Data er sølv tale er guld. Det danske sprog resurse eller barriere?

Transkript

1 Data er sølv tale er guld. Det danske sprog resurse eller barriere? Sabine Kirchmeier Mikkel Høgenhaug

2 Vi har en plan Et styk Dansk Sprognævn Et skvæt sprog En ordentlig dosis sprogteknologi En opgaveportefølje fra ATP Nogle gode piloter Et pejlemærke En status

3

4 Kort om Sprognævnet Forskningsinstitution under Kulturministeriet Budget 12 mio. kr. 1. Dansk Sprognævn har til opgave at følge det danske sprogs udvikling at give råd og oplysninger om det danske sprog at fastlægge den danske retskrivning at dokumentere og give råd og oplysning om dansk tegnsprog. Kerneaktiviteter: Indsamling og analyse af data bl.a. store tekstmængder Dokumentation af og forskning i sprogudviklingen Information til myndigheder, uddannelsesinstitutioner og borgerne Samarbejde med Norden og Europa. 4

5 Sprognævnet arbejder med big data

6 Retskrivningsordbogen er også en dataresurse Ordbogsbasen Bog Ordb. com Web App Ordliste Spiludviklere Aviser/tv Gyldendal dsn.dk sproget.dk EU: CEF.at Microsoft IBM KMD/Uni-C Stavekontrol, søgemaskiner, tosprogsordbøger, spil, taleteknologi, orddeling, undervisningsprogrammer, generering af brugernavne, oversættelsesprogrammer, osv.

7 Retskrivningsordbogen som dataresurse Fuldformsliste og XML-opmærket ordbog: i alt grundformer bøjede former. hank;hank;sb. hank;hanken;sb. hank;hankens;sb. hank;hanks;sb. hank;hankene;sb. hank;hankenes;sb. hank;hanke;sb. hank;hankes;sb. hanke;hanke;vb. hanke;hank;vb. hanke;hanket;vb. hanke;hanker;vb. hanke;hankende;vb. hanke;hankede;vb. hanke;hankes;vb. hanke;hankedes;vb.

8 Hvorfor interesserer Dansk Sprognævn sig for sprogteknologi, kunstig intelligens og big data? Sprogteknologi på dansk skal følge de regler som gælder for dansk. Det dansk som vi møder når vi bruger fx kunstig intelligens, skal være korrekt. Sprognævnet bruger selv sprogteknologi og arbejder med store datamængder. Vi har tre bekymringer: At de nye produkter der udnytter big data og kunstig intelligens, ikke udvikles for dansk - eller ikke hurtigt nok. At den sproglige kvalitet i de danske produkter bliver for ringe. At den negative udvikling accelererer - især når vi begynder at bruge kunstig intelligens i større stil.

9 Hvorfor er sprog så svært? Sprog er flertydigt på mange måder Ord der betyder det samme (hest krikke) Ord der staves ens og betyder noget forskelligt (skimmel) Ord der skifter betydning alt efter situationen (din gamle buk den gamle buk springe buk - buk hjørnet om buk dig) Sætninger er flertydige (den gamle elsker piber). Sprog er tilsyneladende ustrukturerede data men der er en struktur i sproget. Sprog er styret af konventioner som kan være forskellige fra tekst til tekst og fra situation til situation fx vs. opslag på Twitter vs. Facebook. Sprog er knyttet til vores identitet fx er der ikke to mennesker der taler og bruger sproget på samme måde. Sprog er uendeligt både når det gælder antallet af elementer og deres kombinationsmuligheder. Sproget ændrer sig hele tiden nye ord (disruption) nye betydninger (adressere) Sprog er en resurse der vokser i takt med at den bliver brugt.

10 Hvorfor er dansk så svært? Mange vokaler og uigennemskuelig udtale af dem (fisk fesk, hest - hæst). Tryk signalerer fx processer: læse a vis læse avisen. Stød signalerer forskellige betydninger: stien (+stød) stigen (-stød). Sammensatte ord kan dannes i det uendelige: borgmesterkædedans. Mange små partikler med forskellige betydninger: skrive af/afskrive tale ud/udtale. Ordstilling mere fleksibel end på engelsk, men mindre fleksibel end på andre sprog: F v s a V S A Jeg har ikke hentet bogen i dag I dag har jeg ikke hentet bogen Bogen har jeg ikke hentet i dag Rekursive konstruktioner: Denne bog går der rygter om at du har læst _.

11 Sprogteknologi er en forudsætning for kunstig intelligens. Sprogforståelse Genkendelse af ord og sætninger Sætningsanalyse og fortolkning Betydningsrepræsentation. Intelligens Indholdsanalyse baseret på viden om genre, fakta, logik, følelser, ironi og humor Ræsonnementer og konklusioner baseret indholdsanalyse og betydningsrepræsentationer. Oversættelse Transformation af betydning til målsprogets struktur Generering af sætninger. Talegenkendelse Identifikation af sprog Genkendelse af lyd Repræsentation af lyd Sprogmodeller. Talesyntese Transformation af sætninger og ord til lyd Genskabelse af meningsfuldt tryk og prosodi. 11

12 Dansk Sprogteknologi Kvaliteten for dansk er ringe. Det skyldes: At dansk er et vanskeligt sprog for systemer der i første omgang er udviklet til engelsk. At dansk er et lille marked med få aktører og stærke monopoltendenser. At der ikke har været satset tilstrækkeligt på forskning og udvikling af sprogteknologi for dansk. At der ikke forefindes tilstrækkeligt med sprogresurser som forskere og virksomheder kan bruge.

