మన తెలంగాణలో మనం సహజంగా మాట్లాడే మాటలను ఏఐ ఎందుకు సరిగ్గా అర్థం చేసుకోలేకపోతోంది? మనం తెలంగాణ భాషలో మాట్లాడితే కొన్ని ‘స్పీచ్-టు- టెక్స్ట్’ యాప్లు తప్పుగా ఎందుకు రాస్తున్నాయి? ‘విస్పర్ ఫ్లో ’ లాంటి యాప్లలో, ఇతర ఏఐ యాప్లలో ‘తెలంగాణ తెలుగు’ అనే ప్రత్యేక ఆప్షన్ ఎందుకు కనిపించదు? చాట్జీపిటీ లాంటి ఏఐకి ‘అంగీ’, ‘ఓలాలు’, ‘లెంకినవా’, ‘రాయే’ ‘కీస’వంటి సహజమైన తెలంగాణ పదాలు ఎందుకు కొన్నిసార్లు సరిగ్గా అర్థం కావు? ఇది ఏఐకి తెలుగు రాదనే సమస్య కాదు. అసలు సమస్య ఏమిటంటే, ఏఐ మన భాషను మనిషిలా నేరుగా అర్థం చేసుకోదు.
మనం మాట్లాడినప్పుడు మొదట మన గొంతు నుంచి వచ్చిన శబ్ద తరంగాన్ని అది అంకెల సమాచారంగా మార్చుతుంది. ఆ శబ్దంలో ఏయే ధ్వనులు ఉన్నాయి, అవి ఎలా కలిశాయి, ఎక్కడ ఒక పదం ముగిసి మరొక పదం మొదలైంది, ఏ ఉచ్ఛారణ ఉంది, వాక్య సందర్భం ఏమిటి అనే విషయాలను మోడల్ తన శిక్షణలో నేర్చుకున్న ప్యాటర్న్లతో పోల్చుకుంటుంది. ఇక్కడే తెలంగాణ యాస సమస్య మొదలవుతుంది.
ఒక ఏఐకి కోట్లాది సాధారణ తెలుగు ఉచ్ఛారణ ఉదాహరణలు ఉన్నాయని అనుకుందాం. కానీ అందులో సహజంగా మాట్లాడే తెలంగాణ తెలుగు తక్కువగా ఉంటే, మోడల్కు మన ఉచ్ఛారణ, లయ, స్వర హెచ్చుతగ్గులు, పదాల ముగింపులు, కుదింపులు, స్థానిక పదజాలం గురించి సరిపడిన ప్రాతినిధ్యం ఏర్పడదు. ఉదాహరణకు మనం ‘నువ్వు ఏడికి పోతున్నా వే?’ అని మాట్లాడితే మోడల్ దానికి దగ్గరగా తనకు ఎక్కువగా తెలిసిన ‘నువ్వు ఎక్కడికి వెళ్తున్నావు?’ అనే ప్యాటర్న్ను ఎంచుకోవచ్చు. అది మన మాటను కావాలని మార్చడం కాదు.
అది తన శిక్షణలో ఎక్కువగా చూసిన గణాంక ప్యాటర్న్ వైపు ప్రిడిక్షన్ చేయడం. అందుకే ఒక ముఖ్యమైన విషయం గుర్తించాలి. తెలంగాణ పదాల నిఘంటువు ఒక్కటి ఉంటే సరిపోదు. ‘కైకిలి’, ‘ఎగిలివారంగా’, ‘మొగులు’, ‘ఉమ్మగిల్లుట’, ‘దూప’ వంటి పదాలు ఉన్నాయని టెక్స్ట్లో ఏఐకి చెప్పడం ఒక విషయం. కానీ అవే పదాలను వందలాది మంది తెలంగాణవాళ్లు వేర్వేరు వేగం, స్వరస్థాయి, ఉచ్ఛారణ, గొంతు, నేపథ్య ధ్వని, ధ్వనిగ్రాహి పరిస్థితుల్లో పలికిన శ్రావ్యమైన ఉదాహరణలు ఇవ్వడం మరో విషయం. ఏఐకి కావాల్సింది శ్రావ్యం + కచ్చితమైన ట్రాన్స్క్రిప్ట్.
తెలంగాణ భాష, యాస డేటాసెట్ అవసరం
ఒక వ్యక్తి ‘అచ్చినవా’ అని మాట్లాడితే డేటాసెట్లో కూడా ‘అచ్చినవా’గానే ఉండాలి. దాన్ని అధికారిక తెలుగులో ‘వచ్చావా’గా మార్చేస్తే, మోడల్కు ఆ ధ్వని ఏ తెలంగాణ వ్యవహారిక రూపానికి సంబంధించినదో నేర్చుకునే అవకాశం తగ్గిపోతుంది. ఇక్కడే పెద్దస్థాయిలో తెలంగాణ భాష, యాస డేటాసెట్ అవసరం. ‘ఎందిరా భాయి పాగల్గాని లెక్కున్నావ్’ ఇది మన రోజువారీ తెలంగాణ సాధారణంగా మాట్లాడే భాష. ఏఐకి ఈ రకమైన ఉదాహరణలు కూడా అవసరం.
