Naujienos

Lietuvių kalbos ištekliai naujiems lietuviškiems dirbtinio intelekto produktams kurti

2026 07 08

Liepos 1 d. Lietuvos mokslų akademijoje (LMA) įvyko viešas renginys „Lietuvių kalbos ištekliai dirbtiniam intelektui: rezultatai ir prieiga“, kuriame pirmą kartą plačiajai auditorijai pristatyti per pastaruosius kelerius metus Lietuvoje sukurti lietuvių kalbos skaitmeniniai ištekliai, skirti dirbtinio intelekto sprendimams kurti. Renginį organizavo Lietuvos dirbtinio intelekto asociacijos prezidentas dr. Linas Petkevičius kartu su LMA Technikos mokslų skyriaus pirmininku akad. Gintautu Dzemyda.

Akad. Gintautas Dzemyda, dr. Darius Amilevičius ir dr. Linas Petkevičius.

Pagrindinis renginio tikslas – pristatyti sukurtus lietuvių kalbos išteklius, užtikrinti jų platesnį viešinimą ir paskatinti aktyvų naudojimą mokslo, verslo ir viešojo sektoriaus bendruomenėse.

Iš viso įgyvendinta 16 projektų, kurių bendra finansavimo suma siekia daugiau kaip 25,6 mln. eurų. Projektų metu sukurti bendrieji ir specializuoti tekstynai, garsynai, kalbos modeliai, ontologijos bei kiti skaitmeniniai ištekliai sudarys ilgalaikį pagrindą tiek moksliniams tyrimams, tiek viešojo sektoriaus skaitmenizavimui, tiek verslo kuriamiems inovatyviems produktams. Tikimasi, kad šie rezultatai paskatins naujų lietuviškų dirbtinio intelekto produktų atsiradimą, spartesnę kalbos technologijų plėtrą ir glaudesnį mokslo, valstybės bei verslo bendradarbiavimą. Po renginio visi sukurti ištekliai taip pat turi ir atvirą prieigą.

Renginio dalyviai.

Pranešimų sesijoje dr. Gediminas Navickas (Vilniaus universitetas) pristatė projektą „Lietuvių kalbos garsyno vystymas (šnekos atpažinimo tikslams)“. Įgyvendinant projektą sukurtas didelės apimties anotuotas lietuvių kalbos garsynas, skirtas šnekos atpažinimo technologijoms. Šis kalbinis išteklius sudarys prielaidas kurti tikslesnius lietuvių kalbos šnekos atpažinimo modelius ir plėtoti inovatyvias skaitmenines paslaugas.

Nuoroda: https://data.gov.lt/datasets/5367/?resource_version=4493

Dr. Erika Rimkutė (Vytauto Didžiojo universitetas) pristatė projektą „Morfologiškai ir sintaksiškai anotuotų tekstynų modeliai apmokymui“. Įgyvendinant projektą sukurtas 10 mln. žodžių apimties morfologiškai ir sintaksiškai anotuotas tekstynas, skirtas kalbos technologijų įrankiams ir neuroniniams modeliams mokyti. Šis tekstynas yra vienas svarbiausių bazinių išteklių, reikalingų lietuvių kalbos natūraliosios kalbos apdorojimo (NLP) sistemoms kurti ir tobulinti.

Nuoroda: https://clarin-repo.lt/items/6d76cc64-2192-4081-94ba-2dc5664968b4

Hugging Face: https://huggingface.co/datasets/VytautoDidziojoUniversitetas/LT_Morphosyntax_Corpus_SIMAS

Dr. Danguolė Kalinauskaitė (Vytauto Didžiojo universitetas) pristatė du projektus, skirtus automatiniam asmens duomenų anonimizavimui ir lietuviškų santraukų generavimo modeliams mokyti. Vienas jų – projektas „Nuasmeninimo tekstyno sukūrimas“.

Hugging Face: https://huggingface.co/datasets/VytautoDidziojoUniversitetas/NUS-LT-PII-corpus

Kitas projektas – „Santraukų tekstynai dirbtiniam intelektui“.

Hugging Face: https://huggingface.co/datasets/VytautoDidziojoUniversitetas/LT_Summarisation_Corpus

Hugging Face: https://huggingface.co/VytautoDidziojoUniversitetas/NUS-LT-PII-xlm-roberta-large

Dr. Agnė Čepaitienė ir Marius Glebus (Lietuvių kalbos institutas) pristatė projektą „Kalbos paveldo transformacija ir lietuvių kalbos erdvinių duomenų išteklių sukūrimas“, kurį įgyvendinant plėtojami skaitmeniniai lietuvių kalbos paveldo ištekliai ir kuriami nauji erdvinių kalbos duomenų analizės įrankiai.

