Hizkuntzaren prozesamendu automatikoa eta hizkuntza eredu handiak dituzu ikergai eta aldi berean lanabes. Zer dira zehazki? 
Hasteko ez dakit ziur LLM Large Language Model nola itzuli beharko genukeen euskarara edo gaztelaniara. Hizkuntza eredu handiak izan daiteke, baina nik ingelesezko LLM erabiltzen dut gehien: Large Language Model. Gaur egun, ezagunenetakoa Chatgpt da, baina hor dago Latxa ere, Euskal Herrian sortutako eredua. AAren barruko eredu hauek, garai batean eskuz ikertzen genituen gauza asko modu berrietan aztertzera eraman gaituzte, eta gaitasun izugarria dute. AAren eredu hauek oso ondo hitz egiten dutela kontziente gara guztiok. Bai behintzat hizkuntzak banaka hartzen baditugu. Badirudi ondo ulertzen gaituztela, baina benetan ulertzen ote gaituzte? Eztabaida filosofikoagoa sortzen da hor, baina egia da oso ondo imitatzen gaituztela.

Madrildarra izanda, nola sortu zitzaizun AAren ereduen barruan euskara eta gaztelaniaren arteko kode aldaketa ikertzeko interesa? 
Betidanik izan ditudan gogo bi elkartu ditut, egia esan. Alde batetik hizkuntzen arteko kode aldaketa interesgarria iruditu zait beti. Ez da euskara eta gaztelaniaren artean bakarrik gertatzen, eta hizkuntzalaritza ikasten egon nintzenean aztertu izan nuen gai bat da. Agian, neu elebakarra izateak eraman ninduen halako gauzetan erreparatzera. Izan ere, elebakarrok ez dugu horretan pentsatzen egunerokotasunean. Jende elebidunarekin edo eleaniztunarekin elkartu arte pentsatu ez nuen zerbait da hizkuntzen arteko kode aldaketa. Hor hasi nintzen ohartzen, hitz egiterakoan hizkuntza bat baino gehiago elkartu daitezkeela eta fenomeno interesgarria iruditu zitzaidan. Beste alde batetik, nahiz eta karrera egin nuenean beste hizkuntza batzuk ikertu, banuen euskararekiko interesa ere. Nik hitz egiten nuen gaztelaniatik hain desberdina, eta aldi berean, Madrilen egonda, irisgarria zitzaidan hizkuntza da euskara.

Orduan, behin Euskal Herrira etorrita, tesirako gaia aukeratzen hasi nintzenean, pentsatu nuen inguru euskaldun batean errazago ikertuko nuela euskara eta gaztelaniaren arteko kode aldaketen inguruan, nahiz eta ni AAren barruan gertatzen denean zentratu. Gai polita da. Gainera, gure helburua euskara eta gaztelaniaren arteko kode aldaketa AAk modu naturalean egin dezakeen edo ez ikertzea da, baina baliabide gutxiago dituzten hizkuntzekin ari zarenean, euskara kasu, ezin duzu besterik gabe igerilekura salto egin. Euskara ardatz duten kode aldaketak ikertzen hasi baino lehen, baliabideak sortu behar dituzu ikerketarako, eta horretarako hizkuntza hegemonikoekin edo baliabide gehiago dituztenekin zer gertatzen den aztertzen hasi behar duzu. Behin hori ikertuta, ikasi duzuna erabili dezakezu hizkuntza txikiagoen ikerkuntzan.

Asko aldatzen du lan egiteko modua, euskara edo hegemonikoa ez den hizkuntza bat ardatz hartzeak?
Bai. Guk ikertu nahi duguna da, alde batetik, ea hizkuntza eredu handi hauek ondo ulertzen dituzten hizkuntza nahasketak. Badakigu gaztelaniaz ondo egiten dutela eta ingelesez ere bai, adibidez. Bada, aztertu nahi dugu biak nahastuta ea ondo ulertzeko gai diren. Kontua da hizkuntzak banan-banan hartuta hobeto moldatzen direla nahastuta baino. Oraindik ez dakigu ziur hori zergatik gertatzen den, baina badirudi, eredu hauek giza hizkuntza ulertzeko duten modua hizkuntzak banaka hartzeko entrenatuta daudela, eta orduan, hizkuntza horiek nahasten dituzunean okerrago erantzuten dutela.