13 En ATP opgaveportefølje

14 ATP s to forretningsområder Pension & Investering Europas tredjestørste pensionsselskab Formue på 753 mia. 5 mio. medlemmer Administration Nordens største administrationsforretning Udbetaler 2/3 af de danske velfærdsydelser LG, Feriepenge, Folkepension etc.

15 Fakta om ATP s administrationsforretning 2/3 Offentlige velfærdsydelser ATP løser opgaver for: Årlig udbetaling 245 mia. kr. Arbejdsmarkedets parter Kommunerne Staten 15

16 Udbetaling Danmark udbetaler Boligstøtte, Folkepension Førtidspension, Barselsdagpenge, Familieydelser har 5 centre i Frederikshavn, Haderslev, Hillerød, Holstebro og Vordingborg er en offentlig myndighed ca. 210 mia. kr. udbetalt i ,3 mio. ydelsesmodtagere 2012 Etableringsår 16

17 ATP administrerer 17

18 Gode piloter Tak til Royal Brunei Airlines

19 Pilot 1: Talesyntese

20 Pilot 2: Emnekategorisering fra journalnotater En testanalyse af journalnotater på telefonopkald fra boligstøtteområdet identificerede opkaldsemner og deres hyppighed og har ført til nye indsigter i henvendelsesmønsteret Top 5 Emner (Antal journalnotater) % % 8% 6% 4% Emne: Status på ansøgning Emne på knap journalnotater Forventet emne, da der var røde servicemål i undersøgelsesperioden Emne: Fuldmagt Overraskelse at der var kald der drejede sig om fuldmagter

21 Pilot 3: Issue-identifikation fra surveys

22 Pilot 4: Automatisk sortering af post 1. Etablering af Word2Vec-univers baseret på al fritekst 2. Etablering af classifier baseret på fritekst 3. Udvidelse af classifier med metadata

23 Pilot 5: Automatisk sagsforberedelse Beslutningsstøtte Eksempel på lønseddel Klassificering Sprint 1 (Dokumentniveau) ~90% Korrekthed Sprint 2 (Dokumentniveau) ~80% Komplethed Sprint 3 (Sagsniveau) 50/350 Sprint 4 (Sagsniveau) ~70%

24 Et pejlemærke

25 Sprogteknologi skal hjælpe ATP med at Skabe indsigt i henvendelsesmønster Forebyggelse af henvendelser Forbedring af service design Automatisere dele af kundebetjeningen Talesyntese Visuel IVR/ smart phone selvbetj. Chatbot Personaliseret web-univers Give medarbejderne intelligent kontekstafhængig støtte under samtaler eller chatsessions Relevante guides og information Relevante OnDemand RPA er (Semi-)automatisk journalnotat

26 Status

27 Sprogteknologiens basisbyggesten Programmer Talegenkendere Oversættere Fortolkere Intelligens osv Data Udvikles af forskere og producenter. Indsamles af forskere, producenterne, i virksomheder og i offentlige institutioner.

28 Hvem ejer data? Programmer Talegenkendere Oversættere Fortolkere Intelligens osv Data Ofte virksomheder, men kernen er tit open source. Oftest virksomheder. Få data er open source. Monopolisering. Ringe muligheder for konkurrenceudsættelse. Ingen genbrug af data.

29 Sprogresurser kan genbruges uendeligt mange gange Derfor giver det mening at oprette en offentlig sprogbank hvorfra virksomheder og forskere kan hente data. Derfor er det vigtigt for offentlige institutioner at sikre sig ejerskab til data så de kan konkurrenceudsætte sproglige produkter og stimulere produktudvikling og forskning. Jo flere data der bliver offentligt tilgængelige, jo bedre sprogteknologi kan der udvikles. Dataindsamling og bearbejdning er dyrt. Der er mange penge at spare ved at dele. Men det sker ikke.

30 Dansk sprogteknologi ifølge META-netrapporten (2012)

31 Manglende og dårlige digitale sprogressourcer på dansk er en kæmpe udfordring for ATP s (og andres) fortsatte effektivisering produktivitet Produktivitetstab ved manglende udvikling af ordentlige digitale danske sprogressourcer tid 31

32 Opfordringen til politikerne: Sprogteknologi er infrastruktur. Der er brug for en klar strategi. Der bør løbende indsamles og deles data for udvikle produkter og holde dem ajour. Det kan ikke overlades til markedskræfterne, men en delestrategi kan stimulere markedet. Staten og de offentlige institutioner kan spille en afgørende rolle. Tiden er knap.

33 Kulturministerens sprogteknologiske udvalg Placering i Dansk Sprognævn Varighed Formål at udrede perspektiver og udfordringer for sprogteknologi i en dansk kontekst og komme med forslag til hvordan Danmark bedst sikrer brugen af dansk og andre sprog i digitale tjenester at afklare behovet og perspektiverne for en national termbank. 33

34 Vil du hjælpe eller vide mere? Følg med på sprogtek2018.dk Meld dig ind i det sprogteknologiske netværk Meld dig som datadonor.

35 Tak!