SMEROVANIE VÝVOJA JAZYKOVÝCH NÁSTOJOV A TECHNOLÓGIÍ
V priestoroch hotela Park Inn Danube v Bratislave sa v dňoch 7. a 8. júna 2012 konala medzinárodná konferencia Rozvoj jazykových technológií a zdrojov na Slovensku a vo svete (10 rokov Slovenského národného korpusu), ktorá sa realizovala pri príležitosti 10. výročia vzniku špecializovaného pracoviska Slovenského národného korpusu Jazykovedného ústavu Ľ. Štúra Slovenskej akadémie vied. Prvý deň podujatia bol zároveň jedným z prezentačných dní členských krajín projektu CESAR, ktorého cieľom je sprístupniť existujúce jazykové zdroje a prispieť k tvorbe jednotného digitálneho trhu v Európe. Prezentačné dni sú zamerané na spoločné aktivizovanie národného úsilia o rozvoj a výskum jazykových technológií. Slovenskému prezentačnému dňu predchádzalo podobné podujatie v máji tohto roku v Bulharsku, ktoré je spolu so Slovenskom, Chorvátskom, Poľskom a Srbskom zapojené do projektu CESAR koordinovaného partnerom z Maďarskej akadémie vied. Hlavným cieľom bratislavskej konferencie bolo predstaviť jazykové technológie a nástroje počítačového spracovania prirodzeného jazyka a zosumarizovať súčasný stav jazykových technológií na Slovensku a v okolitých krajinách.
Pred otvorením samotného vedecko-informačného podujatia sa konala tlačová konferencia za účasti podpredsedu SAV Ľubomíra Falťana, generálnej riaditeľky sekcie vedy a techniky MŠVVaŠ SR Marty Cimbákovej, koordinátora projektu CESAR Tamása Váradiho, riaditeľa JÚĽŠ SAV Pavla Žiga, vedúcej oddelenia Slovenského národného korpusu JÚĽŠ SAV Márie Šimkovej a hlavného riešiteľa slovenskej časti projektu CESAR Radovana Garabíka. Pozvaní účastníci tlačovej konferencie stručne predstavili projekt CESAR, účasť Slovenska v ňom a význam takýchto projektov pre malé jazyky.
Úvodné slovo nasledujúceho slávnostného otvorenia patrilo Ľ. Falťanovi, ktorý poukázal na dôležitosť jazyka v každodennej komunikácii a v mene SAV vyjadril plnú podporu oddeleniu SNK JÚĽŠ SAV. M. Cimbáková vo svojom príhovore vyzdvihla moderné spracovanie prirodzeného jazyka s neprehliadnuteľným významom v akademickej, výskumnej i verejnej sfére. P. Žigo zdôraznil prínos moderných jazykových technológií, vďaka ktorým sú výsledky výskumu oddelenia SNK dostupné pre širokú verejnosť.
Prvý blok rokovania otvoril Georg Rehm z Nemeckého výskumného centra umelej existencie v Berlíne, ktorý vo svojom príspevku Projekt META-NET zdôraznil potrebu podpory technologických základov multilingválnej európskej informačnej spoločnosti. V prezentácii autor predstavil aj sériu bielych kníh, ktoré opisujú stav jazykových zdrojov v jednotlivých krajinách Európy. Zo zhrnutých výsledkov slovenskej bielej knihy vyplynulo, že slovenčina má v oblasti rečovej a textovej analýzy len veľmi slabú podporu, pričom niektoré oblasti, napr. strojový preklad, nie sú takmer vôbec pokryté. Na záver svojej prezentácie autor predstavil Strategickú výskumnú agendu, ktorá zoskupuje odborníkov z oblasti prekladu, lokalizácie, informačných služieb a interaktívnych systémov. Ich úlohou je vytvoriť spoločnú víziu budovania komunity zaoberajúcej sa jazykovými technológiami v Európe.
Projekt CESAR bol predmetom príspevku Tamása Váradiho z Maďarskej akadémie vied, ktorý stručne predstavil cieľ spoločne zdieľať digitálne zdroje. Autor vyzval všetky zainteresované strany – národný priemysel, výskumníkov, štátne inštitúcie a i., aby podporovali budovanie a zdokonaľovanie jazykových technológií. T. Váradi vyzdvihol veľkosť slovenského národného korpusu (770 miliónov tokenov), no zároveň konštatoval, že na slovenskom trhu chýbajú sémantické korpusy a technológie na parsovanie viet.
