A magyar ChatGPT-riválisa: hogyan tanul magyarul a PULI nyelvi modell

A magyarországi mesterséges intelligenciáról szóló hírek jellemzően a debreceni és kecskeméti autógyárak robotizációjáról, az uniós AI-szabályozásról, az iskolai ChatGPT-használatról vagy éppen a nagy szuperszámítógép-beruházásokról szólnak. Van azonban egy csendesebb, de stratégiailag rendkívül fontos fejlesztés, amely arra keresi a választ, hogyan tudhat a mesterséges intelligencia igazán jól magyarul.

Ez a fejlesztés a PULI névre hallgató magyar nyelvi modell. A projekt jelentősége abban rejlik, hogy nem egy külföldi rendszer magyarosításáról van szó, hanem egy hazai fejlesztésű, kifejezetten a magyar nyelvre szabott modellről, amely a nyelvi szuverenitás egyik kulcsfontosságú eszközévé válhat a következő években.

Ki áll a PULI mögött

A PULI egy egész modellcsalád, amelyet a HUN-REN Nyelvtudományi Kutatóközpont, rövidebb nevén az NYTK fejleszt. A modell két fő változatban érhető el: egy nyers, előtanított formában, valamint egy utasításkövető, úgynevezett instruct verzióban, amelyek eltérő feladatok elvégzésére alkalmasak a felhasználók igényei szerint.

A két változat közötti különbség lényeges a gyakorlati használat szempontjából. A nyers modell alapvetően csak szövegfolytatásra alkalmas, míg az utasításkövető változat már képes kérdésekre válaszolni, szövegeket fordítani és összefoglalókat készíteni a neki adott utasítások alapján, vagyis sokkal közelebb áll ahhoz, amit a felhasználók egy modern chatbottól elvárnak.

A fejlesztés nem egyszeri projekt, hanem egy hosszabb távú program része. A PULI nyelvi modellekre épülő szolgáltatást a Nyelvtudományi Kutatóközpont hozza létre, egy 2024 augusztusától egészen 2027-ig tartó ütemezés keretében, ami jól mutatja, hogy egy komoly, több évre tervezett tudományos vállalkozásról van szó.

Ötvenmilliárd szó magyarul

A modell erejének titka a mögötte álló hatalmas mennyiségű magyar nyelvű adatban rejlik. A PULI egy 50 milliárd szavas magyar szövegkorpuszra épül, és a fejlesztők szerint éppen ennek köszönhetően kezeli a magyar nyelvet pontosabban, mint nagy nemzetközi versenytársai, amelyek jellemzően az angol nyelvre vannak optimalizálva.

Különösen fontos, hogy ez a korpusz milyen forrásokból építkezik. A szöveggyűjtemény az internetről származó tartalmak mellett a Nemzeti Könyvtár és a Magyar Tudományos Akadémia Könyvtárának digitális gyűjteményeit is tartalmazza, ami garantálja a magas minőségű és megbízható nyelvi alapot a modell tanításához.

A minőség érdekében a fejlesztők egy fontos elvet is betartottak: az adathalmazban minden szöveg csak egyszer szerepel. Ez a látszólag apró részlet valójában döntő, mert megakadályozza, hogy a modell bizonyos tartalmakat aránytalanul túlsúlyozzon, és így kiegyensúlyozottabb, megbízhatóbb nyelvi tudásra tegyen szert a tanulás során.

Okosabb magyarul, mint a ChatGPT?

A projekt egyik legmerészebb állítása magától a kutatás vezetőjétől származik. Prószéky Gábor, a kutatást irányító igazgató szerint a PULI magyar nyelven még a ChatGPT-nél is okosabb, ami komoly kijelentés egy olyan globális rendszerrel szemben, amely a mesterséges intelligencia szinonimájává vált a köztudatban.

Ez az állítás azért is hihető, mert egy specializált, kizárólag magyar nyelvre fókuszáló modell természetes előnyben van a nyelv finomságainak kezelésében. A magyar nyelv ragozási rendszere, szórendje és sajátos kifejezései olyan kihívást jelentenek, amelyet egy elsősorban angol adatokon tanított általános modell nehezebben old meg pontosan.

A tét tehát nem pusztán a presztízs. A hazai fejlesztésű megoldások, mint a PULI, biztosítják, hogy a magyar nyelvű mesterségesintelligencia-alkalmazások megbízhatóak és pontosak legyenek, ami különösen fontos a közigazgatásban, az oktatásban és minden olyan területen, ahol a nyelvi hibák komoly következményekkel járhatnak.

Miért számít mindez

A PULI története jól illusztrálja a nyelvi szuverenitás egyre növekvő fontosságát a mesterséges intelligencia korában. Egy kis nyelvet beszélő ország számára létfontosságú, hogy ne váljon teljesen kiszolgáltatottá néhány nagy külföldi technológiai cég modelljeinek, amelyek nem feltétlenül kezelik prioritásként az adott nyelv és kultúra sajátosságait.

A valódi kérdés a következő években az lesz, hogy a tudományos kiválóság mennyire tud széles körben elérhető, mindennapi eszközzé válni. Ha a PULI a laboratóriumból eljut a hétköznapi felhasználókhoz, intézményekhez és vállalatokhoz, akkor Magyarország egy olyan stratégiai eszközzel gazdagodhat, amely hosszú távon megőrzi a magyar nyelv digitális jövőjét.