SEACrowd: Многоязычный мультимодальный центр данных и набор тестов для языков Юго-Восточной Азии

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

June 14, 2024

Авторы: 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

Аннотация

Юго-Восточная Азия (ЮВА) - это регион, богатый лингвистическим разнообразием и культурным многообразием, с более чем 1 300 коренными языками и населением в 671 миллион человек. Однако существующие модели искусственного интеллекта страдают от значительного недостатка представления текстов, изображений и аудио наборов данных из ЮВА, что снижает качество моделей искусственного интеллекта для языков ЮВА. Оценка моделей для языков ЮВА является сложной из-за дефицита высококачественных наборов данных, усугубленного доминированием английских данных для обучения, вызывая опасения относительно потенциального культурного искажения. Для решения этих проблем мы представляем SEACrowd, совместную инициативу, которая объединяет обширный ресурсный центр, заполняющий пробел в ресурсах, предоставляя стандартизированные корпусы на почти 1 000 языках ЮВА в трех модальностях. Через наши бенчмарки SEACrowd мы оцениваем качество моделей искусственного интеллекта на 36 коренных языках в рамках 13 задач, предлагая ценные исследования текущего пейзажа искусственного интеллекта в ЮВА. Более того, мы предлагаем стратегии для облегчения дальнейших достижений в области искусственного интеллекта, максимизируя потенциальную полезность и равенство ресурсов для будущего искусственного интеллекта в ЮВА.

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.