Slovenský národný korpus (2002 – 2012): východiská, ciele a výsledky pre výskum a prax prezentovali Mária Šimková a Radovan Garabík z oddelenia SNK JÚĽŠ SAV. M. Šimková uviedla dôvody vzniku (najmä potreba dostatočnej materiálovej bázy pre lexikografické opisy slovenčiny) a zhrnula priebeh budovania oddelenia SNK, ktoré súviselo aj s celkovým rozmachom korpusovej lingvistiky vo svete. Už prvotný interný korpus so základným počítačovým vybavením sa JÚĽŠ SAV snažil podporiť medzinárodnými projektmi. O potrebe a rozšírení SNK svedčí aj približne 500 registrovaných používateľov korpusu ročne a priemerne 40 000 dopytov denne do databázy lingvistických zdrojov. O medzinárodných projektoch oddelenia nás informoval R. Garabík. Okrem projektov CESAR a META-NET predstavil aj projekty Mondilex, Slovak Online, EuroMatrixPlus a niekoľko spoluprác v rámci medziakademických dohôd. Vďaka realizácii projektov a finančnej podpore Európskej komisie sa vybudoval 5-jazyčný slovník sémantických vzťahov, morfologická databáza, webový korpus, špecializovaný korpus právnych textov, slovenský hovorený korpus a niekoľko paralelných korpusov.
Dopoludňajšiu sekciu uzavrel Marko Tadić z Filozofickej fakulty Univerzity v Záhrebe príspevkom Chorvátsky národný korpus a jeho úloha pri budovaní jazykových technológií v Chorvátsku. Autor vo svojej prezentácii ponúkol prierez všetkých verzií Chorvátskeho národného korpusu (HNK) datovaných od roku 1967 až po súčasnosť. Spomenul problémy s nedostatkom elektronických textov a chýbajúcimi prepismi v začiatkoch budovania korpusu. Od roku 2005 je HNK lematizovaný s možnosťou rozšíreného vyhľadávania prostredníctvom korpusového manažéra Manatee s klientom Bonito. Autor zdôraznil, že na rozširovanie korpusu je potrebná riadená podpora výskumu a rozvoja zdrojov a nástrojov. M. Tadić vyjadril aj radosť z toho, že sa SNK vybudoval v kratšom čase ako HNK a v súčasnosti ho už v počte tokenov presahuje.
Vstupom do popoludňajšej časti prvého rokovacieho dňa boli prezentácie slovenských a českých firiem z oblasti jazykových a informačných technológií. Ako prvý vystúpil Vladimír Kadlec z firmy Seznam.cz. Autor uviedol štatistiky fulltextového vyhľadávania a zaindexovaných stránok (380 miliónov českých, 130 miliónov anglických, 15 miliónov slovenských atď.). Seznam.cz označil za otvorenú firmu, ktorá prijíma nové dáta a nápady. Spoločnosť NEWTON Technologies predstavili Petr Herian a Pavel Barták. V prezentácii hovorili o systéme automatického prepisu reči NEWTON Dictate s 90 %-nou úspešnosťou presného prepisu. Autori názorne ukázali prácu so systémom. Pre slovenský trh majú systém okrem všeobecného slovenského lexikónu natrénovaný na oblasť justície, všeobecnej medicíny, rádiológie a patológie. Peter Baláž predstavil neziskovú organizáciu Edukácia@Internet, ktorá sa angažuje v oblasti medzikultúrneho vzdelávania a používania jazykov s podporou jazykových technológií. Autor predstavil najväčší on-line portál na výučbu esperanta na svete (http://www.lernu.net), ktorý má v súčasnosti 117 000 používateľov z 33 krajín. Organizácia vytvorila aj viacjazyčný portál Slovak Online na výučbu slovenského jazyka, na ktorom participovali aj pracovníci SNK JÚĽŠ SAV.
Po prezentáciách firiem, ktoré boli okrem týchto vstupov k dispozícii aj v posterovej sekcii, nasledovala panelová diskusia o postavení slovenského jazyka v digitálnom veku. Účastníci diskusie sa vyjadrili o potrebe širšieho sprostredkúvania jazykových dát a modelov z vedeckého prostredia do aplikačného a komerčného využitia, poukázali na slabú finančnú podporu národných vlád projektom v tejto oblasti a vyzdvihli nevyhnutnosť zdieľania zdrojov a dôležitosť dostupnosti digitalizovaného textu pre budúce generácie.
