حين يعمل نموذج لغوي جيدًا بالإنجليزية ثم يتعثر بالعربية، يقفز التفسير السهل: البيانات العربية أقل. هذا صحيح لكنه ليس السبب الأهم.
التحدي الأول: الصرف الغني
الكلمة العربية الواحدة قد تحمل ما تحمله جملة إنجليزية كاملة. «أفسيقرؤونها» كلمة واحدة تحتوي استفهامًا وعطفًا وفعلًا وفاعلًا ومفعولًا.
هذا يعني أن أدوات التجزيء المصممة للإنجليزية تقطّع الكلمة العربية بطرق تفقدها معناها، فيتعلم النموذج على أشلاء لا على وحدات دلالية.
التحدي الثاني: التشكيل الغائب
نكتب العربية بلا تشكيل في الغالب، فتصبح كلمات كثيرة متطابقة في الكتابة مختلفة في المعنى تمامًا، ولا يفكّها إلا السياق.
الإنسان يفكّ هذا الالتباس تلقائيًا من خبرته اللغوية؛ النموذج يحتاج سياقًا كافيًا وبيانات متنوعة ليتعلم التمييز نفسه.
التحدي الثالث: اللهجات
المحتوى العربي الحقيقي على الإنترنت غالبه عامي لا فصيح، واللهجات تختلف بينها اختلافًا يفوق أحيانًا الفرق بين لغات أوروبية متجاورة.
نموذج مدرّب على الفصحى وحدها يتعثر في أول تعليق حقيقي من مستخدم، وهذا بالضبط ما يواجهه من يبني خدمة عملاء عربية.
ما الحل عمليًا؟
لا تبدأ بتدريب نموذج من الصفر — التكلفة لا تبررها النتيجة في أغلب الحالات. ابدأ بنموذج قوي ثم عالج طبقة التجزيء والتطبيع بعناية.
والأهم: ابنِ مجموعة اختبار عربية حقيقية من نطاقك أنت، بعامّيتها وأخطائها الإملائية. قياسك على بيانات مثالية سيعطيك أرقامًا جميلة ونظامًا يفشل عند أول مستخدم.
