Aya Dataset: An Open-Access Collection for Multilingual Instruction Tuning

要約

データセットは、現代の人工知能における多くの画期的な進歩の基礎となります。
自然言語処理 (NLP) の分野における最近の成果の多くは、大規模言語モデル (LLM) が命令に応答できるようにする、さまざまなタスクのセットに関する事前トレーニング済みモデルの微調整に起因すると考えられます。
命令微調整 (IFT) には、特別に構築され、注釈が付けられたデータセットが必要です。
ただし、既存のデータセットはほぼすべて英語です。
この研究における私たちの主な目標は、65 言語にわたる人間が厳選した命令に従うデータセットを構築することで言語ギャップを埋めることです。
私たちは世界中の言語を流暢に話す人々と協力して、指示と完了の自然な例を収集しました。
さらに、114 言語にわたる既存のデータセットのテンプレート化と翻訳を通じて、5 億 1,300 万のインスタンスで構成される、これまでで最も広範な多言語コレクションを作成しました。
私たちは合計 4 つの主要なリソースに貢献しています。Aya アノテーション プラットフォーム、Aya データセット、Aya コレクション、Aya 評価スイートを開発し、オープンソース化しています。
アヤの取り組みは、119 か国の協力者が参加する参加型研究の貴重な事例研究としても機能します。
私たちは、これがリソースのギャップを埋めることを目的とした将来の研究協力のための貴重な枠組みであると考えています。

要約(オリジナル)

Datasets are foundational to many breakthroughs in modern artificial intelligence. Many recent achievements in the space of natural language processing (NLP) can be attributed to the finetuning of pre-trained models on a diverse set of tasks that enables a large language model (LLM) to respond to instructions. Instruction fine-tuning (IFT) requires specifically constructed and annotated datasets. However, existing datasets are almost all in the English language. In this work, our primary goal is to bridge the language gap by building a human-curated instruction-following dataset spanning 65 languages. We worked with fluent speakers of languages from around the world to collect natural instances of instructions and completions. Furthermore, we create the most extensive multilingual collection to date, comprising 513 million instances through templating and translating existing datasets across 114 languages. In total, we contribute four key resources: we develop and open-source the Aya Annotation Platform, the Aya Dataset, the Aya Collection, and the Aya Evaluation Suite. The Aya initiative also serves as a valuable case study in participatory research, involving collaborators from 119 countries. We see this as a valuable framework for future research collaborations that aim to bridge gaps in resources.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google