Η ελληνική γλώσσα συγκαταλέγεται στις αρχαιότερες και πλουσιότερες γλώσσες του κόσμου. Η ιστορία της εκτείνεται σε βάθος χιλιάδων ετών, διατηρώντας μια αδιάκοπη παρουσία από την αρχαιότητα έως σήμερα. Ωστόσο, μια πρόσφατη επιστημονική έρευνα έρχεται να αναδείξει με έναν εντυπωσιακό τρόπο το εύρος και τη δυναμική της: σύμφωνα με τα αποτελέσματα ενός πρωτοποριακού έργου τεχνητής νοημοσύνης και εξόρυξης δεδομένων, έχουν καταγραφεί περίπου επτά εκατομμύρια διαφορετικές ελληνικές λέξεις.
Το επίτευγμα αυτό δεν προέκυψε από τη μελέτη παραδοσιακών λεξικών ούτε από τη χειροκίνητη καταγραφή γλωσσικού υλικού. Αντίθετα, βασίστηκε στις πλέον σύγχρονες τεχνολογίες της τεχνητής νοημοσύνης, της μηχανικής μάθησης και της εξόρυξης δεδομένων. Ερευνητές ανέλυσαν περιεχόμενο από περίπου 170 εκατομμύρια ιστοσελίδες, αξιοποιώντας βαθιά νευρωνικά δίκτυα, δηλαδή υπολογιστικά συστήματα που μιμούνται τον τρόπο λειτουργίας των βιολογικών νευρώνων του ανθρώπινου εγκεφάλου.
Αξίζει να σημειωθεί ότι ο αριθμός των επτά εκατομμυρίων δεν αφορά τις βασικές ρίζες των λέξεων, αλλά τις διαφορετικές μορφές τους. Για παράδειγμα, οι λέξεις «άνθρωπος» και «άνθρωποι» καταγράφονται ως ξεχωριστές γλωσσικές μονάδες. Αυτό σημαίνει ότι η καταγραφή περιλαμβάνει όχι μόνο τις λημματικές μορφές των λέξεων, αλλά και τις κλίσεις, τις σύνθετες εκφράσεις, τους νεολογισμούς και πλήθος εξειδικευμένων όρων που χρησιμοποιούνται στη σύγχρονη καθημερινότητα.
Ο καθηγητής Μιχάλης Βαζιργιάννης διευθύνει την ερευνητική ομάδα «Εξόρυξης Δεδομένων» του Τμήματος Πληροφορικής του ΟΠΑ.
Πίσω από αυτή τη σημαντική προσπάθεια βρίσκεται η ερευνητική ομάδα «Εξόρυξης Δεδομένων» του Τμήματος Πληροφορικής του Οικονομικού Πανεπιστημίου Αθηνών, υπό τη διεύθυνση του καθηγητή Μιχάλη Βαζιργιάννη. Το έργο υλοποιήθηκε για λογαριασμό της Εθνικής Βιβλιοθήκης της Ελλάδας με χρηματοδότηση του Ιδρύματος Σταύρος Νιάρχος και είχε ως στόχο τη δημιουργία σύγχρονων ψηφιακών γλωσσικών πόρων για την ελληνική γλώσσα.
Σύμφωνα με τον καθηγητή Βαζιργιάννη, το ψηφιακό λεξικό που δημιουργήθηκε είναι πιθανότατα το μεγαλύτερο που έχει κατασκευαστεί μέχρι σήμερα για την ελληνική γλώσσα. Το ιδιαίτερο χαρακτηριστικό του είναι ότι αποτυπώνει τη σύγχρονη μορφή της ελληνικής, καθώς βασίζεται στο περιεχόμενο του διαδικτύου και όχι αποκλειστικά σε παραδοσιακές λεξικογραφικές πηγές. Έτσι καταγράφονται λέξεις που συχνά δεν υπάρχουν στα συμβατικά λεξικά, αλλά έχουν προκύψει από τις ανάγκες της τεχνολογίας, της επιστήμης, της διοίκησης και της καθημερινής επικοινωνίας. Παραδείγματα αποτελούν λέξεις όπως «θερμογαλβανισμένη» ή «ενταλματοποιηθέντα», οι οποίες αντικατοπτρίζουν τη συνεχή εξέλιξη και προσαρμογή της γλώσσας.