Beste alde batetik, ikertu dugu zer gertatzen den haiek sortu behar dutenean hizkuntzen arteko nahasketa. Eta oraindik azken emaitzatik urruti bagaude ere, momentuz, esan dezakegu ez dutela hizkuntzen arteko kode aldaketa gizakiok egiten dugun bezain natural egiten. Euskara eta gaztelaniaren artean gertatzen denaren emaitzarik ez daukagu zenbakietan. Esan nahi nizuke ehuneko hainbestetan da naturala edo ez, baina dakidana da ez dutela kode aldaketa natural egiten. 

Beraz AAk ere baditu hutsuneak?
Eredu hauek hizkuntzak ez nahasteko entrenatuta daude. Ulertzen dut hori izan daitekeela, erabiltzaileak berariaz nahi ez badu, ez dagoelako hizkuntzak nahasteko beharrik. Hizkuntza bakarrean dabilen erabiltzaileari ez zaio komeni AAk hizkuntzak nahastu diezazkion. Horrek zaildu egiten du aldi bakoitzean hizkuntza bakarrean funtzionatzeko entrenatuta dagoen tresnak hizkuntzak nahastea, hala eskatzen diozunean ere. Aldi berean, interesgarria da funtzionatzeko modu horiek apurtzea. Daukagun arazorik handienetako bat da honen guztiaren garapenak daraman abiadura. Aste honetan ateratzen ditugun ondorioek ez dute erabat balio, hemendik astebetera askoz hobea den eredu bat plazaratu dutelako. Eta zuk astebete lehenago beste arkitektura bat zeukan eredu bat aztertu duzu. 

Ereduak entrenatzea esan dugunean, zertaz ari gara?
Gaur egungo eredurik komertzialenak hizkuntza mordo batekin entrenatuta daude. Horrek esan nahi du hizkuntza mordo bateko edukia maneiatzen dutela eta entrenatu egin direla: froga asko egin dira ereduekin hizkuntza horietan ondo funtziona dezaten. Badirudi, hainbeste hizkuntzarekin entrenatzen dituzunean, eredu hauek hitz egiteko modu berezia garatzen dutela haien kabuz, eta ez badituzu bideratzen litekeena da gure hizkuntzaren patroiak ez jarraitzea. Esate baterako, AAko eredu batek erabaki dezake kode aldaketan hitz bakoitza hizkuntza batean ematea. Guk hori ez dugu ulertuko. Orduan Chatgpt, esate baterako, hizkuntza bakarrean hitz egin diezazun entrenatuta dago. Erabiltzaileak nahi duen hizkuntzan, baina bakarrean batez ere. 

Hizkuntza eredu handi horiek entrenatu eta edukiz betetzen direla esan duzu. Nola eraikitzen da kode-aldaketa jasotzen duen corpus edo datu bilduma?
Hizkuntzalaritzan, esate baterako, gizakiak aztertu dezakeen datu kopurua daukazunean, ondorioak ateratzen has zaitezke. AA ereduekin ari zarenean, ostera, iturri asko aurkitu ditzakezu automatikoki. Guk eskatu diezaiokegu AAko eredu bati har dezala hitz bat, eta azken urteetan sare sozialetan zenbat eta nola erabili den esan diezagula. Orduan, agian ahozko hizkuntzaren transkribapenetan huts egiten dute ereduek, baina beste datu batzuk azkar eta ondo ematen dizkigute.