సాంకేతిక శిక్షణ సమయంలో మోడల్ ఆడియో నుంచి ప్రిడిక్షన్ చేస్తుంది. అది చేసిన ప్రిడిక్షన్ను సరైన ట్రాన్స్క్రిప్ట్తో పోల్చి చూసి తేడాను లెక్కిస్తుంది. తరువాత బ్యాక్ప్రొపగేషన్, గ్రేడియంట్ డీసెంట్, ఆప్టిమైజర్ అప్డేట్స్ ద్వారా మోడల్ పారామీటర్లు మారతాయి. వేల, లక్షల, కోట్ల దృష్టాంతాల్లో ఈ ప్రక్రియ పునరావృతం అవుతూ, మాటల ప్యాటర్న్, టెక్స్ట్ ప్యాటర్న్ మధ్య సంబంధం బలపడుతుంది.
తెలంగాణ భాషా, సాంస్కృతిక సంస్థలు పరిగణనలోకి తీసుకోవాలి
ఒకే వ్యక్తి వంద గంటలు మాట్లాడితే మోడల్ ఆ వ్యక్తి మాట్లాడే తీరుకు బాగా అలవాటు పడవచ్చు. కానీ వందలాది మంది మాట్లాడితే, తెలంగాణ భాష, యాసలో అసలు సాధారణ ప్యాటర్న్లు ఏమిటో మోడల్ బాగా నేర్చుకోగలదు. ఇది కేవలం ట్రాన్స్క్రిప్షన్ సమస్య కాదు. ఇది భాషను డిజిటల్గా నిలబెట్టే సమస్య. తెలంగాణ భాషా సాంస్కృతిక సంస్థలు ఈ విషయాన్ని సీరియస్గా తీసుకోవాలి. తెలంగాణ మాటలను కేవలం పుస్తకాలలో భద్రపరచడం కాకుండా, అందరికీ తెలిసిన, కచ్చితత్వంతో నిండిన తెలంగాణ భాష, యాస గ్రంథాల సమాహారం నిర్మించడానికి పెద్ద కార్యక్రమం చేపట్టాలి.
పదజాలం, సహజ సంభాషణలు అన్నింటినీ అక్షరబద్ధం చేయాలి. ఈ డేటా ఆధారంగా మాట్లాడే మోడల్ను అనుకూలీకరణ (ఫైన్- ట్యూన్) చేయవచ్చు. మోడల్ ఎక్కడ తప్పు చేస్తుందో గుర్తించి, ఆ కష్టమైన ఉదాహరణలను తిరిగి డేటాసెట్లో చేర్చి యాక్టివ్ లెర్నింగ్ ద్వారా మోడల్ను క్రమంగా మెరుగుపరచవచ్చు. భవిష్యత్తులో ప్రతి పెద్ద ఏఐ ప్లాట్ఫామ్లో తెలంగాణ తెలుగు, ఆంధ్రా తెలుగు వంటి మాట్లాడే భాషా రికగ్నిషన్ ఆప్షన్లు ఉండాలి. అప్పుడు మనం మాట్లాడిన మాటను ఏఐ సరిదిద్దకుండా మనం ఎలా మాట్లాడామో అలా రాయగలుగుతుంది.
మనకంటూ సమగ్ర పదకోశం ఏర్పడాలి
మన పిల్లలు రేపు ఏఐతో తెలంగాణ యాసలో మాట్లాడగలిగితే, ఏఐ దాన్ని అర్థం చేసుకోగలిగితే, మన స్థానిక పదాలు డిజిటల్ వ్యవస్థల్లో నిలిచిపోతే అది కేవలం సాంకేతిక ఘనత కాదు. అది తెలంగాణ భాషను భవిష్యత్ తరాలకు డిజిటల్గా జీవించి ఉంచడం. ఏఐ యుగంలో తెలంగాణ యాస ఎక్కడ? అనే ప్రశ్నకు సమాధానం మన డేటాలో ఉండాలి. మన ఏఐలో ఉండాలి. మన యాప్లలో ఆప్షన్గా ఉండాలి. మన భవిష్యత్తులో ఉండాలి.
ఈ విషయంలో తెలంగాణ భాషా ప్రేమికులు, మన రచయితలు, కవులు, అకాడెమిషియన్లు, యూనివర్సిటీలు చొరవ తీసుకోవాలి. మనకంటూ సమగ్రమైన పదకోశం ఏర్పడాలి. మన సంస్కృతి పరిరక్షణకు నాలుగు కోట్ల జనం ఆశ, శ్వాస అయిన మన భాష, యాసను భావి తరానికి అందించగలగాలి. తెలంగాణ భాషా సాంస్కృతిక శాఖ, తెలుగు అకాడమీ ఆధ్వర్యంలో ఈ కార్యక్రమాన్ని ప్రాధాన్యతా అంశంగా తీసుకుంటుందని ఆశిద్దాం.
- ఎర్రా నాగేంద్ర బాబు
జాయింట్ కలెక్టర్ (రి)
