Nyelvtechnológiai kutatócsoport
Kutatási terület

A Nyelvtechnológiai kutatócsoport jogelődje a Korpusznyelvészeti Osztály 1997-ben alakult, az akkor már néhány éve zajló nyelvtechnológiai kutató-fejlesztő munka formális elismeréseként. A kutatócsoport azóta jelentős kutatási és fejlesztési tapasztalatot halmozott fel a nyelvtechnológia számos területén: kiemelkedő eredményeket ért el nyelvi erőforrások építésében, nyelvtechnológiai eszközök fejlesztésében és újabban nyelvmodellek tanításában is.

A nyelvi erőforrások tekintetében ki kell emelnünk a Magyar Nemzeti Szövegtár első változatát: a 2005-ben elkészülő 187,6 millió szavas, reprezentatív, határon túli nyelvváltozatokat is tartalmazó annotált szövegkorpusz volt az első nagyobb ilyen jellegű adatbázis a magyarra. A 2014-ben közre adott MNSZ2, az MNSZ továbbfejlesztett változata, nemcsak majdnem tízszer több szövegszót tartalmaz (1.5 Mrd), hanem új, fontos szövegtípusokat is lefed, mint például a közösségi média. Továbbá a nyelvi elemzés minősége is sokat javult elődjéhez képest.

A kutatócsoport munkatársai az évek során számos eszközt is kifejlesztettek. Ezek közül az egyik legjelentősebb a helyesírás.mta.hu – Helyesírási tanácsadó portál, amely azért jött létre, hogy a magyar helyesírás bizonyos területein automatikus eszközökkel segítse az írásukra igényes érdeklődőket. De meg kell említeni az e-magyar nyelvi elemzőláncot illetve ennek továbbfejlesztett, modularizált utódját, az emtsv-t is, amelyek természetes nyelvi szövegek széleskörű elemzését teszik lehetővé.

A WordNet lexikai adatbázis magyar változata a másik fontos erőforrás, amely a kutatócsoport közreműködésével jött létre. A HuWordNet három éves munka eredményeként készült el, és a magyar szóállományt térképezi fel jelentéstani szempontból: a szinonim szavakat és a köztük lévő relációkat egyaránt tartalmazza.

A 2013-ban majd 2018-ban bekövetkező tudományági paradigmaváltások komoly hatással voltak a kutatócsoportban folyó munkálatokra is. A meghatározó nemzetközi kutatásokat követve létrehoztuk az elsősorban angolra kifejlesztett neurális nyelvmodellek magyar változatait. Ez kezdetben statikus szóbeágyazásokat jelentett, ám mostanra már rendelkezünk számos transzformer-alapú kontextuális nyelvmodellel is. Ilyen többek között például a HILBERT, amely egy BERT-Large nyelvmodell, valamint a PULI-GPT-3SX (7 milliárd paraméter), a GPT-3 magyar verziója. A kutatócsoport jelenlegi tevékenységének központi eleme az utasításkövető modellek fejlesztése: ennek keretében hoztuk létre a ParancsPULI illetve a PULI LlumiX 32K Instruct modelleket. A nyelvmodellekhez kapcsolódó egyéb specifikus alkalmazásaink kipróbálhatók ezen a demóoldalon.

Másik kiemelt törekvésünk, hogy olyan magyar nyelvű teszt-adatbázisokat, ún. benchmark-korpuszokat hozzunk létre, amelyek egy webszolgáltatásba ágyazva lehetővé teszik a neurális háló alapú technológiák egyszerű, ugyanakkor többszempontú kiértékelését, valamint ezen eredmények összehasonlítását és közzétételét. Ebből a célből elkészült a Hungarian Language Understanding Evaluation Benchmark Kit (HuLU), az angol nyelvre kidolgozott GLUE és SuperGLUE teszt-adatbázis infrastruktúra mintájára. Emellett folyamatban van a generatív nyelvmodellek kiértékelésére szolgáló eljárások kidolgozása is.

