Süni intellekt Azərbaycan dilində dialektləri və şivələri anlaya bilərmi?

Dialekt dəstəyi haqqında danışanda ilk sual budur: sistemdən hansı nəticə gözlənilir? Əgər məqsəd müştəri xidmətində sorğunun niyyətini tanımaqdırsa, test “istifadəçi problemini düzgün kateqoriyaya saldımı?” sualına cavab verməlidir. Əgər məqsəd tədris köməkçisidirsə, sistem şivə ilə verilmiş sualı anlayıb cavabı standart və aydın Azərbaycan dilində təqdim edə bilər. Əgər məqsəd nitq texnologiyasıdırsa, səs tanıma, transkripsiya və tələffüz ayrıca qiymətləndirilir. Bu tapşırıqları bir-birinə qarışdırmaq “model dialekti bilir” kimi qeyri-dəqiq iddialara gətirir.

Məhsul üçün ən sağlam standart niyyətin qorunması, təhqiredici və ya stereotipləşdirici davranışdan qaçmaq, qeyri-müəyyənlikdə isə aydınlaşdırıcı sual verməkdir. Model istifadəçinin söz seçimini lağa qoymamalı, onu avtomatik “səhv” kimi damğalamamalıdır. Cavabın hansı dildə və üslubda verilməsi də dizayn qərarıdır: bəzi ssenaridə standart yazı dili, bəzisində isə istifadəçinin tonuna yaxın, amma anlaşılır dil daha uyğundur. Bu qərar istifadəçi araşdırması və dil mütəxəssisinin rəyi ilə verilməlidir.

Dialekt nümunələri az təmsil olunduqda model onları anlaşılmaz və ya qeyri-standart kimi qəbul edə bilər. Bu boşluğu doldurmaq üçün real dialoq, audio, yazışma və ya dilçi tərəfindən hazırlanmış nümunələrdən istifadə oluna bilər. Lakin regional nitq forması insanın kimliyi və mənsubiyyəti ilə bağlı ola bildiyi üçün razılıq, məxfilik və məqsəd məhdudiyyəti əsasdır. “Daha çox data” toplamaq naminə şəxsi danışığı nəzarətsiz yığmaq düzgün deyil. Mənbənin necə seçildiyi, hansı məqsədlə istifadə olunduğu və silinmə tələbinin necə işlədiyi sənədləşdirilməlidir.

Məlumatın etiketlənməsi də həssas aparılmalıdır. Bir neçə nümunəyə əsasən bütöv region haqqında nəticə çıxarmaq, insanları şivəyə görə təsnif etmək və ya avtomatik qərar vermək etik risk yaradır. Əvəzində nümunələr yalnız dil keyfiyyəti testində, istifadəçi niyyətini anlama və cavabın aydınlığı üçün istifadə edilməlidir. Dilçilər, regional icma nümayəndələri və məhsul tədqiqatçıları ilə kiçik, şəffaf qiymətləndirmə daha faydalıdır. Bu yanaşma həm modelin səhvini azaldır, həm də dil müxtəlifliyinə hörməti qoruyur.

Mətn əsaslı sistem daxil olan şivə və ya imla variantını normallaşdıraraq modelə daha tanış forma verə bilər. Məsələn, tez-tez rast gəlinən yazılış fərqləri üçün lüğət və ya yüngül düzəliş qatı qurulur. Ancaq normallaşdırma mənanı, şəxs adını, kodu və ya emosional tonu dəyişməməlidir. “Sərt düzəliş” bəzən istifadəçi sözünü başqa sözə çevirib sistemi yanlış istiqamətə apara bilər. Buna görə normallaşdırma yalnız yüksək əminlikli hallarda tətbiq olunmalı, şübhəli yerdə isə orijinal mətnlə birlikdə modelə ötürülməlidir.

