README.md

metadata

license: mit
language:
  - ko
pipeline_tag: text-generation
tags:
  - Language
  - Dialect

JEJUMA-002

• LLM으로 사라져가는 우리 방언 지키기 프로젝트2: 전국방언

왜 시작하게 되었나요?

빠르게 사라져가는 지역방언

• 여러 지역 방언들이 사라지고 있습니다.
• 지역에 사는 젊은이들도 지역 방언보다는 표준어를 사용하는 경향이 강해지고 있습니다.
• 특히, 타지역과의 교류가 활발해지면서 젊은 층에선 방언보단 표준어를 선호하는 현상이 나타납니다.

지역방언에 약한 언어모델

• 온라인 소스는 표준어로 구성되어 있기에, 자료가 적은 지역방언을 잘 모릅니다.
• 특히 제주어는 표준어와 차이가 크기 때문에, 유명한 단어나 문장 외에는 모델이 이해할 수 없습니다.
• 그 외에 다른 방언들도 점차 억양만 남고 단어들이 소실되고 있습니다.

어떻게 이를 해결했나요?

• 언어모델을 통해 어려운 방언을 표준어로 변경하여 방언이 잊혀지지 않도록 합니다.
• 언어모델을 통해 표준어의 방언 버전을 생성하여 확인할 수 있도록 합니다.
• 방언을 입력하면 어느 지역 방언인지 유추할 수 있도록 합니다.
• 언어모델을 사용한 이유는 기존에 학습된 다양한 내용을 그대로 이어갈 수 있도록 하기 위함입니다.

개발한 언어모델에 대한 설명

• 각 지역 방언 데이터를 바탕으로 Llama3.1을 다양한 테스크가 가능하도록 파인튜닝하여, 여러 지역 방언과 관련된 여러 테스크를 수행하도록 합니다.
• JEJUMA-002는 현재 방언과 표준어간 변경, 방언 탐지 등의 역할을 수행할 수 있습니다.
• JEJUMA-002를 모델을 훈련하기 위해 약 500만개의 지역방언-서울말 페어 데이터를 수집하고, 그 중 지역방언 잘 들어난 데이터를 평균 15만개씩 총 75만개 선별하였습니다.
• 이를 바탕으로 총 4가지의 테스크를 수행하도록 훈련 데이터를 확장하였으며, 이는 총 약 200만개의 데이터입니다.
• 각 방언별 데이터 비율과 형식을 맞추기 위해, 직접 수집하는 대신 오픈 데이터를 가공하였습니다.
• LlamaFactory를 통해 LoRA 방식으로 훈련하였으며, 모든 데이터에 대해 1에폭 학습하였습니다.
• 어려운 방언(사투리)에 대해서, gpt4o와 국산 모델인 업스테이지 Solar, 네이버 HCX 높은 번역 정확도를 보입니다.

제일 어려운 제주어 테스크에 대한 예시

제주어 -> 표준어

입력 문장	자이 폴에 독솔 막 난 거 보난 언 생이우다
정답	재 팔에 닭살이 막 난 거 보니, 추운 모양이다.
Upstage Solar 출력	그 바위에 뱀이 나타나는 걸 보니까 정말 놀랐다.
Naver HCX 출력	재의 풀에 독초가 마구 난 것을 보니 어린 소나무입니다.
GPT-4o 출력	저기 바위에 독사가 막 나타난 걸 보니까 정말 놀랐다.
JEJUMA-001 출력	재 팔에 닭살이 막 난 거 보니, 추운 모양이다.

표준어 -> 제주어

입력 문장	귤나무에 그냥 가서 너네 아버지좀 찾아와라.
데이터셋	미깡낭 경 가심 너네 아방 좀 데령
Upstage Solar 출력	귤 나무에 가서 네 아버지를 좀 찾아와.
Naver HCX 출력	귤낭에 강 느네 아방 좀 데령오라.
GPT-4o 출력	귤나무에 걍 가서 햄신 아방 좀 찾아와라.
JEJUMA-001 출력	미깡낭 경 가심 너네 아방 좀 촞아오라.

어떻게 사용하나요?

• 정의된 탬플릿에서 dialect_to_standard, standard_to_dialect, detect_dialect, detect_dialect_and_convert 중 하나를 사용할 수 있습니다.
• dialect_to_standard: 방언을 표준어로 변경
• standard_to_dialect: 표준어를 방언으로 변경
• detect_dialect: 방언 종류 감지
• detect_dialect_and_convert: 자동으로 방언종류를 감지하여 표준어로 변경

import transformers
import torch

model_id = "JEJUMA/JEJUMA-002"

pipeline = transformers.pipeline(
    "text-generation",
    model=model_id,
    model_kwargs={"torch_dtype": torch.bfloat16},
    device_map="auto",
)

terminators = [
    pipeline.tokenizer.eos_token_id,
    pipeline.tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

class DialectPromptTemplate:
    @staticmethod
    def dialect_to_standard(text, region):
        return [{"role":"user", "content":f"Convert the following sentence or word which is {region}'s dialect to standard Korean: " + text},]

    @staticmethod
    def standard_to_dialect(text, region):
        return [{"role":"user", "content":f"Convert the following sentence or word which is standard Korean to {region}'s dialect: " + text},]

    @staticmethod
    def detect_dialect(text):
        return [{"role":"user", "content":"Detect the following sentence or word is standard, jeju, chungcheong, gangwon, gyeongsang, or jeonla's dialect: " + text},]

    @staticmethod
    def detect_dialect_and_convert(text):
        return [{"role":"user", "content":"Detect the following sentence or word is which dialect and convert the following sentence or word to standard Korean:" + text},]


outputs = pipeline(
    DialectPromptTemplate.dialect_to_standard("자이 폴에 독솔 막 난 거 보난 언 생이우다", "jeju"),
    max_new_tokens=512,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.1,
    top_p=0.9,
)

print(outputs[0]["generated_text"][-1])

추후 계획

• JEJUMA-003는 국내의 모든 방언 데이터와 이를 설명하는 테스크를 바탕으로 데이터에 없는 방언(연변방언, 북한어, 제3의 언어)를 일부 번역할 수 있도록 할 계획입니다.
• JEJUMA-003이 본 연구에 최종 단계이며, 이를 위해 번역모델이나 더 작은 모델이 아니라 8B 크기의 언어모델을 사용하고 있습니다.
• JEJUMA-002를 훈련하기 위한 데이터를 원하시면, [이메일](mailto: [email protected])로 간단한 소속과 사용 목적을 말씀해주시면 내부 상의후 전달드리겠습니다.