Héja EnikőKutatócsoport-vezető:

Héja Enikő, PhD
E-mail: urwn.ravxb@alghq.uh
Telefon: +36 (1) 3429372 / 6043
Futó hazai pályázatokKezdete – vége
A magyar nyelv digitális fenntarthatóságának támogatása2020.12.01. – 2026.11.30.
A magyar nyelv digitális támogatása a magyar
tudományosság szolgálatában
2020.12.01. – 2026.11.30.
Fontosabb lezárult nemzetközi pályázatokKezdete – vége
CURLICAT: Curated Multilingual Language Resources for CEF AT2020.06.01. – 2022.11.30.
MARCELL: Multilingual Resources for CEF.AT in the Legal Domain2018.10.01. – 2021.03.31.
Közösségimédia-tartalmak valós idejű, nagyléptékű trendfigyelése
és összegzése (TrendMiner)
2013 – 2014
Innovative Networking in Infrastructure for Endangered Languages (INNET)2011 – 2013
European Media Monitor – magyar modul2012
Central and South-East European Resources (CESAR)2011 – 2013
Internet Translators for all European Languages (iTranslate4)2010 – 2012
Fontosabb lezárult hazai pályázatokKezdete – vége
e-magyar.hu: Nyílt, integrált magyar nyelvtechnológiai kutatási
infrastruktúra építése.
2015.01.01. – 2016.06.30.
Magyar Generatív Történeti Szintaxis 22015 – 2019
helyesírás.mta.hu – Helyesírási tanácsadó portál2008 – 2013
A BUSZI-2 közzététele2008 – 2012
Magyar igei szerkezetek szótára2008 – 2010
Magyar Ontológia építése és alkalmazása információkinyerő rendszerekben (Magyar WordNet)2005 – 2007

*A befejezett pályázatok egy részletesebb listája itt található.

Nyelvtechnológiai kutatócsoport
Munkatársaink

Dodé Réka
tudományos segédmunkatárs

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Fekete István
informatikai munkatárs (Linux Unix rendszermérnök, Devops rendszermérnök)

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Ferenczi Gergő
informatikai vezető

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Földesi Flóra
szoftverfejlesztő

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Hatvani Péter
szoftverfejlesztő

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Héja Enikő
kutatócsoport-vezető, tudományos munkatárs

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Kis Alexandra
kutatási asszisztens

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Ligeti-Nagy Noémi
tudományos munkatárs

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Madarász Gábor
tudományos segédmunkatárs

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Prószéky Gábor
főigazgató, tudományos tanácsadó

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Sárossy Bence
tudományos segédmunkatárs

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Szaniszló Zsófia
szoftverfejlesztő (software developer)

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Váradi Tamás
főigazgató-helyettes, igazgató, tudományos főmunkatárs

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Verebélyi Tamás
szoftverfejlesztő

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Yang Zijian Győző
tudományos munkatárs

Nyelvtechnológiai és Alkalmazott Nyelvészeti Intézet

Nyelvtechnológiai kutatócsoport
Kutatásaink

Adatinfrastruktúra építése gondozott szövegek OCR-hibáinak javításával

A nyelvmodellek előállításához sokmilliárd szavas tanítókorpusz szükséges, melynek legkézenfekvőbb forrása az internet. Az itt elérhető szövegek zöme azonban bizonytalan eredetű és minőségű sokszor kevés metaadattal. Az Arcanum Adatbázis Kiadóval folyó együttműködés keretében rendelkezésünkre áll egy kb. kilencmilliárd szavas gondozott szöveggyűjtemény, amely a kiadó több éves OCR-szkennelő (Optical Character Recognition) tevékenységének eredménye. A OCR-technológia azonban nem 100%-os pontosság ...

Benchmark-korpuszok építése és közzététele

Az élvonalbeli NLP követésének egyik előfeltétele a magyar nyelvű fejlesztési eredmények szabványos mérése. Ehhez a szigorú módszertan szerint készített teszt-adatbázisok, úgynevezett benchmark-korpuszok egész sora szükséges, amelyek referenciaként szolgálnak az új technológiák és eszközök fejlettségi szintjének megállapításához.A benchmark-adatbázisok azonban nemcsak azt a célt szolgálják, hogy a különböző nyelvmodellek teljesítményét összemérjék. Fontos új szerepük annak feltérképezése, hogy e ...

Gépi fordítás

A nyelvtechnológia egyik fontos szakterülete a gépi fordítás. Napjaink piacvezető technológiájának számító transzformer-alapú nyelvi reprezentációt elsőként a gépi fordítás területén hozták létre, amely  innen kiindulva vált nemcsak az NLP legmeghatározóbb, de a beszédfeldolgozás vagy akár a képfelismerés tudományának meghatározó eszközévé.A kutatás célja a saját angol-magyar nyelvpárra létrehozott transzformer-alapú gépifordító-rendszer továbbfejlesztése többnyelvű irányba, hogy az ne csak két ...

