Beszélt és írott magyar szöveg feldolgozását lehetővé tevő modellt építettek a Pécsi Tudományegyetemen

forrás: Prím Online, 2021. augusztus 27. 12:55

Mindenki szívesebben használja az anyanyelvét chat és más automatizált alkalmazásokban. Mivel azonban a magyar nyelvet mindössze 15 millióan beszélik világszerte, a cégek számára gyakran nem éri meg kifejleszteni a feldolgozásához szükséges szoftvereket. A Pécsi Tudományegyetem (PTE) Alkalmazott Adattudományi és Mesterséges Intelligencia-csapata felismerve ezt a problémát a Microsoft Azure mesterséges intelligencia és az ONNX Runtime megoldások alkalmazásával megépítette és betanította saját BERT-large modelljét magyar nyelven, méghozzá kevesebb, mint 200 munkaóra és 1000 euró befektetésével.

A Pécsi Tudományegyetem számára kulcsfontosságú terület lett a mesterséges intelligencia és a felhőalapú oktatás, amióta partnerkapcsolatot építettek ki a Microsoft Mesterséges Intelligencia Tudásközpont program keretein belül 2019-ben.

 

A nagy mennyiségű magyar nyelvű adat kezelését megkönnyítendő a PTE természetes nyelvfeldolgozási (NLP) módszerek kutatásába fogott. A megoldást egy magyar nyelvű BERT-large modell (HILBERT) létrehozása jelentette, ami egy nyílt forráskódú gépi tanulás keretrendszer. A modell célja, hogy segítse a számítógépet a többféleképpen értelmezhető szövegrészek megértésében oly módon, hogy a szövegkörnyezetből kontextust épít.

 

A csapat az Azure mesterséges intelligencia használata mellett döntött a saját, magyar nyelvű BERT-large modelljük megalkotásához.

 

 

“A Microsoft piacvezető a nyelvi modellek betanításának területén. Természetes, hogy a legjobb technológiát akartuk használni” – mondta el Hajdu Róbert, az Alkalmazott Adattudományi és Mesterséges Intelligencia Központ volt tervezőmérnöke. Ráadásul a csapat már ismerte az Azure szolgáltatást, ez is egy érv volt mellette.

 

Ahelyett, hogy gyenge minőségű adatokat gyűjtöttek volna az internetről, a Nyelvtudományi Kutatóközpont szakemberei segítségével készítették elő az alapokat. Az Azure pedig mindent megkönnyített és felgyorsított.

 

A modell betanítására szintén gyors és költséghatékony megoldást kerestek: a Microsoft ONNX Runtime DeepSpeed könyvtárát választották a feladathoz, amit az Azure Machine Learning (AML) platformon futtattak. E platform segítségével hatékonyan tudtak haladni a mesterséges intelligencia modellek építésével, munkába állításával, menedzsmentjével és nyomonkövetésével. Így a csapat közben olyan más feladatokra koncentrálhatott, mint például az adatkezelés.

 

 

 

A modell működéséhez egyébként legalább 3,5 milliárd szót tartalmazó folyószöveg szükséges, ezt az adatbázist a Nyelvtudományi Kutatóközpont, a projekt másik résztvevője többek között a Magyar Nemzeti Szótárból, online médiatárakból és az opensubtitles.org ingyenesen hozzáférhető filmfelirat-adatbázis magyar nyelvű anyagai közül gyűjtötte a csapat.

 

Habár a pandémia alatt mindannyian otthonról dolgoztak, a BERT-large betanítási folyamata az Azure-on semmilyen problémát nem okozott.

 

“200 munkaóra alatt végeztünk. Ez a világon az eddigi legolcsóbb BERT-large. Kevesebb, mint 1000 euróba került” – mesélte büszkén Dr. Feldmann Ádám, a PTE Adattudományi és AI csoport vezetője. “Az ONNX Runtime nélkül a HILBERT-large modellünk betanítása 1500 órát, vagyis megközelítőleg két hónapot vett volna igénybe” – hívja fel a figyelmet.

 

A Pécsi Tudományegyetem BERT-large modellje jelentős lehetőségeket rejt magában az írott és beszélt szöveg feldolgozása, az intelligens keresés, az entitásérzékelés, a dokumentációs klasszifikáció terén. A HILBERT közreműködhet újabb, jobb teljesítményű chatbotok létrehozásában is.

 

Mindez pedig segítheti a magyarokat a könnyen érthető, releváns információkhoz való hozzáférésben, különösen a Covid-19 körüli félretájékoztatás elleni küzdelemben. Számos egészségügyi és kormányzati szereplő is érdeklődött már a HILBERT-large modell iránt.

 

A projekt teljes ismertetője ezen a linken olvasható.

Megoldás ROVAT TOVÁBBI HÍREI

A Continental járművek beltereihez mutat be fenntartható felületi megoldásokat

Az IAA Transportation szakkiállításon a Continental a vezetőfülke változatos követelményeinek megfelelő fenntartható és funkcionális felületi megoldásokat mutatott be.

2022. szeptember 26. 12:41

Új trend a napelemeknél: felértékelődött az energiatárolás

Az energiaválság hatására a napenergia hasznosítása minden eddiginél kiemelkedőbb figyelmet kap napjainkban. Sokan már ellátási gondoktól is tartanak, ezért érdemes élni a korszerű, jövőbe mutató technológiával és függetleníteni magunkat a szolgáltatótól. Ugyanakkor a fogyasztók több buktatóba is beleszaladhatnak. 

2022. szeptember 26. 11:22

Vontatási kínálatának bővítéséhez az ABB felvásárolja a PowerTech Convertert

Az ABB bejelentette, hogy felvásárolja a PowerTech Converter (PTC) vállalatot, amely a könnyű vasúti járművek (LRV) és metrók kiegészítő áramátalakítóinak vezető beszállítója. Az akvizíció fontos része az ABB Motion külső növekedési stratégiájának.

2022. szeptember 26. 09:55

Kövess minket a Facebookon!

Cikkgyűjtő

További fontos híreink

Megvannak az idei Gyurós Tibor-díjazottak

2022. szeptember 21. 13:46

Hatalmas siker a tudományos Európa Bajnokságon

2022. szeptember 19. 18:00

’Az Év Honlapja’ pályázat 21. alkalommal keresi a legjobb honlapokat, applikációkat és digitális megoldásokat

2022. szeptember 7. 11:38

Digitalizálódó vállalatok vezetői az IVSZ elnökségében

2022. augusztus 31. 14:17