Ағылшын тілі цифрлық кеңістіктегі негізгі тіл болып қала береді және Интернеттегі жалпыға қолжетімді контенттің жартысына жуығын құрайды. Ал басқа көптеген тілдердің цифрлық кеңістіктегі үлесі айтарлықтай төмен. 21 миллионнан астам халқы бар Қазақстанда кеңінен қолданылатын қазақ тілінің әлемдік веб-контенттегі үлесі Common Crawl 2026 деректеріне сәйкес небәрі 0,035% құрайды.
Халық санының аз болуы міндетті түрде күшті цифрлық қатысуды қалыптастыруға кедергі емес. Бұған Эстония жақсы мысал бола алады. Халқы небәрі 1,3 миллионға жуық болғанына қарамастан, эстон тілінің жалпыға қолжетімді веб-контенттегі үлесі 0,168% құрайды. Халық санына шаққанда, Эстониядағы бір адамға келетін жалпыға қолжетімді цифрлық деректер көлемі Қазақстанмен салыстырғанда шамамен 76 есе жоғары.
Жалпыға қолжетімді веб-деректердің болуы ерекше маңызды, өйткені заманауи жасанды интеллект технологияларының дамуы дәл осы деректерден басталады. Үлкен тілдік модельдер (LLM) және басқа да генеративті AI жүйелері ашық Интернеттен жиналған деректер арқылы оқытылады. Сондықтан цифрлық кеңістікте кеңінен ұсынылған тілдер қарқынды дамып келе жатқан жасанды интеллект экожүйесіне қатысу және оның мүмкіндіктерін пайдалану тұрғысынан анағұрлым қолайлы жағдайға ие.
Назарбаев Университетінің Ақылды жүйелер мен жасанды интеллект институтында (ISSAI) біз сапалы цифрлық қазақтілді ресурстардың — модельдер мен деректер жиынтықтарының — қолжетімділігін арттыру арқылы осы алшақтықты азайтуға жұмыс істеп келеміз.
Бұл жұмыстар Қазақстанда ғана емес, халықаралық ғылыми қауымдастық тарапынан да мойындалды. Association for Computational Linguistics (ACL) конференциясында Қазақстан цифрлық кеңістіктегі үлесінің өсуі және әртүрлі мультимодальды деректер жиынтықтарын дамытуы үшін «The Rising Star» ретінде аталып, ISSAI осы жетістіктің негізгі үлес қосушыларының бірі ретінде танылды.
ISSAI-дың Hugging Face және GitHub платформаларындағы ашық репозиторийлері жалпы алғанда Орталық Азиядағы AI модельдері мен деректер жиынтықтарының ең ірі ашық топтамасын құрайды. Қазіргі таңда оларда 18 ашық модель және 50 деректер жиынтығы бар.
Олардың қатарында қазақ тіліне арналған алғашқы үлкен тілдік модель KazLLM, қазақ тіліндегі LLM және Vision-Language модельдерін бағалауға арналған MMBench-Kazakh, MMLU_Redux_2.0_Kazakh және Beynele-Bench сияқты бенчмарктер, сөйлеуді тану және аударма технологиялары — Tilmash, KazakhTTS және KazakhTTS2, сондай-ақ Qolda-AVL және Beynele мультимодальды модельдері және басқа да әзірлемелер бар.
Бұл ресурстар қазақ тілін жаһандық цифрлық қауымдастық үшін барған сайын қолжетімді етіп, оның цифрлық дәуірдегі орнын нығайтуға ықпал етеді.
ISSAI модельдері мен деректер жиынтықтары 38 елдегі ұйымдар мен ғылыми мекемелер тарапынан 500 000-нан астам рет жүктеліп, халықаралық технологиялық компаниялардың, соның ішінде Meta, OpenAI, Qwen және DeepSeek, сондай-ақ Kaspi, Freedom, Beeline, Astana Hub және Halyk сияқты жетекші қазақстандық компаниялардың өнімдері мен қызметтеріне сәтті интеграциялануда.
ISSAI ресурстарын Қазақстанның жетекші жоғары оқу орындары — Назарбаев Университеті, әл-Фараби атындағы Қазақ ұлттық университеті, Astana IT University және Satbayev University, сондай-ақ шетелдік университеттер, соның ішінде National University of Singapore, Queen Mary University of London және MBZUAI жүктеп, пайдаланып келеді.
ISSAI «AI for Good» және «AI for Kazakhstan» қағидаттарына сәйкес жасанды интеллект модельдері мен деректер жиынтықтарын әзірлеу және оларды ашық түрде ұсыну арқылы қазақ тілін цифрландыруға өз үлесін қосуды жалғастырады.
Қорытындысында, қазақ тілінің цифрлық дәуірдегі болашағы ұжымдық күш-жігерге байланысты. Осыған орай ISSAI Қазақстандағы технологиялық компанияларды, ғылыми-зерттеу ұйымдарын және басқа да мүдделі тараптарды қазақ тіліне арналған деректер жиынтықтарын, модельдер мен басқа да цифрлық ресурстарды ашық түрде бөлісуге шақырады.
Мұндай ашық бастамалар болашақтағы ғылыми зерттеулерге, жаңа AI модельдерін әзірлеуге, сондай-ақ Қазақстан халқының игілігіне қызмет ететін инновациялық өнімдер мен қызметтерді дамытуға негіз болады. Сонымен қатар олар еліміздің цифрлық болашағын нығайтуға ықпал етеді.