Jazykové technológie, označované aj ako technológie ľudského jazyka (po anglicky human language technology, skratka HLT), sú multidisciplinárny vedecký a technologický odbor, ktorý sa zaoberá skúmaním a vývojom systémov schopných spracúvať, analyzovať, vytvárať a chápať ľudské jazyky v písanej aj hovorenej podobe. Skúmajú teda metódy, akými počítačové programy alebo elektronické zariadenia dokážu analyzovať, vytvárať, upravovať ľudské texty a reč alebo na ne reagovať. Odbor spája jazykovedu, informatiku a najmä umelú inteligenciu, matematiku a psychológiu.

Označenia počítačová lingvistika, spracovanie prirodzeného jazyka a jazykové technológie sa v praxi používajú ako blízke synonymá. Počítačová lingvistika vychádza vo väčšej miere z jazykovedy, spracovanie prirodzeného jazyka z informatiky a termín jazykové technológie sa považuje za najneutrálnejší. Spracovanie jazyka je náročná úloha, pretože jazyk podlieha viacerým interpretáciám (viacznačnosť) a jeho dekódovanie si vyžaduje znalosť kontextu a sveta, pričom ten istý význam možno vyjadriť rôznymi prostriedkami (variantnosť).

Hlavné oblasti K základným aplikačným oblastiam odboru patrí spracovanie textu (napríklad určovanie slovných druhov a syntaktická analýza), rečové technológie (syntéza reči z textu, automatické rozpoznávanie reči a rozpoznávanie hovoriaceho), strojový preklad, získavanie a vyhľadávanie informácií, generovanie prirodzeného jazyka vrátane sumarizácie a zjednodušovania textu, ako aj interakcia človeka s počítačom, ktorej najznámejšou aplikáciou sú konverzační roboti. V praxi sa jazykové technológie čoraz viac využívajú aj pri automatizácii spracovania dokumentov, kde umožňujú inteligentné vyťažovanie dát z textov a automatické generovanie štruktúrovaných formulárov a šablón. Jazykové technológie sú prítomné v mnohých oblastiach každodenného života, napríklad pri prediktívnom písaní na klávesniciach mobilných telefónov, pri kontrole pravopisu alebo pri používaní internetových vyhľadávačov.

Vývoj Za historického predchodcu rečových technológií sa pokladá hovoriaci stroj Wolfganga Kempelena. Jeho kniha Mechanismus der menschlichen Sprache z roku 1791 a v nej opísaný stroj majú veľký historický význam pre fonetické vedy a osobitné postavenie vo výskume generovania reči.

Za východiská odboru v modernom zmysle sa označujú Turingova práca o mysliacich strojoch z roku 1950 a Chomského generatívna gramatika z roku 1957. Výbor ALPAC v správe z roku 1966 konštatoval, že strojový preklad je pomalší, menej presný a dvakrát drahší ako preklad človekom. Správa prakticky ukončila výskum strojového prekladu v Spojených štátoch na vyše desaťročie.

Prvý rozmach zaznamenali jazykové technológie v 90. rokoch 20. storočia, keď vznikali rozsiahle jazykové zdroje, napríklad anotované korpusy a tezaury. Pravidlové systémy neskôr nahradili systémy učiace sa z príkladov a v období po roku 2010 sa presadili viacvrstvové neurónové siete, ktoré sa dokážu naučiť spojité vektorové reprezentácie slov z veľkého množstva neoznačených dát. V roku 2017 bola predstavená architektúra transformer. Veľké jazykové modely dosahujú výsledky aj v odborných doménach. Model Med-PaLM napríklad dosiahol pri otázkach v štýle skúšky US Medical Licensing Exam úspešnosť 67,6 %, hoci hodnotenie ľuďmi odhalilo aj podstatné medzery.

Nerovnomerná podpora jazykov Pre mnohé menej rozšírené jazyky sveta je základom technologickej podpory to, aby ich komunity mali k dispozícii písma, rozloženia klávesnice a kódovanie textu, vďaka ktorým sa dá ich jazyk zapisovať na počítačoch a mobilných zariadeniach. Z približne 7 000 jazykov sveta sa podľa analýzy Andrása Kornaia dokáže do digitálnej sféry presunúť menej ako 5 %, čo autor označuje ako digitálne vymieranie jazykov.

Jazykové technológie pre slovenčinu

Zdroje a nástroje Hlavnou inštitúciou, ktorá dlhodobo zhromažďuje a spracúva jazykové dáta a nástroje pre slovenčinu, je oddelenie Slovenského národného korpusu Jazykovedného ústavu Ľ. Štúra SAV. Slovenský národný korpus je súhrnný názov pre sériu na seba nadväzujúcich národných projektov, ktoré prebiehajú od roku 2002 a okrem hlavného korpusu zahŕňajú aj paralelné, hovorené, nárečové a historické korpusy a lexikografické databázy. Verejne prístupná verzia hlavného korpusu prim-11.0 sprístupnená v roku 2025 obsahuje 1 859 miliónov tokenov, čo zodpovedá 1 494 miliónom slov. Popri korpusoch SNK vznikli aj webové korpusy z rodiny Aranea, ktorých slovenským komponentom je Araneum Slovacum.

Keďže slovenčina je od roku 2004 úradným jazykom Európskej únie, podstatnú časť voľne dostupných paralelných dát tvoria oficiálne preklady dokumentov Únie. Ich jazyk je však tematicky jednotvárny a obmedzený na úzky okruh domén, slovnej zásoby a štýlov.