Dušan Katuščák zo Slovenskej národnej knižnice v Martine sa publiku prihovoril prostredníctvom príspevku Národný projekt SNK Digitálna knižnica a digitálny archív, ktorého cieľom je digitalizovať pôvodné slovacikálne dokumenty, teda slovenské písomné kultúrne dedičstvo. Po vybudovaní infraštruktúry pre digitalizačnú a konzervačnú činnosť by sa Slovensko zaradilo medzi európskych lídrov v oblasti digitalizácie.
Jan Hajič z Matematicko-fyzikálnej fakulty Karlovej univerzity v Prahe prezentoval projekt LINDAT-Clarin, jazyková infraštruktúra pre výskum, ktorý sa zameriava na zber jazykových dát z oblasti humanitných vied. Autor vyzýval k zdieľaniu i menších jazykových zdrojov. Veľmi dôležitou časťou projektu je podpora výskumníkov a študentov prostredníctvom letných škôl a iných tréningov.
Riaditeľ Ústavu informatiky SAV v Bratislave Ladislav Hluchý vystúpil s témou Počítačové technológie na spracovania reči a textu. V prezentácii spomenul vytváranie vysokovýkonnej infraštruktúry na základe klastrového a gridového počítania pre spoločenské a humanitné vedy.
Ako posledná odznela v prvý deň rokovania prezentácia Praktické aplikácie automatického spracovania reči na ÚI SAV od Milana Ruska z Oddelenia spracovania reči ÚI SAV v Bratislave. Autor predstavil webový slovník gest DiGest – Dictionary of Gestures, vyučovací systém na kontrolu výslovnosti EURONOUNCE a systémy na syntézu a rozpoznávanie reči.
Druhý deň konferencie otvoril František Čermák, riaditeľ Ústavu Českého národného korpusu Filozofickej fakulty Karlovej univerzity v Prahe, príspevkom Projekt InterCorp a jeho povaha. Autor niekoľkokrát vyzdvihol potrebu budovať korpusy na účely štúdia jazykových javov v kontexte. Projekt InterCorp buduje paralelné korpusy pre jazyky, ktoré sa študujú na FF UK v Prahe. On-line paralelné korpusy slúžia výskumníkom i študentom ako bohatý zdroj informácií pre teoretický výskum, výučbu cudzích jazykov, dvoj- a viacjazyčnú lexikografiu a pod.
Ďalší účastníci z Českej republiky Karel Pala a Pavel Rychlý z Fakulty informatiky Masarykovej univerzity v Brne v príspevku Budovanie veľkých korpusov a nástrojov pre počítačovú lexikografiu predstavili niekoľko korpusových nástrojov: WebBootCat – na vyhľadávanie konkrétnych domén na webe podľa kľúčového slova, SpiderLing – na získavanie textov, JusText – na odstraňovanie netextových častí webových stránok, onion – na odstraňovanie dátových duplicít. Pre lexikografov autori ponúkli nástroje: DEB – editor a prehliadač slovníkov, DEBDict – všeobecný prehliadač hlavných českých slovníkov, DEBVisDic – editor a prehliadač sémantických sietí, TeDi – na budovanie terminologických slovníkov, PDEV – na spájanie sémantiky slova s použitím v texte.
Viacjazyčné zdroje pre bulharčinu – najnovší vývoj (skúsenosti IMI BAS) prezentovala Ludmila Dimitrova z Bulharskej akadémie vied. Autorka ponúkla prehľad niekoľkých projektov a medziakademických dohôd so zameraním na budovanie paralelných korpusov, vďaka ktorým sa podarilo vybudovať aj slovensko-bulharský paralelný korpus s veľkosťou 1,2 milióna slov.
Zástupca Ruskej akadémie vied Leonin Iomdin prišiel na podujatie s prezentáciou Automatizované spracovanie textu a hĺbkovo syntakticky anotovaný korpus ruských textov: ich interakcia a vzájomný vplyv. V úvode autor predstavil typy Ruského národného korpusu a syntaktický podkorpus SynTagRus, ktorý obsahuje 52 000 viet rôznych žánrov. Základ podkorpusu tvorí závislostná anotačná schéma Pražského závislostného korpusu. L. Iomdin uviedol, že SynTagRus dokáže rozpoznať 75 syntaktických vzťahov a na morfologické značkovanie využíva Ruský morfologický slovník, ktorý obsahuje 130 000 hesiel.
