ხელოვნური ინტელექტის ეპოქაში ენა მხოლოდ საუბრისთვის აღარ გამოიყენება. ის უნდა არსებობდეს საძიებო სისტემებში, ციფრულ არქივებში, ხმოვან ჩანაწერებში, პროგრამულ ინტერფეისებში და იმ მონაცემებში, საიდანაც ალგორითმები სწავლობენ. ქართული ყოველდღიურ კომუნიკაციაში ძლიერი ენაა, მაგრამ AI-ს სივრცეში ის ჯერ სათანადოდ გამართული არ არის: W3Techs-ის 2026 წლის აგვისტოს შეფასებით, ქართული გამოიყენება იმ ვებსაიტების 0.1%-ზე ნაკლებში, რომელთა შინაარსის ენის იდენტიფიცირებაც შესაძლებელია.

ეს კონტრასტი განსაკუთრებით თვალსაჩინოა საქართველოს ციფრული მოხმარების ფონზე. საქსტატის 2025 წლის კვლევის მიხედვით, ბოლო სამი თვის განმავლობაში ინტერნეტი 6 წლისა და უფროსი მოსახლეობის დაახლოებით 88%-მა გამოიყენა. მოქალაქეები უკვე ციფრულ სივრცეში არიან, მაგრამ ქართული ცოდნის მნიშვნელოვანი ნაწილი კვლავ დახურულ საცავებში, დასკანერებულ PDF-ებში, არასტრუქტურირებულ საიტებსა და საავტორო უფლებებით გაურკვეველ არქივებში რჩება. ადამიანისთვის ინტერნეტში ხილული ტექსტი ყოველთვის არ ნიშნავს AI-სთვის სასწავლად გამოსადეგ მონაცემს.

ამიტომ კითხვაზე – შეინარჩუნებს თუ არა AI ქართულ ენას – პასუხი ტექნოლოგიური წინასწარმეტყველება არ არის. პასუხი დამოკიდებულია იმაზე, შევქმნით თუ არა საკმარისად დიდ, მრავალფეროვან, ხარისხიან და კანონიერად გამოყენებად ქართულ ციფრულ რესურსს. AI ენას ვერ გადაარჩენს, თუ ენა მასალად არ მივაწოდეთ; მაგრამ კარგად ორგანიზებული ქართული ცოდნა AI-ს ქართული ენის გაძლიერების ერთ-ერთ ყველაზე მასშტაბურ ინსტრუმენტად აქცევს.

ციფრული პროდუქტების გამოყენება მაღალია, ქართული მასალა – მცირე

0.1%-ზე ნაკლები წილი არ ნიშნავს, რომ ქართული გაქრობის წინაშეა. ის ნიშნავს, რომ გლობალური მონაცემების ბაზარზე ქართული ძალიან მცირე მომწოდებელია. დიდ ენობრივ მოდელს შეუძლია ქართულად პასუხის შექმნა მრავალენოვანი გადატანის, თარგმნისა და შედარებით მცირე ქართული მასალის დახმარებით, თუმცა ამ შემთხვევაში იზრდება ტერმინოლოგიური შეცდომის, უცხოენოვანი კონსტრუქციების, ზედაპირული ცოდნისა და ქართული რეალობის არასწორი ინტერპრეტაციის რისკი.

ენა AI-ში რაოდენობითაც ფასობს და ხარისხითაც. თითქმის იდენტური მილიონი საინფორმაციო ტექსტი ვერ ჩაანაცვლებს მრავალფეროვან კოლექციას, რომელშიც შედის ისტორია, მეცნიერება, ბიზნესი, სამართალი, მედიცინა, ლიტერატურა, დიალექტები, საჯარო მონაცემები და ბუნებრივი საუბარი. საჭიროა არა უბრალოდ მეტი ტექსტი, არამედ უკეთ აღწერილი და დაბალანსებული ტექსტი. 