Zein alde daude corpusaren sorrera horretan hizkuntza hegemonikoak eta ez hegemonikoak aztertzean?
Halako ikerketa batean sartzen zarenean kontuan izan behar duzu hizkuntzak ez direla modu bakartuan existitzen, eta hizkuntzen arteko harremanak ez direla beti orekatuak. Agian, hizkuntza hegemonikoen artean kode aldaketak orekatuagoak dira eta askoz ere datu gehiagorekin ikertu dezakezu. 

Zuk uste duzu gaur egungo hizkuntza ereduek euskal hiztunon errealitatea islatzen dutela?
Ez nago ziur. Ereduen sorreran esango nuke Latxa bezalako eredu bat izateak laguntzen duela. Euskaraz pentsatutako eredu bat. Gero hori zenbateraino den ona euskararentzat? Ez da nire tesiaren helburuarekin zerikusirik duen hausnarketa, baina hausnarketa interesgarria da. Egia da naturaltasuna lortzea ez dela erraza, eta are zailagoa da ebaluatzea, baina pentsatu egin behar dugu hizkuntza bakoitzaren errealitatean, kulturan… Eredu hauek hizkuntza askotan hitz egiten dute, baina pentsatu, kultura anglosaxoian pentsatzen dute. Ikerketa asko egin dira zentzu horretan. Latxa ez dago entrenatuta euskaraz hitz egiteko bakarrik, euskaldunei hitz egiteko prestatua dago. LLM edo hizkuntza eredu handi asko daude oso ondo hitz egiten dutenak, baina zer esan nahi du horrek kulturalki edo hizkuntzari dagokionez? Uste dut ikertu egin beharko litzatekeela hiztunek zer nahi duten, eta zer bilatzen duten AAri galdetzen diotenean.

Zuek ereduak entrenatu egiten dituzue, ala aztertu bakarrik?
Nik zehazki ez, baina gure taldean badaude ikertzaile batzuk entrenatu ere egiten dituztenak. 

Ondo ulertu badizut, entrenatu hizkuntzaka egiten dira eta gero zure kasuan, aztertzen duzu nola salto egiten duten hizkuntza batetik bestera. Zein hutsune dituzte eredu horiek euskara bezalako hizkuntza ez hegemonikoekin lan egiteko?
Entrenatzen direnean muga asko daude hizkuntzari zein kulturari dagozkionak. Zuk ereduari galdera bat egiten badiozu, hark itzuliko dizu barruan daukan hizkuntzaren araberako erantzuna. Zuk euskaraz galdetzen badiozu, baina eredua benetan ingelesez pentsatzeko entrenatuta badago, agian botako dizu esaera bat ingeleseko esaera baten kalkoa dena, eta euskaraz ez du zentzurik izango. Gero eta gutxiago gertatzen da, hala ere.

Zergatik da hain zaila hizkuntza ez hegemonikoetan kalitatezko datuak aurkitzea?
Gehienetan, sarean modu automatikoan aurkitzen dituzten milioika datu erabiltzen dituzte ereduek. Orduan, garrantzitsua da hizkuntza bakoitzean dagoen datu kopurua. Euskararen kasuan egia da beste hizkuntza batzuek baino baliabide gutxiago dituela, baina hizkuntza gutxitua izateko, zoragarria da inplikatuta dagoen jende kopurua. Espero daitekeena baino eduki gehiago dago euskaraz. Datuak sortzeko kanpainak egiten direnean, inplikazioa handia da beti. Baliabide gutxi dituen hizkuntza da, argi dago, baina hiztunek konpromisoa daukate hizkuntzarekin, eta horretan bada desberdina. 

Zure tesiari erabilgarritasunik ikusten diozu hezkuntzan, komunikabideetan…? 
Momentu honetan ez diot ikusten ikerketa honi erabilgarritasunik. Gehiago da hizkuntza eredu handien funtzionamendua ulertzeko bide bat. Balioko du kode aldaketak ikertzen jarraitzeko tresna gisa. 

