MLCommons und Hugging Face veröffentlichen umfangreiches Sprachdatenset für KI-Forschung

MÜNCHEN (IT BOLTWISE) – In einer bedeutenden Zusammenarbeit haben MLCommons und Hugging Face eines der weltweit größten Sprachdatensets für die KI-Forschung veröffentlicht. Dieses Vorhaben zielt darauf ab, die Entwicklung von Sprachtechnologien zu fördern und die globale Kommunikation zu verbessern.

Die Veröffentlichung des Datensets “Unsupervised People’s Speech” durch MLCommons und Hugging Face markiert einen wichtigen Schritt in der KI-Forschung. Mit über einer Million Stunden an Sprachaufnahmen in mindestens 89 Sprachen bietet es eine beispiellose Ressource für die Entwicklung von Sprachmodellen. Die Motivation hinter diesem Projekt ist es, die Forschung und Entwicklung in verschiedenen Bereichen der Sprachtechnologie zu unterstützen.

Ein zentrales Ziel ist es, die natürliche Sprachverarbeitung für Sprachen jenseits des Englischen zu fördern. Dies könnte die Verbreitung von Kommunikationstechnologien weltweit vorantreiben. Die Organisationen erwarten, dass die Forschungsgemeinschaft insbesondere in den Bereichen der Verbesserung von Sprachmodellen für ressourcenarme Sprachen, der Sprachsynthese und der Spracherkennung über verschiedene Akzente hinweg Fortschritte erzielen wird.

Allerdings birgt die Nutzung solcher Datensets auch Risiken. Ein zentrales Problem ist die potenzielle Voreingenommenheit der Daten. Da viele der Aufnahmen von Archive.org stammen, einer Plattform, die vor allem von englischsprachigen und amerikanischen Nutzern genutzt wird, sind die meisten Aufnahmen in amerikanisch akzentuiertem Englisch. Dies könnte dazu führen, dass KI-Systeme, die auf diesem Datenset trainiert werden, Schwierigkeiten haben, Englisch von Nicht-Muttersprachlern zu transkribieren oder synthetische Stimmen in anderen Sprachen zu erzeugen.

Ein weiteres Risiko besteht darin, dass einige der aufgenommenen Personen möglicherweise nicht wissen, dass ihre Stimmen für KI-Forschungszwecke genutzt werden, einschließlich kommerzieller Anwendungen. Obwohl MLCommons betont, dass alle Aufnahmen gemeinfrei oder unter Creative-Commons-Lizenzen verfügbar sind, besteht die Möglichkeit, dass Fehler gemacht wurden.

Eine Analyse des MIT hat gezeigt, dass viele öffentlich zugängliche KI-Trainingsdatensets keine ausreichenden Lizenzinformationen enthalten und Fehler aufweisen. Kritiker, darunter Ed Newton-Rex von der Non-Profit-Organisation Fairly Trained, argumentieren, dass es für die Ersteller von Inhalten eine unzumutbare Belastung darstellt, sich aus solchen Datensets herauszuhalten.

MLCommons hat sich verpflichtet, die Qualität des Datensets “Unsupervised People’s Speech” kontinuierlich zu verbessern. Dennoch sollten Entwickler bei der Nutzung dieser Daten Vorsicht walten lassen, um die potenziellen Schwächen zu minimieren.

• IT BOLTWISE® kostenlos auf Patreon unterstützen!
• Zur Startseite von IT BOLTWISE® für aktuelle KI-News!