarks SEACrowd, nous évaluons la qualité des modèles d'IA sur 36 langues autochtones à travers 13 tâches, offrant ainsi des insights précieux sur le paysage actuel de l'IA en ASE. De plus, nous proposons des stratégies pour faciliter de plus grandes avancées en IA, maximisant l'utilité potentielle et l'équité des ressources pour l'avenir de l'IA en ASE.

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.