Dacă memoria umană este ultimul suport accesibil
cărților in distopia 451 Fahrenheit, iată că era
informaticii ne ingăduie să visăm la un corpus al tuturor textelor
reprezentative ale culturii noastre, după modelul New York Times Corpus sau Reuters Corpus.
Pe 6-7 mai a.c., la Muzeul
Național al Literaturii Române (M.N.L.R.), lingviști și
informaticieni de vârf, recunoscuți ca fiind printre cei mai buni
din lume, dar și studenți și masteranzi, se intâlnesc in cadrul
conferinței internaționale “Resurse lingvistice și instrumente de
prelucrare a limbii române” (http://consilr.info.uaic.ro/consilr2010/index.html).
Organizatorii tradiționali ai
acestui eveniment, ajuns la a șasea ediție, sunt: Universitatea
“Al.I. Cuza” din Iași, Academia Română prin Institutul de Cercetări
in Inteligență Artificială și Institutul de Informatică Teoretică
Iași, cărora li s-au alăturat acum, in cel de-al zecelea an al
proiectului, M.N.L.R. Participarea la lucrări se face și in regim
de videoconferință.
Tematica abordată include
următoarele subiecte: realizarea de resurse lingvistice românești,
textuale ori vorbite, in forma originară ori adnotată; crearea de
corpusuri românești reprezentative; realizarea de colecții
lexicografice românești in format electronic; tehnologii
lingvistice aplicate limbii române și/sau altor limbi (dar cu
aplicabilitate pentru limba română); aplicații in care au fost
utilizate tehnologii lingvistice pentru limba română; realizări de
lingvistică teoretică cu aplicații in tehnologia limbii române;
crearea, completarea, adnotarea și utilizarea resurselor și a
tezaurelor multilingve, in care una dintre limbi este limba română;
alinierea resurselor multilingve de natură diversă, cu accent pe
resursele limbii române; aplicații ale resurselor multilingve
aliniate in traducerea automată, extragerea de informații,
dezambiguizarea sensurilor, web-ul semantic etc.; proiecte de
cercetare ce implică dezvoltarea de resurse și instrumente dedicate
limbii române. Una dintre realizările ultimilor ani este
prelucrarea texteleor românești vechi de inestimabilă valoare, cum
ar fi Biblia de la 1688.
La momentul actual, in
lingvistica computațională a limbii române, in cercetare, dar și in
companii, se lucrează izolat. Resursele folosite pentru dezvoltarea
acestor tehnologii nu sunt acoperite din punctul de vedere al
copyright-ului. Textele fiind restricționate cu drepturi de autor,
implică limitarea distribuirii tehnologiilor care au fost
dezvoltate pe baza lor. Astfel, programele dezvoltate pe textele cu
drepturi de autor nu pot fi liber distribuite decât dacă se obțin
drepturile de autor pentru libera circulație.
De menționat că dezvoltarea
acestor tehnologii necesită mult timp și muncă pentru a fi adusă la
un nivel de pefrormanță acceptabilă. Prin limitarea distribuirii
acestor tehnologii, lucrul colaborativ este limitat, ducând la o
incetinire a dezvoltării pe plan global. In România, cercetarea in
NLP (Natural Language Processing) este foarte avansată, fiind
printre primele in lume. Din cauza caracteristicii aplicațiilor
care sunt dezvoltate pe texte restricționate cu drepturi de autor,
din păcate ele nu pot fi liber distribuite.
Prin deschiderea acestor resurse, colaborarea dintre organizațiile din domeniu va crește considerabil și va duce la atragerea noilor specialiști și pasionați de lingvistică computațională, deschiderea sau libera distribuire a programelor de calculator, cât și a ultimelor descoperiri in domeniu. La momentul actual, pentru limba română nu sunt inregistrate asemenea lucrări (corpus lingvistic deschis), iar necesitatea lor este resimțită in mare măsură de mediul academic, dar și de specialiștii sau practicienii din domeniu.