فشل الهياكل: كيف تعيق بنية الذكاء الاصطناعي متحدثي اللغات غير الممثلة

تتسارع الجهود المبذولة لتطوير أدوات الذكاء الاصطناعي (AI) لدعم التعليم واللغات، حيث تُعتبر هذه الأدوات استجابة فعالة لتلبية احتياجات المجتمعات غير الممثلة. إلا أن الهياكل الأساسية التي تدعم هذه الأدوات، مثل قواعد البيانات التدريبية (Training Corpora)، ونظم التشفير (Tokenization Schemes)، والمعايير التقييمية (Evaluation Benchmarks)، والبنية التحتية للنشر (Deployment Architectures)، يمكن أن تضع متحدثي اللغات غير الممثلة في موقف غير عادل حتى قبل تدريب النموذج.

تأخذ هذه الدراسة اللغة البنغالية، وهي واحدة من أكثر اللغات تحدثًا في العالم، كنموذج للدراسة، وتسلط الضوء على التحديات التي تواجهها في بيئات الاتصال الضعيف. من خلال تحليل شامل، تم تحديد أربع مشكلات مترابطة: أولاً، فجوة كبيرة في الوجود على الويب، حيث تمثل باللغة البنغالية أقل من 0.5% من المحتوى العالمي على الإنترنت، على الرغم من أن المتحدثين بها يمثلون نحو 4% من سكان العالم. ثانياً، عجز في عدد الرموز التدريبية بنسبة 67:1 بين الإنجليزية والبنغالية في قواعد البيانات متعددة اللغات الكبرى. ثالثاً، هناك عقوبة تتعلق بالتشفير بسبب نظام الكتابة الهجائية، مما يؤدي إلى نقص في البيانات بسبب كثافة الرموز العالية. وأخيراً، نجد تمييزاً في الاتصال، حيث تصل نسبة الأشخاص الذين يستخدمون الإنترنت في المناطق الريفية إلى 36.5% في مقابل 71.4% في المناطق الحضرية.

تعكس هذه الإخفاقات القرارات التاريخية حول تخصيص الموارد والأولويات المؤسسية، مما يبرهن على عدم إدخال اللغات غير الممثلة في تطوير الذكاء الاصطناعي السائد.

يجب أن تُفهم ندرة مجموعات البيانات كحاجز هيكلي وليس كقيد تقني منفصل، كما ينبغي اعتبار التصميم القائم على مبدأ “الأوفلاين أولاً” استراتيجية تعزز العدالة في البنية التحتية. تنتهي الدراسة بتوجيهات تهدف إلى تقليل هذه التفاوتات الهيكلية في مجالات اللسانيات والذكاء الاصطناعي.