Tabloid ili Andrićeva rečenica: Kako da srpski AI ne nauči pogrešan srpski

Sve je zapravo idealno, samo što pravilnik o tome ko proverava nosivost mosta, ko potpisuje odgovornost i ko zaustavlja radove ako konstrukcija nije bezbedna - još nije gotov.

Tako izgleda i trenuta situacija povodom pokretanja jezičkog modela veštačke inteligencije za srpski budući da u Srbiji još uvek nije usvojen ni zakon o veštačkoj inteligenciji.

Nije pitanje da li nam je potreban taj model jer u svetu u kome mašine već posreduju u obrazovanju, administraciji, medijima i kulturi, jezik bez sopstvene digitalne infrastrukture počinje da živi kao podstanar u tuđim sistemima.

Pitanje je kako sprečiti da dobijemo model koji se zove srpski, a postane pravno nejasan, žanrovski iskrivljen, jezički neuravnotežen i institucionalno neproverljiv.

Veliki jezički model nije rečnik, enciklopedija ni bibliotečki katalog. On ne razume kao čovek, ali iz ogromne količine tekstova uči obrasce jezika toliko uverljivo da to često liči na razumevanje: šta zvuči stručno, šta službeno, šta intimno, šta kao vest, šta kao književna rečenica, šta kao argument, a šta kao naređenje. Ne uči on samo padeže i red reči. Uči i šta je u jednom jeziku verovatno, normalno, autoritativno, pristojno...

Projekat bez zakonskog okvira

Srbija razvija veliki nacionalni jezički model veštačke inteligencije i u tom smislu potpisan je protokol između Kancelarije za IT i eUpravu i više od deset institucija i medija među kojima su i Narodna biblioteka Srbije, UB "Svetozar Marković", "Politika", RTS, SANU... Naše najuglednije institucije su, dakle, potpisale protokol i otpočele sa projektom za koji uopšte ne postoji ni zakonski okvir!

Da se već otpočelo sa realizacijom, svedoči i jedan održani seminar stalnog stručnog usavršavanja za bibliotekare u Srbiji, posvećen razvoju srpskog jezičkog modela. Tom prilikom prikazan je slajd sa predloženim prioritetima tekstualnog korpusa na kome bi srpski jezički model trebalo da bude obučavan: savremena književnost od 2000. do 2024. godine, dnevne novine iz poslednjih dvadeset godina, naučni časopisi, književnost 20. veka, stručna literatura, udžbenici i književnost 19. veka. Na prvi pogled, to deluje kao plan dobro organizovane biblioteke. Ali jezički model nije polica u biblioteci. On će iz tekstova učiti.

Savremena književnost može biti primamljiv izvor savremene jezičke složenosti, ali nije i "najčistiji jezik". Ona je možda najsvesnije oblikovan jezik, često krajnje ličan i stilizovan. Dnevne novine su neophodne za savremeni javni jezik, ali su poslednjih dvadeset godina one postale i arhiva tabloidnog pojednostavljivanja, propagande, medijskog nasilja, fabrikovane hitnosti. Naučni časopisi donose terminologiju, ali nisu sve oblasti jednako razvijene na srpskom, niti su svi časopisi istog kvaliteta. Udžbenik nije svet; on je pedagoški kompromis. Književnost 19. veka nije samo arhaika, nego temelj modernog srpskog jezika - ali ako je pogrešno doziramo, model može govoriti učeno, a savremeno nespretno.

Problem, dakle, nije da li ti izvori treba da uđu. Treba. Problem je u kojim razmerama, pod kojim pravnim osnovom, sa kakvim oznakama i ko o tome odlučuje.

Pitanje dva pisma

Nije isto da li AI model srpskog jezika uči iz parlamentarnih stenograma, tabloidnih naslova, sudskih presuda, udžbenika, naučnih radova, Andrićeve rečenice ili političke pamfletistike. Sve su to tekstovi. Svi imaju gramatiku. Ali ne nose isti svet. Jedni uče model nijansi, drugi pokliču. Jedni ga privikavaju na argument, drugi na optužbu. Ako se sve to samo ubaci u istu mašinu bez oznaka, razmera i javne provere, ne dobijamo bogatstvo jezika, nego kašu registara.

