Астана, 9 ноября. Президент Казахстана Касым-Жомарт Токаев принял Рауана Кенжеханулы, председателя международного общества «Қазақ тілі»: в проекте с OpenAI казахский текстовый корпус достиг 14 млрд токенов, а база аудиозаписей — 12 тыс. часов, сообщила Акорда.
Президента проинформировали, что общество работает по трём направлениям: совершенствует методику обучения казахскому языку, обогащает казахоязычный контент и расширяет применение языка в новых технологиях. За последние три года на большие экраны вышли 13 популярных фильмов студий Disney, Pixar и Sony с дубляжом на казахском языке. О фонде Qazaq Tili Endowment сообщили, что общий объём взносов достиг 824 млн тенге. Токаев высоко оценил работу общества и подчеркнул важность в полной мере использовать потенциал искусственного интеллекта в изучении и преподавании государственного языка, а также при переводе научной литературы.
Токен — единица текста: на такие единицы модель искусственного интеллекта разбивает слова и предложения при обработке языка, объясняли в «24KZ». Корпус — собранные для обучения модели тексты: в Kazakh Text Corpus вошли материалы по образованию, науке, технологиям, экономике, праву, медицине, истории, этнографии и медиа, а также детский контент, рассказывали в BAQ.KZ. Материалы классифицируют по тематике, жанрам и возрастным категориям и очищают.
Аудиобаза в 12 тыс. часов — это записи казахской речи, очищенные от посторонних звуков. Точность адаптированных для казахского языка моделей распознавания речи, по данным BAQ.KZ, доведена до 98%.
Зачем это нужно, объяснил сам Кенжеханулы. «Нам важно, чтобы такой инструмент на казахском языке работал безошибочно и без, как сегодня говорят, галлюцинаций», — сказал он (галлюцинациями называют выдуманные моделью ответы). По его словам, на собранных данных вместе с командой OpenAI «переобучают» систему вроде ChatGPT. Трудность, как говорил он Kazinform, в том, что казахоязычных данных для обучения значительно меньше, чем английских или русских, поэтому материалы собирают в архивах, музеях и библиотеках после получения нужных разрешений. Работа идёт по соглашению, заключённому 7 ноября 2025 года в Вашингтоне во время визита Главы государства в США.
Сколько стоит проект, кто его оплачивает, когда и в какой версии ChatGPT казахский улучшится и как будет измеряться качество, в сообщении Акорды не говорится. Слова о том, что на этих данных переобучают ChatGPT, принадлежат главе общества; подтверждения от OpenAI в изученных материалах нет.
В чём суть: Государство называет искусственный интеллект инструментом сохранения и преподавания казахского языка, а проект с OpenAI показывает, как это выглядит на практике: данные собирают и приводят в порядок для обучения. Цифры проекта — 14 млрд токенов, 12 тыс. часов речи, 98% точности — это отчёт самого исполнителя, независимой оценки качества пока нет.
Кому это выгодно: По словам Президента, изучающим и преподающим государственный язык и переводчикам научной литературы. Кенжеханулы добавил, что улучшенная модель будет полезна и пользователям на других языках, которых интересует история и культура Казахстана. Какие выгоды получает OpenAI, условия соглашения не раскрывают.
Бэкграунд: Международное общество «Қазақ тілі» — общественная организация, которая занимается развитием казахского языка. Qazaq Tili Endowment — фонд целевого капитала: так называют эндаумент, доход от которого идёт на уставные цели.
Ранее мы также писали о том, как Хуанг предложил сделать Казахстан хабом физического ИИ.
