Le WAXAL de Google a confié à des partenaires africains la responsabilité de 11 000 heures de données d'IA

Les systèmes d'IA échouaient souvent à comprendre les langues africaines, et les corpus vocaux de haute qualité sous licence permissive constituaient le principal goulot d'étranglement. Google et ses partenaires africains ont également dû faire face aux différences dialectales, aux normes orthographiques et à des environnements d'enregistrement inégaux.

Les partenaires ont fait de la propriété locale la décision de conception. Après trois ans de travail, Google a lancé WAXAL, un jeu de données couvrant 21 langues africaines, tandis que les organisations africaines qui ont collecté les données en ont conservé la propriété. Une licence permissive a maintenu le jeu de données ouvert au déploiement commercial, et des départements de linguistique universitaires ainsi que des boîtiers d'enregistrement portables ont contribué à résoudre les problèmes techniques.

Le lancement a produit plus de 11 000 heures de parole issues de près de 2 millions d'enregistrements, dont environ 1 250 heures de parole transcrite et plus de 20 heures d'audio de studio. L'Université du Ghana l'utilisait déjà pour des recherches sur la santé maternelle, transformant les institutions locales de collectrices de données en pôles d'infrastructure d'IA.

WAXAL a été lancé avec plus de 11 000 heures issues de près de 2 millions d'enregistrements ; les institutions africaines possèdent les données et les utilisent déjà pour des recherches sur la santé maternelle.

Les systèmes en langues africaines étaient sujets aux erreurs parce que les données d'entraînement étaient rares et difficiles à licencier.

La propriété locale a répondu aux enjeux de souveraineté et de confiance tout en laissant les personnes qui ont collecté les données en garder le contrôle.

Une licence permissive a permis aux entrepreneurs africains de construire et de commercialiser des produits sans intermédiaires de la Silicon Valley.

Des linguistes universitaires et un équipement d'enregistrement conçu localement ont rendu possible une capture de parole propre et sensible aux dialectes.

Lorsqu'un écosystème manque de données locales de confiance, accordez aux contributeurs la propriété et une licence permissive ; la gouvernance peut à la fois débloquer l'infrastructure, l'usage commercial et l'adoption.

Google a indiqué que six langues supplémentaires étaient déjà en préparation, portant le total prévu à 27, tandis que la couverture dialectale et l'absence de signes diacritiques en yoruba restaient des problèmes de qualité non résolus. Le projet Paza de Microsoft a montré que l'infrastructure communautaire pour les langues africaines devenait un domaine concurrentiel, mais le résultat immédiat de WAXAL était un jeu de données détenu localement qui soutenait déjà la recherche et de futurs produits.