Nuoroda: https://clarin-repo.lt/search?f.author=Institute%20of%20the%20Lithuanian%20Language,equals

Nuoroda: https://atviri-duomenys.lki.lt/

Didžiausią projektų grupę pristatė dr. Darius Amilevičius, Valstybės skaitmeninių sprendimų agentūros Skaitmeninių iniciatyvų skyriaus patarėjas. Savo pranešime jis apžvelgė vienuolika projektų, iš kurių vienas – „Bendrasis lietuvių kalbos tekstynas ir vektorizuoti modeliai“. Įgyvendinant šį projektą kuriamas didelės apimties bendrasis lietuvių kalbos tekstynas ir iš anksto apmokyti neuroniniai kalbos modeliai, skirti dirbtinio intelekto sprendimams kurti ir moksliniams tyrimams vykdyti.

Hugging Face: https://huggingface.co/datasets/VSSA-SDSA/LT_AI_BLKT

„Melagingos informacijos automatinio identifikavimo tekstynas“. Kuriamas anotuotas tekstynas, skirtas sistemoms, automatiškai atpažįstančioms klaidinančią ir melagingą informaciją interneto žiniasklaidoje, kurti.

Hugging Face: https://huggingface.co/datasets/VSSA-SDSA/LT_AI_FakeNews_Dataset

„Vienkalbių ir daugiakalbių tekstynų atnaujinimas“.Atnaujinami lietuvių ir kitų kalbų tekstynai, kurie sudarys pagrindą mašininio vertimo ir kitų daugiakalbių dirbtinio intelekto sistemų kūrimui bei tobulinimui.

Hugging Face:https://huggingface.co/datasets/VSSA-SDSA/LT_MT_renC

„Daugiakalbių ir vienkalbių tekstynų sukūrimas“. Sukurti nauji lygiagretieji ir vienkalbiai tekstynai su ukrainiečių, norvegų, švedų, danų ir ispanų kalbomis, papildantys lietuvių kalbos daugiakalbius išteklius ir sudarantys prielaidas kurti bei tobulinti kalbos technologijų sprendimus.

Hugging Face:https://huggingface.co/datasets/VSSA-SDSA/LT_MT_newC

„Sintetinių lygiagrečių tekstynų sukūrimas“. Sukurti sintetiniai lygiagretūs tekstynai, skirti mašininio vertimo sistemų kokybei gerinti ir jų veiksmingumui didinti.

Hugging Face: https://huggingface.co/datasets/VSSA-SDSA/LT_MT_synC

„Žmogaus fenotipo ontologijos lietuvių kalba sukūrimas“. Parengta lietuviška žmogaus fenotipo ontologija, kuri yra svarbus išteklius medicinos informacinėms sistemoms ir dirbtinio intelekto sprendimams kurti.

Hugging Face: https://data.gov.lt/datasets/4760/resource/19208

„Lietuvių kalbos medicinos garsynas“. Sukurtas specializuotas medicinos srities garsynas, skirtas šnekos atpažinimo modeliams kurti ir tobulinti.

Hugging Face: https://huggingface.co/datasets/VSSA-SDSA/LT_Medical_S_corpus

„Lietuvių kalbos garsynas (neuroninių balsų generavimo ir šnekos sintezės tikslams)“. Sukurtas lietuvių kalbos garsynas, sudarantis pagrindą neuroninių balsų generavimo technologijoms ir aukštos kokybės šnekos sintezės sprendimams kurti.

Nuoroda: https://data.gov.lt/datasets/4929/?resource_version=4061

„Medicinos vienkalbis ir lygiagretieji tekstynai“. Sukurti specializuoti medicinos srities vienkalbis ir lygiagretieji tekstynai, skirti mašininio vertimo sistemoms ir medicinos dirbtinio intelekto sprendimams kurti bei tobulinti.

Nuoroda: https://data.gov.lt/datasets/4734/

„Gynybos ir saugumo vienkalbiai ir lygiagretieji tekstynai“. Sukurti specializuoti gynybos ir saugumo sričių tekstynai, skirti vertimo, kalbos analizės ir kitų kalbos technologijų sprendimams kurti.

Nuoroda: https://data.gov.lt/datasets/4735/?resource_version=3867

„Klausimų ir atsakymų porų tekstynas“. Sukurtas viešai prieinamas klausimų ir atsakymų tekstynas, sudarantis prielaidas kurti ir tobulinti pokalbių sistemas bei generatyvinio dirbtinio intelekto modelius.

Hugging Face: https://data.gov.lt/datasets/4927/?resource_version=4059

Dr. Gediminas Navickas, dr. Darius Amilevičius, dr. Agnė Čepaitienė ir Marius Glebus.

Šie projektai apima bendrosios paskirties ir specializuotus tekstynus, garsynus, kalbos modelius, ontologijas bei kitus išteklius, skirtus generatyvinio dirbtinio intelekto, mašininio vertimo, informacijos paieškos, šnekos technologijų ir kitų lietuvių kalbos sprendimų kūrimui bei plėtrai.

Parengė Vilniaus universiteto docentas dr. Linas Petkevičius ir LMA Technikos mokslų skyriaus vyriausioji koordinatorė Valerija Paškauskienė
Virginijos Valuckienės nuotraukos

GALERIJA