SEACrowd: Un Hub di Dati Multilingue e Multimodale e una Suite di Benchmark per le Lingue del Sudest Asiatico
SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages
June 14, 2024
Autori: 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
Abstract
Il Sud-est asiatico (SEA) è una regione ricca di diversità linguistica e varietà culturale, con oltre 1.300 lingue indigene e una popolazione di 671 milioni di persone. Tuttavia, i modelli di intelligenza artificiale (AI) prevalenti soffrono di una significativa mancanza di rappresentazione di testi, immagini e dataset audio provenienti dal SEA, compromettendo la qualità dei modelli di AI per le lingue di questa regione. Valutare i modelli per le lingue del SEA è impegnativo a causa della scarsità di dataset di alta qualità, aggravata dal predominio dei dati di addestramento in inglese, sollevando preoccupazioni riguardo a potenziali rappresentazioni culturali errate. Per affrontare queste sfide, introduciamo SEACrowd, un'iniziativa collaborativa che consolida un hub di risorse completo, colmando il divario di risorse fornendo corpora standardizzati in quasi 1.000 lingue del SEA attraverso tre modalità. Attraverso i nostri benchmark SEACrowd, valutiamo la qualità dei modelli di AI su 36 lingue indigene in 13 task, offrendo preziose intuizioni sull'attuale panorama dell'AI nel SEA. Inoltre, proponiamo strategie per facilitare maggiori progressi nell'AI, massimizzando l'utilità potenziale e l'equità delle risorse per il futuro dell'AI nel 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.