ХИФУ аспиранын нейроннай ситимэ сахалыы дифтоннары өйдүүр буолла

Хотугулуу-Илиҥҥи федеральнай үнүбэрситиэт аспирана Иннокентий Иванов оҥорбут нейроннай ситимэ саха тылыттан атын тылга тылбаастыырын таһынан, дифтоннары өйдүүр буолла.

Нейроннай ситими оҥорорго Сбер ruGPT-3 моделын үөрэттилэр. Бырайыак Фундаментальнай чинчийиилэр Россиятааҕы фондаларын фондаларын гранын үбүнэн олоххо киирэр.

«Бүгүҥҥү күҥҥэ RTX 3070 Ti видеокаартаҕа үөрэтиллибит нейросеть толору тексты оҥорон биэрбэт, ол эрээри дифтоннары 50%-н сөпкө туруорар буолла», – диэтэ учуонай.

Иннокентий Иванов нейроннай ситими оҥороругар «Кыым», «Sakhaday», «Эдэр Саас», ону тэҥэ саха тылын лингвистическай корпуһун матырыйаалларын туһаммыт. Нейросеть даннайын толоруу бу сыл кулун тутарыгар эбэтэр муус устарыгар түмүктэниэхтээх.

Инникитин аспирант нейросеккэ текст хаачыстыбыбатын уонна күннээҕи олоххо туттулларыгар үлэтин тупсарар былааннаах.

«Дифтоннарга уонна падежтарынан уларытыыга улахан болҕомтону ууруохха наада. Холобур, биир тыл падеһынан уларыйан хааллаҕына, нейроннай ситим оҥорбут тиэкиһин ис хоһооно олус атын буолуон сөп», – диэн кини бэлиэтээтэ.

Бырайыак түмүгүнэн Иннокентий Иванов нейроннай ситимин киэҥ эйгэҕэ таһаарыаҕа. Кини оҥорбут үлэтэ элбэх бырагыраамаҕа, сыһыарыыга саха тылыттан атыл тылга тылбаастыырга көмөлөһүөн сөп.