2006ko abenduan aurkeztutako ZT Corpusaren bertsioa 7,6 milioi hitzez osatuta zegoen, horietatik 1,6 milioi eskuz landuak (berrikusi, zuzendu eta desanbiguatuak). Orain sareratutako bertsioan, 8,5 milioi hitz daude, horietako 1,9 milioi eskuz landuak. Testu berrien hornitzaileen artean, Elkar argitaletxea, Eusko Jaurlaritza eta Eustat aipa ditzakegu, besteak beste (hornitzaile guztiak hemen ikus daitezke eta obra guztien zerrenda hemen).

Horrez gain, aukera berriak jarri zaizkio kontsulta-interfazeari aurreratuari. Bi hitz edo gehiago kontsultatu nahi direnean, horiek edozein ordenatan bilatzeko aukera eskaintzen da orain, hau da, lehen hitza bigarrenaren aurretik, ondoren edo edonon egotea aukera daiteke, Non kutxaren bidez.

ZT Corpusa hobetu eta hedatzeko lanak ere aurrera doaz. Batetik, testu berriak lortzen eta corpuseratzen segitzen dugu. Bestetik, on line bertsioaz gain, laster ZT Corpusa osorik eskuragarri jarri nahi da, ikerketarako doan, eta ustiaketa komertzialerako ordainduta (ELDAren bidez).

Igor Leturia

LREC biltzarra (Language Resources and Evaluation Congress) hizkuntza-teknologien ikerketa- eta ebaluazio-mailako biltzarrik nagusietakoa da. Aurtengo edizioa Marrakech-en izan da, maiatzaren 26tik ekainaren 1era. LREC biltzarra foro ezin hobea da hizkuntza-teknologien arloko ikerketa-proiektuak ezagutu, joera nagusiez jabetu eta I+G+b jardueraren emaitzak ezagutarazteko. Horretan ari garen ikerketa-taldeontzat oso garrantzitsua da bertan izatea, eta Elhuyar Fundazioko I+G+b lantaldearen presentzia handia izan da aurtengo edizioan.

LREC 2008ko biltzar nagusian, bi ikerketa-proiektu aurkeztu ditu Elhuyar Fundazioak. Maiatzaren 28an, Eli Pociellok WNTerm proiektua aurkeztuko du (WNTerm: Enriching the MCR with a terminological dictionary. Eli Pociello, Antton Gurrutxaga, Eneko Agirre, Izaskun Aldezabal and German Rigau). WNTerm zientzia eta teknologiaren domeinu-ontologia eleaniztuna garatzeko proiektua da (euskaraz eta ingelesez), eta IXA taldearen EusWordNet eta Elhuyar Fundazioaren Zientzia eta Teknologiaren Hiztegi Entziklopedikoa-ren baliabideak erabiltzen ari gara ezagutza-basea eratzeko.

Maiatzaren 29an, Igor Leturiak “Analysis and Performance of Morphological Query Expansion and Language-Filtering Words on Basque Web Searching. Igor Leturia, Antton Gurrutxaga, Nerea Areta and Eli Pociello” artikulua aurkeztu du. Lan horren helburua da CorpEus eta Elebila tresnen eraginkortasuna are gehiago hobetzeko erabili diren teknikak garatzea.

Biltzar nagusiaz gainera, hainbat workshop izango dira, ikerketa-arlo jakinetako tailer praktikoak. Maiatzaren 31n, Building and Using Comparable Corpora workshop-ean Xabier Saralegi eta Iñaki San Vicentek “Automatic extraction of bilingual terms from comparable corpora in a popular science domain. Xabier Saralegi, I. San Vicente, A. Gurrutxaga” ikerketa-lana aurkeztu dute. Corpus konparagarrietatik abiatuta terminologia elebiduna erauzteko teknikak garatzeko  egiten ari garen ikerketa-lanaren eta esperimentuen berri eman dugu.