Podľa správy projektu European Language Equality sú pre slovenčinu pokryté všetky základné stavebné bloky spracovania prirodzeného jazyka vrátane lematizácie, plnej morfologickej analýzy a syntaktickej analýzy. Tieto nástroje sú však často menej kvalitné a dosahujú nižšiu presnosť, výber medzi viacerými implementáciami tej istej úlohy býva obmedzený a nízka je aj dostupnosť bezplatných a otvorených nástrojov a dát, keďže väčšina zdrojov je uzavretá.

Modely a benchmarky Model SlovakBERT zverejnili Kempelenov inštitút inteligentných technológií (KInIT) a spoločnosť Gerulata Technologies. Podľa autorov ide o prvú prácu venovanú slovenským jazykovým modelom typu transformer a zároveň o prvý pokus vytvoriť benchmark pre slovenské jazykové modely. Spolu s modelom boli zverejnené aj doladené modely na určovanie slovných druhov, analýzu sentimentu a sémantickú textovú podobnosť. Model bol podľa správy z roku 2022 sprístupnený bez obmedzení, čo je v slovenskom prostredí skôr výnimkou.

Na systematické hodnotenie modelov vznikli slovenské benchmarky. Benchmark skLEP predstavený v roku 2025 pokrýva deväť úloh na úrovni tokenov, dvojíc viet aj celých dokumentov a priniesol prvé systematické porovnanie slovenských, viacjazyčných a anglických predtrénovaných modelov. Nadviazal na neho benchmark SkMTEB s 31 dátovými súbormi v siedmich typoch úloh, v rámci ktorého bolo vyhodnotených 31 modelov a zverejnená dvojica vektorových modelov e5-sk-small so 45 miliónmi parametrov a e5-sk-large s 365 miliónmi parametrov.

Rečové technológie a strojový preklad Podľa bielej knihy z roku 2012 prebiehal výskum rozpoznávania reči pre slovenčinu na niekoľkých univerzitách a výskumných pracoviskách, množstvo voľne dostupných nástrojov a dát však bolo obmedzené a syntéze reči sa venovalo podstatne menej pracovísk. Podľa hodnotenia z roku 2022 rozpoznávanie aj syntéza reči pre slovenčinu zo strany veľkých komerčných poskytovateľov fungujú prijateľne, ich kvalita a presnosť však výrazne zaostávajú za väčšími európskymi jazykmi.

Porovnanie štatistického a neurónového strojového prekladu publicistických textov z angličtiny do slovenčiny ukázalo štatisticky významne lepšie výsledky neurónového prekladu, a to podľa všetkých hodnotených skóre BLEU_n. Prvé hodnotenie anglicko-slovenského strojového prekladu profesionálnymi prekladateľmi zistilo najviac chýb v oblasti lexikálnej sémantiky a syntakticko-sémantickej súvzťažnosti. Strojový preklad medzi slovenčinou a angličtinou je podľa správy z roku 2022 už použiteľný ako východisko pre následné úpravy profesionálnym prekladateľom, kým preklady z iných jazykov a do nich dosahujú nižšiu kvalitu.

Úroveň podpory Prvé systematické hodnotenie technologickej podpory slovenčiny prinieslo v roku 2012 vydanie bielej knihy siete META-NET s názvom Slovenský jazyk v digitálnom veku. Pripravil ju autorský kolektív z Jazykovedného ústavu Ľ. Štúra SAV, Ústavu informatiky SAV, Technickej univerzity v Košiciach a ďalších pracovísk a hodnotila podporu 30 európskych jazykov na päťstupňovej škále od vynikajúcej po slabú alebo žiadnu. Podľa jej záverov existuje na Slovensku kvalitné prostredie pre lingvistický výskum, technologický priemysel sa však dostatočne nerozvinul a vo financovaní výskumu a rozvoja chýba kontinuita.

Nadväzujúce hodnotenie projektu European Language Equality z roku 2022 zaradilo slovenčinu do skupiny jazykov s čiastočnou podporou, a to na jej spodnú hranicu v porovnaní s češtinou, poľštinou a maďarčinou. Akčný plán digitálnej transformácie Slovenska na roky 2019 až 2022 obsahoval samostatnú časť venovanú spracovaniu prirodzeného jazyka, bola však formulovaná veľmi všeobecne a bez konkrétnych krokov, pričom termín stanovený na koniec roka 2020 nebol splnený.

Národným kompetenčným centrom pre jazykové technológie je pre Slovensko Jazykovedný ústav Ľ. Štúra SAV. Podľa jeho profilu na platforme European Language Grid na Slovensku neexistuje program financovania jazykových technológií a priemysel zameraný na ich vývoj je zriedkavý. Odborným fórom domácej komunity je medzinárodná konferencia SLOVKO venovaná spracovaniu prirodzeného jazyka a korpusovej lingvistike, ktorú organizuje oddelenie Slovenského národného korpusu. Jej trinásty ročník sa konal v októbri 2025 v Bratislave.

Pozri aj Strojový preklad Rozpoznávanie reči Slovenský národný korpus Umelá inteligencia

Referencie

Externé odkazy Slovenský národný korpus European Language Grid European Language Equality Language Technology Lab, Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)

Kategória:Počítačová lingvistika Kategória:Umelá inteligencia Kategória:Jazykoveda