V popoludňajšom bloku Pavol Žigo, riaditeľ JÚĽŠ SAV, predstavil v prezentácii Počítačová podpora kartografického spracovania nárečí slovanských jazykov dialektologický korpus, ktorý mapuje 3 454 nárečových javov z 850 slovanských lokalít od Stredozemného mora po Ural. Autor demonštroval výsledky bádania na pracovnej mape. Uviedol napríklad fakt, že slovanské jazyky hraničiace s neslovanskými prestali postupom času skloňovať a funkciu koncoviek v nich prebrali predložky (bulharčina, macedónčina).
Július Kravjar z Centra vedecko-technických informácií SR v Bratislave prezentoval atraktívnu tému Národný korpus záverečných prác slovenských vysokých škôl a boj proti plagiátorstvu. Od roku 2008 sa na Slovensku všetky záverečné práce zhromažďujú v spoločnom centrálnom registri. Spolu s antiplagiátorským systémom ho vytvorila spoločnosť SVOP. Unikátnosť projektu spočíva v tom, že sa realizuje celoplošne na území Slovenska. V registri sa aktuálne nachádza 214 000 prác. Po dvoch rokoch realizácie projektu J. Kravjar skonštatoval, že sa zvýšila kvalita prác, ako aj povedomie o autorských právach.
Tibor Pintér z Maďarskej akadémie vied orientoval svoje rozprávanie na maďarský národný korpus a jeho rozšírenie v prezentácii Maďarský národný korpus ii – pokus o veľký gigabajtový korpus. Autor sa vyjadril, že snahou tvorcov nového národného korpusu je vytvoriť miliardový korpus so štýlovo i žánrovo pestrými textami, ktorý by slúžil ako zdroj pri koncipovaní jazykových derivátov, ako napr. n-gramov, frekvenčných slovníkov a pod.
Druhú časť popoludňajšej sekcie otvorili výskumníci Ján Staš, Daniel Hládek a Jozef Juhár z Technickej univerzity v Košiciach, ktorí prišli na podujatie s témou Budovanie organizovaného korpusu textov pre rečové technológie v slovenčine. Názorne predviedli systém automatického prepisu reči, ktorý dokáže rozoznávať okrem jednoslovných tokenov aj skloňované skratky, akronymá, regulárne výrazy a i. Ich systém CisloSlovom dokáže podľa kontextu správne zapísať číslo dva, napríklad: dvaja ľudia, 2. apríla, zaplatili 2 koruny. Autori sa vo svojom výskume zameriavajú najmä na oblasť justície, pre ktorú vytvorili jazykový model s 95 %-nou úspešnosťou.
Odborné vystúpenia podujatia uzavrela Velislava Stojkova z Bulharskej akadémie vied prezentáciou Kolaboratívne vyvinuté lexikálne zdroje pre bulharčinu s aplikáciou na tvorbu slovníkov a referenčných zdrojov. Autorka sa primárne venovala výskumu extrakcie sémantických vzťahov medzi pojmami v stredoškolskej matematike. Pracuje s korpusmi anglických a bulharských matematických textov MathWiki a MathWikiBul, pričom využíva štatistický prístup vyhľadávania najfrekventovanejších pojmov prostredníctvom nástroja Sketch Engine. Po zrealizovaní výskumu možno označiť za hyperonymum pojem complex function, ktorého hyponymami sú napr. polynomial function alebo exponential function. V. Stojkova označila metódu štatistického prístupu za rýchly a moderný spôsob pri tvorbe referenčných zdrojov.
Záverečné slovo patrilo vedúcej oddelenia Slovenského národného korpusu JÚĽŠ SAV M. Šimkovej a riaditeľovi Jazykovedného ústavu Ľ. Štúra SAV P. Žigovi, ktorí sa poďakovali všetkým účastníkom za príjemnú rokovaciu atmosféru i prínosné diskusie, organizátorom za skvelý priebeh podujatia a zapriali oddeleniu Slovenského národného korpusu ešte veľa úspešných rokov pri rozširovaní a budovaní nových korpusov a korpusových nástrojov.
Medzinárodná konferencia Rozvoj jazykových technológií a zdrojov na Slovensku a vo svete (10 rokov Slovenského národného korpusu) bola príležitosťou, na ktorej si 21 prednášajúcich i 99 prítomných hostí z rozmanitých vedeckých, akademických i komerčných oblastí vymenili najnovšie poznatky z oblasti spracovania prirodzeného jazyka a zároveň vyjadrili svoje predstavy o budúcom smerovaní vývoja jazykových nástrojov a technológií. Prednesené príspevky budú publikované v zborníku Jazykovedné štúdie XXXI.