Kada kažemo npr. "uzećemo Andrića", "uzećemo Crnjanskog", "uzećemo savremenu književnost", šta tačno mislimo? Andrić je umro 1975. godine; u Srbiji imovinska autorska prava traju za života autora i sedamdeset godina posle njegove smrti. Andrić, dakle, nije javni domen. Nije sirovina. On je autor, stil, pravo, kulturna institucija i istorijski kontekst.

Posebno pitanje su dva pisma. Srpski model koji slabo radi na ćirilici nije dobar srpski model. Ali model koji slabo radi na latinici takođe nije dobar srpski model. Ako latinički srpski ne bude dovoljno zastupljen, jasno označen i posebno testiran, model ga može približavati susednim latiničnim korpusima - hrvatskom, bosanskom, crnogorskom. Tako bismo dobili apsurd: model koji formalno čuva srpski jezik, a u praksi ne prepoznaje jedan od načina na koji Srbi pišu srpski.

Slovenija na primer nije još završila put stvaranja svog jezičkog modela, ali je javnosti pokazala mapu: govori se o podacima, izvorima, ograničenjima, pravima. Hrvatska takođe svoj projekat opisuje jezikom korpusa, tokena i evaluacije. Ako drugi govore jezikom izvora, prava, testova i odgovornosti, zašto bismo se mi zadovoljili jezikom protokola?

Posebno je pitanje kako će u nacionalnom jezičkom modelu biti uređen bibliografski sloj. Pun tekst može stići direktno od izdavača, medija, časopisa ili institucija, ali tekst sam po sebi nije dovoljna garancija da znamo šta je pred nama. Neko mora pouzdano da utvrdi autora, naslov, izdanje, godinu, izdavača, jezik, pismo, da li je reč o originalu ili prevodu, kao i pravni status teksta - sme li u trening modela ili samo u pretragu. Ako ti podaci ne budu provereni i povezani sa stabilnim identifikatorima, normativnim zapisima, UDK-om i predmetnim odrednicama gde postoje, ne dobijamo nacionalni korpus, nego gomilu tekstova bez pouzdane lične karte. Jezički model može učiti iz punog teksta, ali bez bibliotekarske kontrole nećemo znati šta smo mu tačno dali da čita.

Neophodna javna evaluacija

Šta se, dakle, traži? Ne rušenje projekta. Upravo suprotno: da se projekat uzme dovoljno ozbiljno. Potrebna je javna povelja korpusa: dokument o tome koji izvori ulaze, u kojim razmerama, pod kojim pravnim osnovom, u kom odnosu pisama, izgovora, registara, perioda i žanrova. Potrebno je nezavisno radno telo, ne dekorativni savet uglednih imena. Potrebna je javna evaluacija: kako model radi na ćirilici, kako na latinici, gde halucinira, koji registar favorizuje, šta radi sa dijalektima, kako razlikuje latinički srpski od susednih jezika.

Srpski jezički model ne treba zaustaviti. Treba ga spasiti od lakoće kojom kod nas veliki javni poslovi izmiču zakonima, pretvaraju se u nečiji "lični" projekat, nečiju prezentaciju, nečiji dogovor i NIČIJU odgovornost.

Prva verzija srpskog jezičkog modela ne mora biti savršena, ali mora biti odgovorna. Ona mora javno pokazati iz kojih je izvora učila, pod kojim pravnim osnovom, kako radi na ćirilici i latinici, ekavici i ijekavici, gde greši i ko je zadužen da se te greške ispravljaju. Jer prva verzija nije samo tehnički početak, nego presedan: ako sada prihvatimo nejasan korpus, maglovita prava i neproverene rezultate, svaka sledeća verzija naslediće i podatke i naviku neodgovornosti. Srpski jezički model ne treba zaustaviti, ali ne sme mu se dozvoliti da se pojavi kao autoritet bez objašnjenja i odgovornosti. Ako će mašina učiti da govori srpski, javnost mora znati zašto još nije donesen zakon o AI, ko superkompjuteru daje tekstove, ko im je odredio meru jezika i kome se obraćamo kada ta mera bude pogrešna?