Amaitzeko, ekainaren 1ean Igor Leturia eta Iñaki San Vicentek Web As Corpus workshop-ean “Collecting Basque specialized corpora from the web: language-specific performance tweaks and improving topic precision. Igor Leturia Azkarate, Iñaki San Vicente, Xabier Saralegi, Maddalen Lopez de Lacalle“ lana aurkeztuko dute. Corpus espezializatuak Internetetik automatikoki eratzeko ikerketa-proiektua abian dugu, eta proiektuaren orain arteko emaitzak aurkeztu ditugu.

Hizkuntza-teknologien ikerketa eta garapenean hainbat baliabide eta tresna garatu ditugu orain arte, ibilian-ibilian bagoaz aurrera, eta LREC 2008 biltzarrak gure lanaren emaitzak nazioartean  ezagutarazteko aukera eman digu.

Jakintza eta Informazioaren Gizartean, gero eta garrantzi handiagoa du eleaniztasunak. Eta hizkuntza-teknologiek zeresan handia dute horretarako erabili behar diren tresnen garapenean.

Horrelako tresnak, dena den, ingelesez funtzionatzeko daude eginak batez ere; gainerako hizkuntza-komunitateek –txikiek, batez ere– ahalegin berezia egin behar dute horretara iristeko. Euskarak, kasu.

Bestalde, pertsonen eta makinen arteko komunikazioa hizkuntza naturalean izateaz gain, modu intuitibo eta atseginean egitea da xedea. Desafio zientifiko-teknologiko handia da hori lortzea, lengoaiaren alderdi guztiak integratzea eskatzen baitu horrek: ahotsa, testua eta irudia.

Desafio horri ekiteko sortua da AnHitz proiektua, helburu honekin: euskarazko hizkuntza-teknologietan ikerketa eta garapena sustatzea, pertsonen eta gailuen arteko interakzioa eta jakintzaren kudeaketa naturala, intuitiboa eta atsegina izan dadin. Hona hemen proiektuan zehaztutako ikerketa-ildoak:

• Testu bidezko komunikazioa: lengoaia naturalaren ulermena, hizkuntzaren sorkuntza eta informazioaren erauzketa aurreratua.
• Jakintza kudeatzeko sistemen garapena: galdera-erantzuneko sistemak, informazio-bilaketa eta informazioaren erauzketa aurreratua.
• Elkarrizketa-sistemak: emozioen ezagutza eta sorkuntza, elkarrizketa-erregelak eta ahotsaren integrazioa gailu aurreratuetan.
• Irudi bidezko komunikazioa erabiltzailearekin: ezpainen mugimendua, minusbaliatuentzako hizkuntza.
• Itzulpen automatikoa: erabiltzailearekin eta jakintzaren kudeaketarekin lotutako interakzio-moduluetan aplikagarria.

Ikerketa-ildoez gain, bestelako helburu orokorrak ere baditu AnHitz proiektuak.

Batetik, hizkuntzaren industria garatu eta egonkortzeko urrats erabakigarriak ematea, eta, hala, ikerketen emaitza eta gailuak merkatuaren beharretara egokitu eta produktuen komertzializazioa bideragarri bihurtzea. Bestetik, oinarri teknologikoko enpresa berriak sortzea eta dagoeneko sortuta daudenen egonkortasuna lortzea. Azkenik, jakintza sortzea, ildo estrategiko horretan I+G+Bko erronka eta helburuei autonomiaz erantzuteko ikertzaile-talde sendoa prestatuz.

Hogeita hamar hilabeteko iraupena du proiektuak, eta hauek dira partaideak: VICOMTech eta Robotiker ikerketa-zentroak, EHUko IXA eta Aholab taldeak, eta Elhuyar Fundazioa. Eusko Jaurlaritzaren Industria, Merkataritza eta Turismo Sailak interes estrategikoko ikerketa-lerro izendatu du proiektua, eta Etortek programaren bidez lagunduko du.