BTU-ს პროექტი: 12 მილიონი ქართული ტოკენი ღია წვდომაში

BTU-მ ამ პრობლემას უკვე კონკრეტული რესურსით უპასუხა. პალიტრა მედიის მხარდაჭერით უნივერსიტეტმა შექმნა ქართული ენის მასშტაბური ციფრული ბაზა. პროექტისთვის პალიტრა მედიამ BTU-ს გადასცა წლების განმავლობაში დაგროვილი მილიონობით მედია მასალა. მნიშვნელოვანია განსხვავება წყაროსა და მიმდინარე გამოქვეყნებულ შედეგს შორის: მრავალმილიონიანი არქივი ქმნის რესურსის გაფართოების საფუძველს, ხოლო GitHub-ზე განთავსებული საწყისი ღია ბაზა დაახლოებით 12 მილიონ ტოკენს მოიცავს.

რესურსში წარმოდგენილია არა მხოლოდ ცალკეული სიტყვები და წინადადებები, არამედ ქართული ენის ფორმობრივი და შინაარსობრივი მრავალფეროვნება: ზმნური ფორმები, ბრუნვები, იდიომები, ტერმინოლოგია, მედიის, ბიზნესისა და ეკონომიკის ენა და ოფიციალური მონაცემები. სწორედ ასეთი მრავალდარგოვანი მასალა ეხმარება AI სისტემას, რომ სიტყვა მხოლოდ ფორმით კი არ ამოიცნოს, არამედ მისი მნიშვნელობა კონკრეტულ წინადადებასა და ქართულ კონტექსტში გაიგოს.

GitHub-ზე ღია გამოქვეყნებით ქართული რესურსი ხელმისაწვდომი გახდა საერთაშორისო მკვლევრების, დეველოპერებისა და AI ეკოსისტემისთვის. მისი გამოყენება შესაძლებელია ენობრივი მოდელების ადაპტაციისთვის, ქართული ტექსტის კლასიფიკაციისთვის, ძიების, თარგმნის, განათლებისა და სხვა სერვისების გასაუმჯობესებლად. ეს ხელმისაწვდომობა შესაძლებლობას ქმნის ისეთი სისტემებისთვისაც, როგორებიცაა ChatGPT, Google-ის AI მოდელები, Claude და სხვა მოდელები, თუმცა ზუსტი ფორმულირება მნიშვნელოვანია: საჯარო რესურსის არსებობა არ ნიშნავს, რომ ამ კომპანიებმა ის უკვე გამოიყენეს საკუთარ სწავლებაში.

პროექტი BTU-ს ქართული ენის ციფრული სუვერენიტეტის ინიციატივის ნაწილია. ამ შემთხვევაში ციფრული სუვერენიტეტი არ ნიშნავს ქართული მონაცემის დანარჩენი სამყაროსგან ჩაკეტვას. პირიქით, ის ნიშნავს, რომ საქართველოს შეუძლია თავად შექმნას, აღწეროს და კანონიერად გახსნას ხარისხიანი ენობრივი საფუძველი, რათა ქართული AI-ში წარმოდგენილი იყოს საკუთარი სტრუქტურით, მნიშვნელობებითა და კულტურული კონტექსტით. BTU და პალიტრა მედია ამ მოდელში ასრულებენ ორ ურთიერთშემავსებელ როლს: მედია უზრუნველყოფს მრავალწლიანი ქართული ტექსტის მასშტაბსა და მრავალფეროვნებას, უნივერსიტეტი კი მას გარდაქმნის კვლევისა და ტექნოლოგიური გამოყენებისთვის ხელმისაწვდომ რესურსად.

რამდენი ქართული მასალაა საჭირო?

არ არსებობს ტოკენების რაოდენობა, რომლის მიღწევის შემდეგ AI ავტომატურად სრულყოფილ ქართულს ისწავლის. შედეგი დამოკიდებულია მონაცემის ხარისხზე, მოდელზე, გამოყენების მიზანზე და დარგობრივ ბალანსზე. თუმცა BTU-ს 12-მილიონტოკენიანი საწყისი რესურსი უკვე იძლევა გაფართოების მასშტაბის დათვლის შესაძლებლობას. ქვემოთ 50 და 200 მილიონი ტოკენი მხოლოდ საორიენტაციო სცენარებია.