Momentuz badago ondorio garbirik egindako ikerketaren emaitzetan? 
Zehatz esateko gauza gutxi. Ondorio filosofiko gisa, esan dezaket, hiztun elebidun batek beti egingo duela bere hizkuntza bien arteko kode aldaketa naturalki. Bere eguneroko bizitzan gertatzen den gauza bat da. Ereduek ez dute hain natural egiten. Beraz, ikuspegi filosofiko batetik, eztabaida hor dago: ea ereduek gizakiaren moduan hitz egiteko gaitasunik duten. Hau honela ezin dudala esan esango didate… 

AA azkar ari da garatzen. Uste duzu iritsiko direla hizkuntzen kode aldaketa natural egitera?
Bai, hori uste dut. Ereduek datuetatik ikasten dute, eta pentsatu edo ez, oso ondo ikasten dituzte. Orduan, eredu batek kode aldaketa egin dezala nahi dugunean, horretarako beharrezko datuak sortu eta ereduari irakastea da gakoa. Horretarako, ereduen sorreran egin beharko da aldaketa. Azkar sortzen eta kaleratzen dira ereduak orain, eta ez dakit zein puntutaraino izaten diren kontuan egoera soziolinguistikoak. 

Garapen azkar horretan, ze arrisku ditu euskarak, eta zein neurri hartu beharko genituzke gaur egun, hemendik hamar urtera arazorik ez izateko? 
Honetan betikoa gertatzen da: behar ditudan tresnak hizkuntza hegemonikoan badaude, eta ez hegemonikoan sortu egin behar baditut, hizkuntza hegemonikora joko dut. Orduan, garrantzitsua da euskarazko ikerketa lerroak mantentzea, horretarako dirua jartzea… Pentsatzen dut ikertu egin behar dela ea hizkuntza hegemonikoetarako sortu diren baliabideek zertan lagun diezaioketen hizkuntza ez hegemonikoei.

Hizkuntzalaritzatik AAra salto egin zenuen zuk. AAk balio dezake euskararen normalizaziorako?
AA ikerketarako tresna da niretzat eta hizkuntza baten normalizaziorako beste gauza batzuk behar dira: herritarrengan zein inpaktu daukan hizkuntza baten edo bestearen erabilerak, arau gramatikalak… AAk balio dezake ikerketarako, gero beste neurri batzuk hartzeko. Nire kasuan, euskara ikaslea izanda, asko laguntzen dit AAk zenbait gauzatan: itzulpenetan, esamoldeen erabileran… 

AAk esparru berriak ireki dizkio hizkuntzalaritzari?
Hizkuntza naturalaren prozesamenduari dagokionez, garai batean hizkuntzaz asko zekien jendeak iker zezakeen esparrua zen. Denbora asko behar zen ondorio konkretuetara iristeko, eta zaila zen hauek gizarteratzea. Hizkuntza eredu handiek azkar ikasten dute, eta agian hasieran, hizkuntzalaritzak pisua galdu zuen. Informatikaren arloak izan du garrantzia, baina orain ikerketa lerro berriekin hizkuntzalaritza berriro ere indarra hartzen ari da. Orain konturatu gara ereduak aztertu eta ebaluatu egin behar direla. Informatikari batentzat ereduek hitz egiten dute, eta nahikoa da. Hizkuntzalariok sakonago aztertzen dugu hizkuntza hori. 

Zure kasuan hizkuntza naturalaz ari zara, baina zer da naturala?
AAz ari garela, gizakiek egiten dutena da naturala. Nire kasuan ez nuen pentsatzen AA ikertzen amaituko nuenik, baina hizkuntza naturalari buruz pentsatzea gustatu egin zait, eta hainbeste datu automatikoki aztertu ahal izateak lagundu egin dit. 

Ez zenuen uste, baina ereduak eta AA aztertzen ari zara, beraz.
Niri hizkuntzalaritza asko gustatzen zait. Nire interesa ez da chatbota ari ote zaidan erantzuten edo ez. Jakin nahi dut ea zergatik ari zaidan hori erantzuten, zein hizkuntza gertakarik ekarri duen erantzun honetara… eta hemen ari naiz AAren hitz egiteko modua aztertzen.