Jazyky AI: Súčasné jazykové modely ovládajú angličtinu takmer dokonale, ale u menej rozšírených jazykov je situácia výrazne odlišná. Nezáleží pritom len na počte hovoriacich – rozhodujúci je objem digitálnych dát, dostupnosť kvalitných korpusov a typologická zložitosť jazyka.
Prečo sú niektoré jazyky pre AI ľahšie
Základným faktorom je množstvo trénovacích dát. Angličtina má k dispozícii rádovo viac digitalizovaných textov než akýkoľvek iný jazyk. To umožňuje modelom naučiť sa nielen slovnú zásobu, ale aj jemné stylistické nuansy, idiomy a kontextové významy.
Druhým faktorom je typologická príbuznosť. Germánske a románske jazyky (nemčina, španielčina, francúzština) sú si štruktúrne blízke, takže modely trénované na angličtine sa ľahšie prenášajú na tieto jazyky. U jazykov s odlišnou gramatikou, ako sú aglutinačné jazyky (maďarčina alebo turečtina), je prenos znalostí výrazne náročnejší.
Tretím faktorom je písmo (skript). Štúdia Meta Superintelligence Labs ukázala, že u modelov s nelatinským písmom (arabčina, hindčina, kórejčina) je až dvojnásobne vyššia pravdepodobnosť, že logické uvažovanie nepodporí ich závery. To naznačuje, že modely môžu v nelatinských jazykoch dochádzať k správnym odpovediam nesprávnym spôsobom uvažovania.
Aké jazyky sú pre AI najťažšie
Maďarčina je pre AI jedným z najťažších jazykov. Je to aglutinačný jazyk so 14 pádmi, flexibilným slovosledom a rozsiahlym systémom prípon. NMT modely majú problémy s morfologickou segmentáciou a zachovaním gramatických vzťahov, najmä pri prekladoch z angličtiny. Problémy vznikajú pri dlhých reťazcoch prípon, slovesných prefixoch a zhode.
Turečtina a finština sú podobne štruktúrované a zdieľajú rovnaké problémy – obmedzená dostupnosť paralelných korpusov a aglutinačný charakter spôsobujú, že aj moderné NMT systémy produkujú kostrbné preklady.
Jazyky s nelatinským písmom (arabčina, hindčina, kórejčina, japončina, thajčina) vykazujú výrazne vyššiu mieru chýb v uvažovaní. Model môže odpovedať správne, ale jeho logické odôvodnenie je chybné alebo obsahuje nepodložené tvrdenia. Pri nelatinských skriptoch je tzv. Trace Inconsistency Rate (miera nezrovnalosti medzi uvažovaním a odpoveďou) až dvojnásobná.
Čeština a slovenčina – stredná kategória
Čeština a slovenčina patria medzi jazyky so strednými až dobrými zdrojmi. BenCzechMark, prvý komplexný český benchmark, ukázal, že modely ako o4-mini dosahujú v češtine priemernú presnosť 85 %. To je porovnateľné s výkonom v nemčine alebo španielčine.
Problémy však pretrvávajú pri špecifických gramatických javoch. Používanie siedmich pádov a rodu, kde čeština nemá členy, spôsobuje modelom ťažkosti, najmä pri náročnejších úlohách. V slovenčine je situácia obdobná, aj keď množstvo dostupných dát je menšie.
Problém nastáva aj pri otázkach zameraných na lokálne znalosti. Štúdia MultiLoKo ukázala, že u modelov môže byť rozdiel medzi výkonom na anglických dátach a lokálne relevantných dátach až 20 percentuálnych bodov. To znamená, že aj v češtine si model poradí horšie, ak sa pýtate na české reálie.
Problémy, ktoré modely robia
Jazykové zmätie (language confusion) je častý jav. Modely odpovedajú v inom jazyku, než bol dotaz, najmä pri nelatinských skriptoch. Aj silné modely ako GPT-4 alebo Claude občas zlyhávajú pri krížovom generovaní – napríklad na arabský dotaz odpovedia čiastočne anglicky. Príčinou je, že modely „premýšľajú“ primárne v angličtine a následne prekladajú, čo vedie k chybám.
Zlyhania v uvažovaní sú ďalším problémom. Modely môžu v slabo podporovanom jazyku dospieť k správnej odpovedi, ale ich uvažovanie je chybné alebo obsahuje nepodložené tvrdenia. Pri nelatinských skriptoch je tento problém dvakrát častejší.
Evolúcia prekladačov: Od skomolenín k plynulosti
Google Translator začínal v roku 2006 ako štatistický strojový preklad (SMT). Výsledky boli často kostrbné a nesrozumiteľné. U jazykov typologicky vzdialených od angličtiny, ako sú turečtina, japončina alebo arabčina, boli preklady často nesúdržné a plné syntaktických chýb.
Zlom nastal v roku 2016 s prechodom na neuronové strojové preklady (NMT). Google oznámil, že GNMT znížil chybovosť o 55–85 %. Používatelia pocítili posun od „dá sa to odhadnúť“ k „dá sa to použiť“. NMT prekladá celé vety ako celok, nie po častiach. V roku 2025, keď GT prebral model Gemini, sa preklady začali vyznačovať aj prirodzenou intonáciou a tempom.
Dnešné AI modely však stále vyžadujú korektúru, najmä pri odborných textoch alebo idiomoch. NMT produkuje plynulejšie, ale občas obsahovo nepresné preklady.
Kedy je kontrola rodeného hovorcu nevyhnutná
Po prvé u jazykov s malým počtom hovoriacich a minimom dát (napr. maďarčina, finština, turečtina, arabčina), kde modely často halucinujú. Po druhé u odborných a kultúrne špecifických textov, kde pri otázkach na lokálne znalosti môže byť rozdiel až 20 percentuálnych bodov. Po tretie pri problémoch s dezinformáciami, pretože modely generujú viac dezinformácií v jazykoch, kde je menej kvalitných zdrojov.
Pre bežnú komunikáciu v češtine, angličtine, nemčine alebo španielčine sa na AI dá spoľahnúť. U menších jazykov – a pri akomkoľvek odbornom obsahu – je však kontrola rodeným hovorcom nevyhnutná.