DIU, Alm.del - 2022-23 (2. samling) - Endeligt svar på spørgsmål 77: Spm. om status på “Fælles Dansk Sprogressource

Udvalget for Digitalisering og It 2022-23 (2. samling)
DIU Alm.del
Offentligt

Folketingets Udvalg for Digitalisering og IT

Stormgade 2-6

1470 København K

Telefon 72 28 24 00

[email protected]

Sagsnr.

2023-1967

Doknr.

20902

Dato

16-06-2023

Svar på spørgsmål fra Lisbeth Bech-Nielsen (SF) stillet den 22. maj 2023.

Spørgsmål nr. 77:

”Hvad er status på “Fælles Dansk Sprogressource”, som beskrevet i VLAK-regeringens

natio-

nale strategi for kunstig intelligens (2019)?

https://www.regeringen.dk/media/6537/ai-stra-

tegi_web.pdf”.

Svar:

Der er indhentet svar fra Digitaliseringsstyrelsen, som oplyser følgende:

”I

2019 nedsatte Kulturministeriet et sprogteknologisk udvalg, som skulle undersøge status

for dansk sprogteknologi, barrierer, der hæmmede udviklingen, samt give anbefalinger til ind-

satser, som kunne sætte gang i udviklingen af dansk sprogteknologi. Det sprogteknologiske

udvalgs anbefalinger

blev skrevet ind i VLAK-regeringens

”Nationale strategi for kunstig intel-

ligens”

fra 2019, hvorved det offentlige forpligtede sig til at give dansk sprogteknologi et løft.

Med baggrund i Digitaliseringspagten og Økonomiaftaler for 2020 med kommuner og regio-

ner blev der igangsat et fællesoffentligt samarbejde for dansk sprogteknologi, under navnet

sprogteknologi.dk, og som er finansieret til og med 2026.

Der har været en stor udvikling inden for kunstig intelligens og sprogteknologi den seneste

tid. Et eksempel herpå er ChatGPT

og den underliggende sprogmodel, som har vakt stor op-

sigt siden offentliggørelsen i november 2022.

Der er dog en generel tendens til, at sprogteknologi for de mindre sprog som eksempelvis

dansk udvikler sig væsentligt langsommere end for de større sprog og særligt engelsk.

Konse-

kvensen ved manglende dansk sprogteknologi er, at man ikke nyder samme anvendelsesmu-

ligheder af ny teknologi på dansk som på de større sprog. I mange tilfælde betyder det, at

man skal bruge sprogteknologi, som er trænet på engelsk til at løse opgaver på dansk. Den

største udfordring for at udvikle sprogteknologi for de mindre sprog, herunder dansk, er, at

der ikke eksisterer sprogressourcer af samme kvalitet og kvantitet, som fx på engelsk. Sprog-

ressourcer er grundlæggende data, som repræsenterer sproget og kulturen, som algoritmer

https://dsn.dk/wp-content/uploads/2021/01/sprogteknologi-i-verdensklasse.pdf

https://digst.dk/media/19302/national_strategi_for_kunstig_intelligens_final.pdf

Andre store sprogmodeller: Wu Dao 2.0., Megatron-Turing NLG, LEAM-1, OPT, Bloom, Luminous,

Swtich Transformer, GlaM, PaLM (tre sidste er Googles)

https://european-language-equality.eu/wp-content/uploads/2022/03/ELE___Delive-

rable_D1_9__Language_Report_Danish_.pdf

DIU, Alm.del - 2022-23 (2. samling) - Endeligt svar på spørgsmål 77: Spm. om status på “Fælles Dansk Sprogressource

kan trænes på. Det kan være store mængder tekst, sammenhængende lyd og tekst eller sam-

menhængende billeder, lyd og tekst. Det danske sprogs særegne karakteristika, fonetisk re-

duktioner og ords flertydighed mv. gør det vanskeligt for maskiner at lære dansk.

I initiativet Fælles Dansk Sprogressource (i dag sprogteknologi.dk) arbejdes der med at styrke

dansk sprogteknologi gennem blandt andet følgende centrale delprojekter:

Plaformen sprogteknologi.dk

Standarder for sprogressourcer

Et Centralt Ordregister

Et open source dansk taledatasæt

Udvikling af sprogressourcer på baggrund af eksisterende sprogdata

Europæisk og nordisk samarbejde

Deltagelse i andre projekter

Kommunikation, netværk og videndeling

I det følgende fremgår status på disse delprojekter.

1. Plaformen sprogteknologi.dk

Første led i indsatsen fokuserede på etableringen af webportalen sprogteknologi.dk, der sam-

ler og udstiller danske sprogressourcer på ét sted. Portalen udstiller nu metadata om 160 dan-

ske sprogressourcer, som frit kan anvendes til udvikling af dansk sprogteknologi.

