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

要約

東南アジア (SEA) は言語と文化の多様性に富んだ地域であり、1,300 以上の先住民言語があり、人口は 6 億 7,100 万人です。
ただし、一般的な AI モデルには、SEA からのテキスト、画像、音声データセットの表現が大幅に欠如しており、SEA 言語の AI モデルの品質が損なわれています。
高品質のデータセットが不足しているため、SEA 言語のモデルを評価することは困難であり、さらに英語のトレーニング データが優勢であるため、文化的な誤った表現の可能性についての懸念が生じています。
これらの課題に対処するために、3 つのモダリティにわたって約 1,000 の SEA 言語で標準化されたコーパスを提供することで、リソースのギャップを埋める包括的なリソース ハブを統合する共同イニシアチブである SEACrowd を紹介します。
SEACrowd ベンチマークを通じて、13 のタスクにわたって 36 の先住民言語の AI モデルの品質を評価し、SEA の現在の AI 状況に関する貴重な洞察を提供します。
さらに、東南アジアにおける AI の将来の潜在的な有用性とリソースの公平性を最大化し、AI のさらなる進歩を促進する戦略を提案します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google