Daha güclü həll kontekst və aydınlaşdırma ilə birləşir. Sistem bir sözün mənasına əmin deyilsə, əvvəlki cümlələrə, seçilmiş xidmət növünə və ya təsdiqlənmiş lüğətə baxa bilər. Yenə də qeyri-müəyyənlik qalırsa, istifadəçiyə iki-üç aydın seçim vermək yaxşıdır. Bu yanaşma həm hallüsinasiyanı, həm də dialektlə bağlı yanlış interpretasiyanı azaldır. Keyfiyyət ölçüsündə yalnız düzgün cavab faizi deyil, sistemin nə vaxt etiraf edib soruşması da ayrıca müsbət davranış kimi hesablanmalıdır.

Dialekt dəstəyinin ən yaxşı göstəricisi istifadəçinin özünü sistemdən kənarda hiss etməməsidir. İnterfeys aydın olmalı, “yalnız ədəbi dildə yazın” kimi lazımsız maneə yaratmamalıdır. Eyni zamanda cavabın standart, oxunaqlı və hüquqi baxımdan tutarlı olması qorunmalıdır. Yüksək riskli hallarda şivədən avtomatik kimlik və ya niyyət nəticəsi çıxarmaq olmaz; insan operator və ya aydınlaşdırıcı prosesə keçid olmalıdır. Bu qaydalar texniki məhdudiyyət deyil, etibarlı xidmət dizaynıdır.

Sistem buraxıldıqdan sonra geribildirim kanalı vacibdir. İstifadəçi “məni başa düşmədi” və ya “cavab uyğun deyildi” deyəndə həmin siqnal məxfilik qaydasına uyğun araşdırıla bilməlidir. Kiçik, müntəzəm test dövrləri böyük və iddialı sözlərdən daha dəyərlidir. Azərbaycan dilinin müxtəlifliyini nəzərə alan AI zamanla daha faydalı ola bilər, amma bunun yolu hər şeyi bildiyini iddia etmək deyil; ölçmək, aydınlaşdırmaq və öyrənməkdir.

“Süni intellekt Azərbaycan dilində dialektləri və şivələri anlaya bilərmi?” mövzusunda növbəti addımı texnologiyadan deyil, konkret istifadəçi problemindən başlayaraq seçin. Hədəf auditoriyanı, cavabın təsir etdiyi qərarı, istifadə olunacaq məlumatı və qəbul edilən risk səviyyəsini bir səhifəlik sənəddə aydınlaşdırın. Sonra həmin ssenaridə bu gün nə qədər vaxt sərf olunduğunu, hansı səhvlərin baş verdiyini və istifadəçinin hansı çətinliklə üzləşdiyini ölçün. Bu ilkin göstərici olmadan AI həllinin həqiqi faydasını və ya yan təsirini qiymətləndirmək mümkün deyil.

Kiçik pilotda nəticəni Azərbaycan dili, fakt və ya mənbə dəqiqliyi, istifadəçi təcrübəsi, gecikmə və təhlükəsizlik baxımından birgə yoxlayın. Yalnız ideal sorğunu deyil, qısa, səhv yazılmış, qeyri-müəyyən və riskli müraciətləri də sınayın. Cavabın modeldən, məlumatdan, axtarışdan və ya proses qaydasından hansı səbəblə yarandığını izləmək üçün versiyaları qeyd edin. Bu yanaşma problemi tez tapmağa, məhsulu təhlükəsiz təkmilləşdirməyə və komandanın qərarını fikrə yox, dəlilə əsaslandırmağa kömək edir.

Ən sonda insanın rolunu açıq saxlayın. Aşağı riskli işdə AI qaralama və axtarış köməkçisi ola bilər, yüksək təsirli qərarda isə səlahiyyətli ekspertin yoxlaması, rəsmi mənbə və eskalasiya yolu qorunmalıdır. Modelin və ya məlumat bazasının imkanları dəyişdikcə eyni qiymətləndirmə dövrünü yenidən işə salın. Qərar jurnalında istifadə olunan məlumat versiyasını, model konfiqurasiyasını, cavabın harada istifadə edildiyini və kimin təsdiqlədiyini qeyd edin. Bu məlumat sonradan keyfiyyət araşdırması, audit və komanda təlimi üçün praktik sübuta çevrilir. Beləliklə, bu mövzudakı AI təşəbbüsü bir dəfəlik demo deyil, istifadəçiyə real fayda verən və məsuliyyətlə idarə olunan məhsul imkanına çevrilir.