You are currently at: ejtech.hkej.com
Skip This Ads
Don't Miss

Votee AI|粵語AI大模型 港府採用 初創Votee AI蒐10年數據開發

By on August 19, 2024

原文刊於信報財經新聞「EJ Tech 創科鬥室

廣東話博大精深,保留不少古漢語特徵,其聲調複雜之餘,亦有不少獨特俚語,例如「吊吊揈」、「虢礫緙嘞」(粵音:撠溺卡勒)等詞語,港人識聽識講卻未必個個識寫。數碼港培育人工智能(AI)初創Votee AI利用過去10年積累的數據,研發一款廣東話大型語言模型(LLM),產品獲本地多間銀行及生產力促進局採用,並為政府部門提供AI聊天機械人服務。

Votee AI, 廣東話, 俚語
廣東話聲調複雜之餘,亦收錄不少獨特俚語。(黃勁璋攝)

遣詞造句符合港人習慣

Votee AI技術總監陳豪傑表示,公司研發的廣東話LLM模型,設有個人及企業兩個版本。團隊可根據客戶具體業務,結合其內部資料、提供客製化服務。主打個人的Community Version為開源版本,相關程式碼及數據已上傳至AI協作平台Hugging Face。

從現場示範可見,Votee AI聊天機械人反應速度不錯,遣詞造句符合港人習慣。陳豪傑指出,在使用輝達(Nvidia)RTX A4500繪圖處理器(GPU)情況下,運算兩次對話大約耗時25秒,快過人眼的閱讀速度。

談到開發過程,陳豪傑稱,初時大家通常會用檢索增強(RAG)技術。即結合AI和數據庫搜尋的技術,在生成回答時即時檢索相關資訊。現時不少開發者都選擇為模型微調,但形容這種方法,「問題在於最多只能改動LLM的5%左右,通常甚至只有1%。」

Votee AI, 陳豪傑, 丁柏生, Meta, Llama, 廣東話
陳豪傑(右)稱,團隊採用Meta開源模型Llama,但強調「所有嘢都要改」;旁為Votee AI行政總裁丁柏生 。(黃勁璋攝)

陳豪傑坦言,團隊經歷一番掙扎後,最終選擇基於Meta開源模型Llama,進行持續預訓練(Continual Pre-Training),他強調,Llama本身不具備廣東話能力,團隊相當於「所有嘢都要修改」。

即時翻譯準確率逾九成

要訓練大模型,採用大量及準確的數據是關鍵,陳豪傑說,這正是團隊遇到的技術挑戰之一。數據來源可以歸納為三類,一是俗語和網絡流行用語,第二是書面語,最後則是實際對話。他認為,廣東話屬於「資源稀缺型語言」。以維基百科文章為例,英文約有250萬篇文章,廣東話文章僅有9000篇左右。

Votee AI, 陳豪傑, 丁柏生, 維基百科, 廣東話
陳豪傑(右)以「維基百科」文章,廣東話屬於「資源稀缺型語言」;旁為Votee AI行政總裁丁柏生。(黃勁璋攝)

所幸Votee AI在過去10年間,一直從事市場研究、社群聆聽(Social Listening)等業務。過程中收集大量廣東話相關數據,有豐富資源。同時,有本地語言學系教授,以及粵語辭典計劃《粵典》團隊等支援大模型開發。

早前,團隊為虛擬經濟博覽及會議提供AI翻譯服務。陳豪傑憶述,當時有不少內地來賓到場,團隊提供的廣東話翻譯服務,準確率已超過九成。他表示,根據自己之前了解,坊間類似模型準確率在85%左右。現時隨着LLM不斷升級,相信90%將成為平均水準。

採訪、撰文:周泳彤

相關文章:Votee AI|擬攻冷門語 拓東南亞非洲粵語AI大模型

想知道什麼是 Fine-Tuning?:深入了解Fine-Tuning

支持EJ Tech

如欲投稿、報料,發布新聞稿或採訪通知,按這裏聯絡我們