SEACrowd: 東南アジア言語のための多言語・多モーダルデータハブとベンチマークスイート

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

June 14, 2024

著者: 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

要旨

東南アジア（SEA）は、言語的多様性と文化的多様性に富んだ地域であり、1,300以上の先住民言語と6億7,100万人の人口を有しています。しかし、現行のAIモデルは、SEAのテキスト、画像、音声データセットの著しい不足に悩まされており、SEA言語向けのAIモデルの品質が損なわれています。SEA言語のモデル評価は、高品質なデータセットの不足と、英語トレーニングデータの支配的な存在により困難であり、文化的誤表現の懸念が高まっています。これらの課題に対処するため、私たちはSEACrowdを紹介します。これは、1,000近くのSEA言語にわたる3つのモダリティで標準化されたコーパスを提供し、リソースギャップを埋める包括的なリソースハブを統合する共同イニシアチブです。SEACrowdベンチマークを通じて、13のタスクにわたる36の先住民言語におけるAIモデルの品質を評価し、SEAにおける現在のAI状況に関する貴重な洞察を提供します。さらに、SEAのAIの将来に向けて、潜在的な有用性とリソースの公平性を最大化するための戦略を提案します。

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.