2. Standarder for sprogressourcer

For anvendere, der skal arbejde med sprogdata, er det vigtigt, at formaterne er åbne og ens,

simple, sammenlignelige og veldokumenterede. I en analyse identificerede Digitaliseringssty-

relsen brugernes behov, kortlagde eksisterende standarder på området og vurderede mulig-

heden for genbrug, helt eller delvist, af eksisterende standarder. Med bidrag fra eksterne re-

levante parter er der udvalgt en række anbefalede standarder for sprogressourcer, som er

publiceret på sprogteknologi.dk. Anbefalingerne blev publiceret på sprogteknologi.dk i marts

2022.

3. Et Centralt Ordregister

I marts 2021 blev udviklingen af et centralt ordregister (COR) igangsat, hvis formål er at ud-

vikle og distribuere et register, der forsyner alle danske ord med et stabilt id-nummer og der-

med gør det muligt for sprogmodeller at genkende danske ord fra hinanden, hvis de fx er ens-

lydende eller staves ens. Udviklingsprojektet er et samarbejde mellem Digitaliseringsstyrel-

sen, Dansk Sprognævn, Det Danske Sprog- og Litteraturselskab og Center for Sprogteknologi

ved Københavns Universitet. Registret vil blive frit tilgængeligt forventeligt ved udgangen af

2023, og der vil være adgang til løsningen via sprogteknologi.dk.

4. Et open source dansk taledatasæt

Digitaliseringsstyrelsen har indgået et bredt samarbejde mellem Alexandra Instituttet, Datalo-

gisk Institut ved KU, Alvenir og Corti med henblik på at tilvejebringe et taledatasæt på dansk.

Desuden har en række aktører, herunder ATP, givet tilsagn til projektet og skal deltage i pro-

jektets advisory board. Målet med et dansksproget talekorpus er, at fremtidige taleteknolo-

gier skal kunne genkende alle variationer af dansk, hvilket dermed skal sikre optimal brug og

implementering af teknologien i samfundet. Endvidere kan taleteknologi bidrage til inklusion

og ligestilling. Det færdigudviklede talekorpus blive stillet frit tilgængeligt for alle forventeligt

ved udgangen af 2025.

5. Udvikling af sprogressourcer på baggrund af eksisterende sprogdata

Der eksisterer store mængder værdifulde sprogdata i mange offentlige institutioner. Eksem-

pelvis findes der en række tekst- og lyddata hos eksempelvis DR, Det Kongelige Bibliotek, Rigs-

arkivet, Folketinget og Lex.dk. Disse sprogdata er af høj kvalitet, indeholder velforankret og

nuanceret viden om dansk kultur og samfund og har derfor potentiale til at udgøre værdifulde

sprogressourcer til udvikling af dansk sprogteknologi.

DIU, Alm.del - 2022-23 (2. samling) - Endeligt svar på spørgsmål 77: Spm. om status på “Fælles Dansk Sprogressource

I dag er disse sprogdata enten ikke tilgængelige for eksterne anvendere, eller kun i et begræn-

set omfang, fx til forskning, og ellers er de ikke lagret i maskinlæsbart format, da de oprinde-

ligt ikke er produceret med formål om at udgøre en sprogressource. Derudover er der en

række udfordringer med at tilgængeliggøre sprogdataene pga. ophavsrettigheder og GDPR.

Digitaliseringsstyrelsen arbejder på at få tilgængeliggjort flere danske sprogdata. Pt. består

arbejdet i at nedsætte en arbejdsgruppe, som skal undersøge de specifikke behov for sprog-

data, herunder hvilke danske sprogdata der rådes over i arkiverne, juridiske og ressource-

mæssige forhold, prioritering af vigtighed, behovet for efterbehandling mv.

Digitaliseringsstyrelsen arbejder også på at skabe domænespecifikke sprogressourcer, fx fra

det finansielle-, bygge- eller sundhedsområdet, som er vigtige for, at sprogteknologiske løs-

ninger kan tilpasses specifikke brugerbehov og erhverv, hvor fagtekniske begreber hyppigt an-

vendes. Digitaliseringsstyrelsen arbejder lige nu på et projekt, hvor der skal udarbejdes en

sprogressource på baggrund af Region Hovedstadens offentlige dokumentsamling, som inde-

holder vejledninger til sundhedspersonale og borgere og indeholder derfor en række sund-

hedsfaglige begreber. Digitaliseringsstyrelsen vil sammen med bistand fra en forskningsinsti-

tution samle dokumentsamlingen i et maskinlæsbart format og udgive den under en åben og

fri licens. Det forventes, at der vil blive tilgængeliggjort flere sprogressourcer på baggrund af

eksisterende sprogdata over de næste 1-3 år.