Nyelvközpontú mesterséges intelligencia (nyelvmodellek) fejlesztése

Az utóbbi évtizedben uralkodóvá vált neurális nyelvi modellek paradigmaváltást hoztak a nyelvtechnológia egészében. Ezen általános célú nyelvmodellek létrehozásához rendkívüli számítástechnikai kapacitás és óriási adatmennyiség szükséges. Fő feladatunk, hogy a világszínvonalat jelentő nyelvmodelleket rövid követéssel a magyar nyelvre is kidolgozzuk, és elérhetővé tegyük a magyar nyelvtechnológiai szakma számára.A legújabb típusú, nagyméretű nyelvmodellek már egy jelentős lépést tettek meg a fela ...

Nyelvtechnológiai kutatócsoport
Hírek

19 találat
19 találat
Bővült a PULI nyelvmodellcsalád

Bővült a PULI nyelvmodellcsalád

2024. Márc. 27.
Beszélgetés Prószéky Gáborral A magyar nyelv hete alkalmából az M5 Librettó műsorában
Médiamegjelenés

Beszélgetés Prószéky Gáborral A magyar nyelv hete alkalmából az M5 Librettó műsorában

2023. Nov. 15.
A RE: FACT podcastja Prószéky Gáborral: Az AI, ami beszéli a nyelvünket: bemutatjuk a PULI-t
Médiamegjelenés

A RE: FACT podcastja Prószéky Gáborral: Az AI, ami beszéli a nyelvünket: bemutatjuk a PULI-t

2023. Nov. 09.
A Láncreakció podcastja Prószéky Gáborral: “A ChatGPT csak beszél, de akarni nem…”
Médiamegjelenés

A Láncreakció podcastja Prószéky Gáborral: “A ChatGPT csak beszél, de akarni nem…”

2023. Nov. 09.
Prószéky Gábor előadása a ChatGPT-ről és a PULI-ról az MTA-n a Magyar Nyelv Ünnepe alkalmából

Prószéky Gábor előadása a ChatGPT-ről és a PULI-ról az MTA-n a Magyar Nyelv Ünnepe alkalmából

2023. Nov. 08.
Prószéky Gábor a mesterséges intelligenciáról a Tilos Rádió „3. utas” című műsorában
Médiamegjelenés

Prószéky Gábor a mesterséges intelligenciáról a Tilos Rádió „3. utas” című műsorában

2023. Szept. 27.
A Magyar Nemzet a NYTK nyelvmodelljének, a PULI-nak a fejlesztéséről
Médiamegjelenés

A Magyar Nemzet a NYTK nyelvmodelljének, a PULI-nak a fejlesztéséről

2023. Szept. 20.
Prószéky Gábor főigazgatóval készített Index-interjú a mesterséges intelligenciáról, a ChatGPT veszélyeiről és a nagy nyelvi modell magyar testvéréről, a PULI-ról
Médiamegjelenés

Prószéky Gábor főigazgatóval készített Index-interjú a mesterséges intelligenciáról, a ChatGPT veszélyeiről és a nagy nyelvi modell magyar testvéréről, a PULI-ról

2023. Aug. 27.
A Napi.hu beszélgetése a mesterséges intelligenciáról Yang Zijian Győzővel, a NYTK tudományos munkatársával
Médiamegjelenés

A Napi.hu beszélgetése a mesterséges intelligenciáról Yang Zijian Győzővel, a NYTK tudományos munkatársával

2023. Aug. 24.
Yang Zijian Győző, az NYTK tudományos munkatársa beszélt a saját fejlesztésű nyelvi modellről, a PULI-ról az MCC Feszten
Médiamegjelenés

Yang Zijian Győző, az NYTK tudományos munkatársa beszélt a saját fejlesztésű nyelvi modellről, a PULI-ról az MCC Feszten

2023. Aug. 03.

Nyelvtechnológiai kutatócsoport
Események

3 találat
3 találat
2024. Febr. 02.
HUN-REN Nyelvtudományi Kutatóközpont (1068 Budapest, Benczúr u. 33.), fszt-i előadóterem
2024. Febr. 02.
HUN-REN Nyelvtudományi Kutatóközpont (1068 Budapest, Benczúr u. 33.), fszt-i előadóterem
XVIII. Alkalmazott Nyelvészeti Doktoranduszkonferencia
2024. Febr. 02.
HUN-REN Nyelvtudományi Kutatóközpont (1068 Budapest, Benczúr u. 33.), fszt-i előadóterem
Konferencia