ეს მაჩვენებლები არ გულისხმობს, რომ ყველა ტექსტი თავიდან უნდა დაიწეროს. საქართველოს უკვე აქვს დიდი მოცულობის წიგნები, კვლევები, კანონები, სასამართლო გადაწყვეტილებები, სტატისტიკა, მედიაარქივები და აუდიოვიზუალური მასალა. ამოცანაა მათი ინვენტარიზაცია, უფლებების დაზუსტება, ციფრულ ფორმატში გადაყვანა, დუბლირების მოცილება, პერსონალური მონაცემების დაცვა და ერთიან ტექნიკურ სტანდარტში გამოქვეყნება.

ღია მონაცემი უფასო მონაცემის სინონიმი არ არის. მას უნდა ჰქონდეს მკაფიო გამოყენების პირობები. საავტორო უფლება, პირადი ინფორმაცია, კომერციული საიდუმლო და კულტურულად მგრძნობიარე მასალა ვერ გაიხსნება ავტომატურად. ეროვნული ენობრივი რესურსი უნდა აშენდეს თანხმობის, ლიცენზირების, წარმომავლობის აღრიცხვისა და გამორიცხვის შესაძლებლობის პრინციპებით.

რა უნდა გაკეთდეს შემდეგ

პირველი ნაბიჯი ეროვნული ინვენტარია: რა ქართული ტექსტი, ხმა, ვიდეო, ტერმინოლოგიური ბაზა და პარალელური თარგმანი არსებობს, ვის ეკუთვნის და რა ფორმით შეიძლება მისი გამოყენება. მეორე ნაბიჯია ღია გამოქვეყნების ერთიანი მინიმალური სტანდარტი – ტექსტური ფორმატი, მეტამონაცემები, ლიცენზია, მუდმივი ბმული და ხარისხის აღნიშვნა. მესამეა ქართული ენის რეგულარული AI-ბენჩმარკი, რომელიც გაზომავს არა მხოლოდ გრამატიკას, არამედ ფაქტობრივ სიზუსტეს, ქართული კონტექსტის ცოდნას, დიალექტებს, პროფესიულ ტერმინებსა და უსაფრთხოებას.

BTU-ს მიერ დაახლოებით 12 მილიონი ტოკენის GitHub-ზე ღია წვდომით განთავსება ამ მიმართულების უკვე გაზომვადი დასაწყისია. მისი მასშტაბური ეფექტი მაშინ გამოჩნდება, თუ ბაზა რეგულარულად გაიზრდება, მის ხარისხზე და ლიცენზირებაზე მუდმივი კონტროლი იარსებებს და სხვა უნივერსიტეტები, გამომცემლობები, მედიაორგანიზაციები და საჯარო დაწესებულებებიც შეუერთდებიან. მიზანი მხოლოდ ერთი საცავის გაზრდა კი არა, ქართული ცოდნის საერთო, კანონიერი და ხარისხიანი ციფრული გარემოს შექმნა უნდა იყოს.

ქართული ენის მომავალი AI-ში მხოლოდ ტექნოლოგიური კომპანიების გადასაწყვეტი არ არის. ის დამოკიდებულია იმაზე, რამდენ ქართულ ცოდნას შევქმნით, რამდენს გავხსნით, როგორ აღვწერთ და რამდენად პასუხისმგებლიანად მივაწვდით მანქანებს. თუ ქართული ცოდნა უხილავი დარჩება, AI ქართულად ილაპარაკებს, მაგრამ საქართველოს შესახებ ზედაპირულად ეცოდინება. თუ ცოდნა გახდება ღია, სტრუქტურირებული და ხარისხიანი, AI შეიძლება არა ენის შემცვლელი, არამედ მისი ახალი გამავრცელებელი გახდეს.