ChatPaper.aiChatPaper

SEACrowd: Een meertalige multimodale datahub en benchmark suite voor Zuidoost-Aziatische talen

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

Samenvatting

Zuidoost-Azië (SEA) is een regio die rijk is aan taalkundige diversiteit en culturele verscheidenheid, met meer dan 1.300 inheemse talen en een bevolking van 671 miljoen mensen. De heersende AI-modellen lijden echter aan een aanzienlijk gebrek aan representatie van teksten, afbeeldingen en audio-datasets uit SEA, wat de kwaliteit van AI-modellen voor SEA-talen aantast. Het evalueren van modellen voor SEA-talen is uitdagend vanwege de schaarste aan hoogwaardige datasets, verergerd door de dominantie van Engelse trainingsdata, wat zorgen oproept over mogelijke culturele misrepresentatie. Om deze uitdagingen aan te pakken, introduceren we SEACrowd, een collaboratief initiatief dat een uitgebreide resourcehub consolideert die de hiaten in resources opvult door gestandaardiseerde corpora te bieden in bijna 1.000 SEA-talen over drie modaliteiten. Via onze SEACrowd-benchmarks beoordelen we de kwaliteit van AI-modellen voor 36 inheemse talen over 13 taken, wat waardevolle inzichten biedt in het huidige AI-landschap in SEA. Bovendien stellen we strategieën voor om grotere AI-vooruitgang te faciliteren, waardoor het potentiële nut en de gelijkheid van resources voor de toekomst van AI in SEA worden gemaximaliseerd.
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.
PDF321January 17, 2026