XVIII. Alkalmazott Nyelvészeti Doktoranduszkonferencia

Az alkalmazott nyelvészet témaköreivel számos doktori programban foglalkoznak igen magas szinten az országban. A különböző programok résztvevőinek azonban kevés lehetőségük van arra, hogy betekintsenek a többi programon belül végzett munka részleteibe, és hogy megismerjék más doktori hallgatók fő kutatási területeit, kérdéseit és módszereit. Az Alkalmazott Nyelvészeti Doktoranduszkonferenciák ebben szeretnének segítséget nyújtani.
2023. Nov. 30. 10:00
Nyelvtudományi Kutatóközpont (1068 Budapest, Benczúr u. 33.), fszt-i előadóterem és online
2023. Nov. 30. 10:00
Nyelvtudományi Kutatóközpont (1068 Budapest, Benczúr u. 33.), fszt-i előadóterem és online
ParlaMint: parlamenti felszólalások korpuszai. Az európai projekt és a 30 millió szavas magyar alkorpusz bemutatása
2023. Nov. 30. 10:00
Nyelvtudományi Kutatóközpont (1068 Budapest, Benczúr u. 33.), fszt-i előadóterem és online
Egyéb tudományos esemény

ParlaMint: parlamenti felszólalások korpuszai. Az európai projekt és a 30 millió szavas magyar alkorpusz bemutatása

Mintegy 30 európai ország kutatóinak közös munkája eredményeként  az európai országok nemzeti és regionális parlamentjeinek felszólalásaiból létrejött a több mint 1 milliárd szavas ParlaMint 3.1 korpusz. Ezzel kutathatóvá, sőt összehasonlíthatóvá váltak az európai országok parlamentjeinek szövegei. A 30 millió szavas magyar alkorpusz a parlament 2014. május 6. és 2023. július 31. közötti felszólalásait tartalmazza, metaadatokkal gazdagítva.
KözreműködőkLigeti-Nagy NoémiJelencsik-Mátyus Kinga
2023. Szept. 29. 19:00 - 21:00
Nyelvtudományi Kutatóközpont (1068 Budapest, Benczúr u. 33.), fszt-i előadóterem
2023. Szept. 29. 19:00 - 21:00
Nyelvtudományi Kutatóközpont (1068 Budapest, Benczúr u. 33.), fszt-i előadóterem
Kutatók Éjszakája: PULI – a magyar mesterséges intelligencia. Most te parancsolsz!
2023. Szept. 29. 19:00 - 21:00
Nyelvtudományi Kutatóközpont (1068 Budapest, Benczúr u. 33.), fszt-i előadóterem

Kutatók Éjszakája: PULI – a magyar mesterséges intelligencia. Most te parancsolsz!

Kíváncsi vagy a mesterséges intelligencia legújabb csúcsteljesítményeire? Gyere el hozzánk a Kutatók éjszakáján, és ismerkedj meg a parancsPULI-val, az új InstructGPT modellünkkel! Tapasztald meg élőben, ahogy a gépi tanulás és a nyelvtechnológia találkozik, és legyél Te az, aki a modellt teszteli! Adj utasításokat, tegyél fel kérdéseket és fedezd fel, milyen intelligens válaszokra képes! Ne maradj le erről az izgalmas eseményről, és légy részese a jövőnek!Kinek ajánljuk?középiskolás, egyetemist ...

Nyelvtechnológiai kutatócsoport
Kapcsolatok

Partnerintézmények

European Federation of National Institutions for Language

Váradi Tamás 2010 óta az EFNIL szervezet titkára, az intézet pedig 2010 óta látja el a titkársági feladatokat az EFNIL-ben.

European Language Resource Coordination (ELRC)

Az European Language Resource Coordination (ELRC) workshop keretein belül a magyar nyelvtechnológia helyzetéről és kilátásairól folytatunk párbeszédet az ipari és az állami szereplőkkel. A nyelvtechnológia fejlesztői, mind felhasználói megosztják tapasztalataikat, igényeiket és ötleteiket azt illetően, miként lehet nyelvtechnológiai megoldásokkal segíteni a többnyelvű Európa digitális interakcióit. Megvitatjuk azt is, hogy a nyelvi adatok, azaz a szövegek és a hanganyagok miként segíthetik a

Pécsi Tudományegyetem Alkalmazott Adattudományi és Mesterséges Intelligencia Központja

A HILANCO egy természetes nyelvi feldolgozó konzorcium (NLP) Magyarországon, a NYTK és a PTE között. A Konzorcium küldetése, hogy új NLP-technológiákat és erőforrásokat biztosítson az intelligens nyelvi alkalmazások AI célokra való kiépítéséhez. Élvonalbeli megoldásokat kínálunk az innováció teljes spektrumának kiszolgálására a kutatástól és fejlesztéstől a piacképes üzleti termékekig.