"AIRUN Intelligence Lab" лабораториясынын машиналык окутуу боюнча инженери Зарина Увалиева кыргыз тили үчүн жасалма интеллект технологияларын өнүктүрүүгө арналган илимий эмгегин жарыялады. Изилдөө табигый тилди иштетүү жана жасалма интеллект тармагындагы дүйнөдөгү эң абройлуу аянтчалардын бири саналган ACL 2026 (Association for Computational Linguistics) эл аралык конференциясынын MeLLM воркшопунда сунушталды.
Зарина Увалиева "Кабар" агенттигине билдиргендей, "Kyrgyz Text Normalization: A Comparative Study of Neural and Rule-Based Approaches" аттуу изилдөө кыргыз тилиндеги тексттерди нормалдаштырууга арналган. Бул — заманбап тил технологияларынын негизги багыттарынын бири.
Иштелип чыккан технология жасалма интеллектке колдонуучулар интернетте жазган кыргыз тилиндеги тексттерди орфографиялык каталары, сүйлөшүү стилиндеги сөздөрү, тыныш белгилери жана баш тамгалары жок болсо да туура түшүнүүгө мүмкүндүк берет.
"Мисалы, бизге "салам кандайсын кайдасын" деген текст келсе, система аны "Салам! Кандайсың? Кайдасың?" деген туура жазып, андан кийин гана андан аркы иштетүүнү жүргүзөт. Англис, орус же кытай тилдери үчүн мындай чечимдер буга чейин эле бар болчу, ал эми кыргыз тили үчүн дээрлик болгон эмес", — деп түшүндүрдү изилдөөчү.
Анын айтымында, бул эмгектин жарыяланышы изилдөөнүн өзү үчүн гана эмес, Борбор Азиядагы компьютердик лингвистика тармагынын өнүгүшү үчүн да маанилүү.
"Буга чейин ACL конференциясынын материалдарында Борбор Азиядан чыккан изилдөөлөр өтө аз болчу, ал эми Кыргызстандан эмгектер дээрлик сунушталган эмес. Бул биздин аймак дүйнөлүк компьютердик лингвистика картасында өз ордун ээлей баштаганын жана эл аралык кызматташтыкты кеңейтүүгө, гранттык программаларга катышууга, ошондой эле келечектеги изилдөөчүлөрдү даярдоого жаңы мүмкүнчүлүктөр ачылып жатканын билдирет", — деди Увалиева.
Изилдөөнүн алкагында команда бүгүнкү күнгө чейин кыргыз тили үчүн эң ири ачык маалымат топтомун түздү. Ал 1,67 миллион "баштапкы текст — нормалдаштырылган текст" жуптарын камтыйт. Ошондой эле изиздөөчүлөр текстти нормалдаштыруунун бир нече заманбап ыкмаларын салыштырышкан.
Эне тили кыргызча болгон колдонуучулардын баалоосунун жыйынтыгында иштелип чыккан модель 99,8% тактыкты көрсөтүп, көлөмү кыйла кичине болгонуна карабастан, Google DeepMind компаниясынын Gemma 4 моделине салыштырмалуу азырак ката кетирген.
Зарина Увалиеванын айтымында, датасет менен моделдин ачык жеткиликтүү болушу иштеп чыгуучуларга өз маалыматтарын айлап чогултпай эле, кыргыз тилиндеги санариптик өнүмдөрдү кыйла ылдам иштеп чыгууга мүмкүнчүлүк берет.
Изилдөө төмөнкү адистерден турган топ тарабынан даярдалган - Зарина Увалиева, Бектемир Кумарбай уулу, Адилет Метинов, Тынчтыкбек Ташбалтаев жана Нуртилек Алибеков.
Изилдөөчүнүн айтымында, эмгектин дүйнөлүк деңгээлдеги конференциянын алкагында жарыяланышы Кыргызстанда иштелип чыккан технологиялар өлкө ичиндеги практикалык маселелерди гана чечпестен, жасалма интеллект тармагындагы дүйнөлүк илимдин өнүгүшүнө да олуттуу салым кошо аларын тастыктайт.