Παράλληλα με τη δημιουργία του λεξικού, η ερευνητική ομάδα προχώρησε στην ανάπτυξη συστημάτων ενθέσεων λέξεων, γνωστών διεθνώς ως word embeddings. Πρόκειται για τεχνολογίες που επιτρέπουν στους υπολογιστές να κατανοούν τις σημασιολογικές σχέσεις μεταξύ των λέξεων. Για παράδειγμα, οι λέξεις «Ελλάδα» και «Αθήνα» θεωρούνται σημασιολογικά συγγενείς επειδή εμφανίζονται συχνά μαζί σε κείμενα και μοιράζονται κοινά συμφραζόμενα. Η τεχνολογία αυτή βελτιώνει σημαντικά την απόδοση των μηχανών αναζήτησης, των μεταφραστικών συστημάτων και πολλών εφαρμογών τεχνητής νοημοσύνης που χρησιμοποιούνται καθημερινά.
Το έργο της ομάδας δεν περιορίζεται μόνο στη γλωσσική τεχνολογία. Οι ερευνητές έχουν αναπτύξει καινοτόμες μεθόδους ανάλυσης γραφημάτων, οι οποίες έχουν προσελκύσει το διεθνές ενδιαφέρον της επιστημονικής κοινότητας. Μάλιστα, η ομάδα τιμήθηκε με διάκριση στο κορυφαίο συνέδριο τεχνητής νοημοσύνης IJCAI, κατακτώντας βραβείο για μία από τις καλύτερες επιστημονικές δημοσιεύσεις της χρονιάς ανάμεσα σε εκατοντάδες ερευνητικές εργασίες από όλο τον κόσμο.
Η σημασία των γραφημάτων στη σύγχρονη επιστήμη δεδομένων είναι τεράστια. Μέσα από αυτά μπορούν να αναπαρασταθούν πολύπλοκες σχέσεις που εμφανίζονται σε κοινωνικά δίκτυα, οικονομικές συναλλαγές, δίκτυα μεταφορών, βιολογικά συστήματα και πολλές ακόμη εφαρμογές. Στα κοινωνικά δίκτυα, για παράδειγμα, οι χρήστες αντιστοιχούν στους κόμβους ενός γραφήματος, ενώ οι σχέσεις φιλίας ή αλληλεπίδρασης αναπαριστώνται ως συνδέσεις μεταξύ τους.
Οι εφαρμογές αυτών των τεχνολογιών είναι πρακτικά ανεξάντλητες. Από την ανίχνευση ύποπτων οικονομικών συναλλαγών και την πρόληψη της απάτης σε συστήματα πληρωμών μέχρι τη μελέτη πρωτεϊνών και τη βελτίωση των συστημάτων αναζήτησης πληροφοριών, η τεχνητή νοημοσύνη αξιοποιεί τη δύναμη των δεδομένων για να αποκαλύψει σχέσεις και μοτίβα που δεν είναι άμεσα ορατά στον άνθρωπο.
Η καταγραφή επτά εκατομμυρίων ελληνικών λέξεων αποτελεί κάτι περισσότερο από ένα εντυπωσιακό στατιστικό στοιχείο. Αποδεικνύει ότι η ελληνική γλώσσα παραμένει ζωντανή, δημιουργική και διαρκώς εξελισσόμενη. Μέσα από τις νέες τεχνολογίες, η γλωσσική μας κληρονομιά όχι μόνο διατηρείται, αλλά αποκτά νέα δυναμική, προσαρμοζόμενη στις απαιτήσεις της ψηφιακής εποχής.
Σε μια περίοδο όπου η τεχνητή νοημοσύνη μεταμορφώνει τον τρόπο με τον οποίο επεξεργαζόμαστε και αξιοποιούμε τη γνώση, η ελληνική γλώσσα αποδεικνύει ότι διαθέτει όλα τα εφόδια για να διατηρήσει τη θέση της στο μέλλον. Με τη βοήθεια της επιστήμης και της τεχνολογίας, ο πλούτος της αναδεικνύεται περισσότερο από ποτέ, επιβεβαιώνοντας ότι πρόκειται για μια γλώσσα που συνεχίζει να γεννά λέξεις, ιδέες και πολιτισμό.
