SEACrowd: Um Hub de Dados Multimodal e Multilíngue e um Conjunto de Benchmarks para Línguas do 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
Resumo
O Sudeste Asiático (SEA) é uma região rica em diversidade linguística e variedade cultural, com mais de 1.300 línguas indígenas e uma população de 671 milhões de pessoas. No entanto, os modelos de IA predominantes sofrem com uma significativa falta de representação de textos, imagens e conjuntos de dados de áudio do SEA, comprometendo a qualidade dos modelos de IA para as línguas da região. A avaliação de modelos para línguas do SEA é desafiadora devido à escassez de conjuntos de dados de alta qualidade, agravada pela predominância de dados de treinamento em inglês, levantando preocupações sobre possíveis distorções culturais. Para enfrentar esses desafios, apresentamos o SEACrowd, uma iniciativa colaborativa que consolida um hub de recursos abrangente, preenchendo a lacuna de recursos ao fornecer corpora padronizados em quase 1.000 línguas do SEA, abrangendo três modalidades. Por meio de nossos benchmarks SEACrowd, avaliamos a qualidade dos modelos de IA em 36 línguas indígenas em 13 tarefas, oferecendo insights valiosos sobre o cenário atual da IA no SEA. Além disso, propomos estratégias para facilitar maiores avanços em IA, maximizando a utilidade potencial e a equidade de recursos para o futuro da IA no 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.