नाशिक : आसिफ सय्यद
मराठी भाषेला आधुनिक ज्ञानभाषा आणि तंत्रज्ञानाच्या युगातील सक्षम भाषा करण्याच्या दिशेने राज्य शासनाने महत्त्वपूर्ण पाऊल उचलले आहे. राज्यातील विविध संशोधन संस्थांनी प्रसिद्ध केलेल्या सुमारे ५ हजार अभिजात मराठी संशोधन ग्रंथांचे डिजिटायझेशन करून त्यांचा समावेश कृत्रिम बुद्धिमत्ता (एआय) आधारित 'महाशब्दकोशा'मध्ये करण्यात येणार आहे.
'विकसित महाराष्ट्र २०४७' या संकल्पनेअंतर्गत राबवण्यात येणाऱ्या या महत्त्वाकांक्षी प्रकल्पासाठी २ कोटी रुपयांच्या खर्चाला प्रशासकीय मान्यता देण्यात आली आहे. मराठी भाषेतील ज्ञानसंपदा डिजिटल स्वरूपात सुरक्षित ठेवण्याबरोबरच भविष्यातील कृत्रिम बुद्धिमत्ता, नैसर्गिक भाषा प्रक्रिया (NLP), डिजिटल अभिलेख आणि आधुनिक संशोधनासाठी मोठ्या प्रमाणावर मराठी भाषिक माहिती उपलब्ध करून देणे, हा या प्रकल्पाचा प्रमुख उद्देश आहे.
'विकसित महाराष्ट्र २०४७'च्या व्हिजन डॉक्यूमेंटमध्ये 'सम्यक शक्ती' (या गटात मराठी भाषा विभागाचा समावेश करण्यात आला आहे) या अंतर्गत मराठी भाषेचे डिजिटल सक्षमीकरण करण्यासाठी १० अब्ज शब्दांचा भव्य महामजकूर संचय (एआय कॉर्पस) उभारण्याचे उद्दिष्ट निश्चित करण्यात आले आहे.
या महामजकूर संचयासाठी केवळ पुस्तकेच नव्हे, तर विविध स्वरूपातील मराठी भाषिक सामग्रीचे संकलन करण्यात येणार आहे. छापील पृष्ठांचे स्कॅनिंग, श्राव्य मजकुराचे डिजिटल संग्रहण तसेच मराठी नाटिकांच्या संहितेंचे संकलन व संहिताकरण यांचा त्यात समावेश असेल.
भविष्यात एआय प्रणालींना मराठी भाषा अधिक अचूकपणे समजून घेण्यासाठी, प्रक्रिया करण्यासाठी आणि निर्माण करण्यासाठी हा भाषिक डेटा महत्त्वाचा ठरणार आहे.
२०२७ ते २०३० टप्प्याटप्प्याने ॲनोटेशन
प्रकल्पासाठी भाषिक माहितीचे ॲनोटेशन करण्याचेही टप्पानिहाय उद्दिष्ट निश्चित करण्यात आले आहे. मार्च २०२७ पर्यंत ५० लाख, मार्च २०२९ पर्यंत १.५ कोटी आणि मार्च २०३० पर्यंत ४ कोटी ॲनोटेशन तयार करण्याचे नियोजन आहे.
यामुळे मराठी भाषेतील शब्द, वाक्यरचना आणि विविध प्रकारच्या भाषिक सामग्रीचा संगणकीय पद्धतीने अभ्यास व वापर करणे सुलभ होणार आहे. या संपूर्ण प्रकल्पाचे नियोजन, समन्वय आणि नियंत्रण भाषा संचालनालयामार्फत मुंबई विद्यापीठाच्या सहकार्याने करण्यात येणार आहे.
स्कॅनिंगपासून 'युनिकोड' प्रमाणीकरणापर्यंत
अभिजात ग्रंथांचे डिजिटल स्वरूपात जतन करताना गुणवत्तेसाठी निश्चित तांत्रिक मानके लागू करण्यात येणार आहेत. संशोधन संस्थांकडून ग्रंथ संकलित केल्यानंतर त्यांचे उच्च दर्जाचे स्कॅनिंग करण्यात येईल. त्यानंतर ओसीआर (ऑप्टिकल कॅरेक्टर रिकग्निशन) तंत्रज्ञानाच्या माध्यमातून छापील मजकुराचे संपादन करता येईल अशा डिजिटल स्वरूपात रूपांतर केले जाईल.
ओसीआर प्रक्रियेत होणाऱ्या चुका टाळण्यासाठी अनुभवी मुद्रितशोधकांकडून मूळ ग्रंथाशी डिजिटल मजकुराची पडताळणी केली जाणार आहे. संपूर्ण मजकूर युनिकोड आधारित ठेवण्यात येणार असल्याने भविष्यात विविध डिजिटल प्रणाली आणि संगणकीय प्लॅटफॉर्मवर त्याचा वापर करणे शक्य होणार आहे.
मराठीसाठी डिजिटल ज्ञानभांडार
या प्रकल्पामुळे मराठीतील दुर्मिळ आणि अभिजात संशोधन साहित्य डिजिटल स्वरूपात दीर्घकाळ जतन करण्यास मदत होणार आहे. त्याचबरोबर संशोधक, विद्यार्थी, भाषातज्ज्ञ आणि तंत्रज्ञान क्षेत्रातील अभ्यासकांना मोठ्या प्रमाणावर प्रमाणित मराठी भाषिक सामग्री उपलब्ध होईल.
डिजिटल इंडिया, राष्ट्रीय डिजिटल अभिलेख, नैसर्गिक भाषा प्रक्रिया, कृत्रिम बुद्धिमत्ता आणि आधुनिक संशोधन प्रणालींमध्ये मराठी भाषेचा वापर वाढवण्यासाठी हा महामजकूर संचय महत्त्वाचा आधार ठरण्याची अपेक्षा आहे. मराठीच्या पारंपरिक ज्ञानसंपतेला आधुनिक डिजिटल तंत्रज्ञानाशी जोडणारा हा प्रकल्प ठरणार आहे.