6. Europæisk og nordisk samarbejde

I EU arbejdes der i regi af den europæiske datastrategi henimod at etablere et såkaldt

langu-

age data space (LDS),

som skal etablere retningslinjer, governance og infrastruktur til at hånd-

tere og dele sprogressourcer på tværs af EU. Etableringen af et europæisk

language data

space

kan sikre, at private og offentlige aktører rentabelt kan udvikle og implementere sprog-

modeller. LDS etableres forventeligt i 4. kvartal 2023.

Desuden er der på tværs af flere medlemsstater et igangværende arbejde med at ramme-

sætte og etablere et såkaldt Europen Digital Infrastructure Consortium (EDIC) for sprogtekno-

logi. EDICs er en helt ny mekanisme, der skal medvirke til at organisere flerlandeprojekter, og

tanken bag den sprogteknologiske EDIC er bl.a. at bidrage til europæisk samarbejde om 1) til-

vejebringelse af sprogdata gennem language data space og 2) udvikling af sprogteknologiske

ressourcer og løsninger. Arbejdet er stadig i et tidligt stadie, og udkast til formelle beskrivelser

af formål, finansiering og governance diskuteres på nuværende tidspunkt i en arbejdsgruppe

bestående af repræsentanter fra medlemsstaterne. Arbejdet er igangsat i januar 2023, og det

forventes, at ansøgningen om en permanent sprogteknologisk EDIC kan være klar i september

2023. Danmark deltager i dette arbejde.

Ligeså er en af de centrale ambitioner i Nordisk Ministerråd at fremme nordisk sprogtekno-

logi, og forskning peger på, at der kan være synergier mellem sprogene ved at træne en stor

fællesnordisk sprogmodel, da dette giver en bedre grundmodel, end hvis der trænes på hvert

af sprogene for sig. Til et sådant nordisk samarbejde vil tilvejebringelsen af markant større

danske sprogdatasæt, end der i dag er tilgængeligt, være nødvendigt. Endvidere råder Dan-

mark ikke over tilstrækkeligt med computerkraft til at træne en stor dansk eller nordisk sprog-

model i stil med GPT-4. Der er derfor startet dialog med en række nordiske aktører for at un-

dersøge mulighederne for et samarbejde om en fælles nordisk sprogmodel, da man eksem-

pelvis i Sverige råder over tilstrækkeligt med computerkraft til at træne en fælles nordisk

sprogmodel, og de har erfaringer med at udvikle store sprogmodeller.

7. Deltagelse i andre projekter

Digitaliseringsstyrelsen har i kraft af sprogteknologi.dk fulgt andre relevante projekter. Fx ved

deltagelse i følgegruppen for signaturprojektet

”Digital

inklusion og support ved talegenken-

delse”,

som arbejder med taleteknologi i forskellige services med fokus på digital inklusion i

DIU, Alm.del - 2022-23 (2. samling) - Endeligt svar på spørgsmål 77: Spm. om status på “Fælles Dansk Sprogressource

Roskilde Kommune og Aarhus Kommune samt deltagelse i styregruppe for udrulning af digi-

tale assistenter, som er et projekt drevet af Nota

under Kulturministeriet. Projektet går ud

på at øge den digitale inklusion af ældre svagsynede og blinde ved brug af digitale assistenter.

8. Kommunikation, netværk og videndeling

Sprogteknologi.dk har en LinkedIn side af samme navn, som har eksisteret siden juni 2021.

Det centrale omdrejningspunkt for indholdet på profilen er videndeling, troværdighed og gen-

brug af data og inspiration fra andres løsninger. Derudover afholder Digitaliseringsstyrelsen

årligt Sprogteknologisk konference samt en række gå-hjem-møder, som har til formål at

samle en bred skare af aktører fra de sprogteknologiske miljøer i Danmark for at skabe viden-

deling, inspiration og sparring om dansk sprogteknologi mellem det private, offentlige, forsk-

ningsinstitutioner og privatpersoner. Endeligt deltager Digitaliseringsstyrelsen i flere relevante

eksterne konferencer for at indsamle nyeste viden om udviklingen inden for sprogdata- og

løsninger.”

Med venlig hilsen

Marie Bjerre

Nota er et statsligt nationalbibliotek for mennesker med læsevanskeligheder, som er under Kulturmini-

steriet. Nota producerer lydbøger, e-bøger og punktbøger til mennesker, der ikke kan læse almindelig

trykt tekst.

https://nota.dk/