INDRA (Adaptador Regional de la India)
modelo optimizado de IA generativa para plataformas multilingües en el contexto de la diversidad lingüística de la India
Introducción : La diversidad multilingüe de la India plantea importantes desafíos en el procesamiento del lenguaje natural. INDRA presenta un marco unificado de IA generativa optimizado para múltiples lenguas índicas.
Problema : Los modelos multilingües existentes tienen un rendimiento deficiente al procesar lenguas índicas con pocos recursos. Se necesita una arquitectura de PLN más eficaz y escalable, adaptada al panorama lingüístico de la India.
Objetivo : El presente estudio tiene como objetivo desarrollar y evaluar INDRA, una arquitectura novedosa que mejora el rendimiento del procesamiento del lenguaje natural (PLN) multilingüe, especialmente para las lenguas índicas poco representadas.
Metodología: INDRA integra un codificador-decodificador compartido con adaptadores específicos para cada familia lingüística, características tipológicas y atención jerárquica. Se compara con mBART, IndicTrans2, MuRIL y mT5 mediante métricas estándar de PLN.
Resultados: La evaluación experimental muestra que INDRA supera a todos los modelos de referencia en precisión, puntuación F1, BLEU, TER y chrF++, especialmente para idiomas con pocos recursos.
Conclusión: INDRA demuestra ser una solución eficaz y eficiente para el procesamiento del lenguaje natural multilingüe en la India, ofreciendo un rendimiento y una escalabilidad mejorados.
Originalidad: El uso innovador de la arquitectura, que incorpora atención jerárquica y componentes específicos para lenguas índicas, supone una importante innovación con respecto a los modelos existentes.
Limitaciones: El estudio se centra en conjuntos de datos textuales y aún no aborda el procesamiento del habla o multimodal dentro de las lenguas índicas.
Cómo citar
Licencia
Derechos de autor 2025 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
1. Khanuja, S., Bansal, D., Mehtani, S., Khosla, S., Dey, A., Gopalan, B., ... & Talukdar, P. (2021). MuRIL: Multilingual Representations for Indian Languages.
2. Gala, J., Chitale, P. A., Raghavan, A. K., Gumma, V., Doddapaneni, S., Kumar, A. & Kunchukuttan, A. (2023). IndicTrans2: Towards High-Quality and Accessible Machine Translation Models for all 22 Scheduled Indian Languages.
3. Kakwani, D., Kunchukuttan, A., Golla, S., Gokul, N.C., Bhattacharyya, A., Khapra, M. M., & Kumar, P. (2020). IndicNLPSuite: Monolingual Corpora, Evaluation Benchmarks and Pre-trained Multilingual Language Models for Indian Languages. DOI: https://doi.org/10.18653/v1/2020.findings-emnlp.445
4. Dabre, R., Shrotriya, H., Kunchukuttan, A., Puduppully, R., Khapra, M. M., & Kumar, P. (2022). IndicBART: A Pre-trained Model for Natural Language Generation of Indic Languages. DOI: https://doi.org/10.18653/v1/2022.findings-acl.145
5. Bhat, S., & Varma, V. (2023). Generative Models For Indic Languages: Evaluating Content Generation Capabilities.
6. Ahuja, K., Diddee, H., Hada, R., Ochieng, M.,
Ramesh, K., Jain, P., ... & Sitaram, S. (2023). MEGA: Multilingual Evaluation of Generative AI.
7. Das, S., Panda, D., Mishra, T. K., Patra, B. K., & Ekbal, A. (2024). Multilingual Neural Machine Translation for Indic to Indic Languages. DOI: https://doi.org/10.1017/nlp.2024.26
8. Aggarwal, D., Gupta, V., & Kunchukuttan, A. (2022). INDICXNLI: Evaluating Multilingual Inference for Indian Languages. DOI: https://doi.org/10.18653/v1/2022.emnlp-main.755
9. Gautam, D., Kodali, P., Shrivastava, M., Gupta, K., Goel, A., & Kumaraguru, P. (2022). CoMeT: Towards Code-Mixed Translation Using Parallel Monolingual Sentences. DOI: https://doi.org/10.18653/v1/2021.calcs-1.7
10. Deb, B., Zheng, G., Shokouhi, M., & Awadallah, A. H. (2023). A Conditional Generative Matching Model for Multi-lingual Reply Suggestion.
11. KJ, S., Jain, V., Bhaduri, S., Roy, T., & Chadha, A. (2023). Decoding the Diversity: A Review of the Indic AI Research Landscape.
12. Popović, M. (2015). chrF: character n-gram F-score for automatic MT evaluation. In Proceedings of the Tenth Workshop on Statistical Machine Translation. DOI: https://doi.org/10.18653/v1/W15-3049
13. Ramesh, G., Doddapaneni, S., Bheemaraj, A., Jobanputra, M., AK, R., Sharma, A., ... & Khapra, M. M. (2022). Samanantar: The Largest Publicly Available Parallel Corpora Collection for 11 Indic Languages. Transactions of the Association for Computational Linguistics, 10, 145-162. DOI: https://doi.org/10.1162/tacl_a_00452
14. Sai, A. B., Mohankumar, A. K., & Khapra, M.
M. (2022). A Survey of Evaluation Metrics Used for NLG Systems. ACM Computing Surveys, 55(2), 1-39. DOI: https://doi.org/10.1145/3485766
15. Tang, Y., Tran, C., Li, X., Chen, P. J., Goyal, N., Chaudhary, V., & Johnson, M. (2021). Multilingual translation from denoising pre-training. In Findings of the Association for Computational Linguistics: ACL-IJCNLP 2021. DOI: https://doi.org/10.18653/v1/2021.findings-acl.304
16. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need in Advances in Neural Information Processing Systems (pp. 5998-6008).
17. Xue, L., Constant, N., Roberts, A., Kale, M.,
Al-Rfou, R., Siddhant, A., ... & Raffel, C. (2021). mT5: A massively multilingual pre-trained text-to-text transformer. In Proceedings of the 2021 Conference of the
North American Chapter of the Association for Computational Linguistics.
18. Zhang, T., Kishore, V., Wu, F., Weinberger, K. Q., & Artzi, Y. (2020). BERTScore: Evaluating text generation with BERT. In the International Conference on Learning Representations.
19. Khanuja, S., Bansal, D., Mehtani, S., Khosla, S., Dey, A., Gopalan, B., ... & Choudhary, S. (2021). MuRIL: Multilingual representations for indian languages. arXiv preprint arXiv:2103.10730.
20. Kunchukuttan, A., Mehta, P., & Bhattacharyya,
P. (2019). The IIT Bombay English-Hindi parallel corpus. arXiv preprint arXiv:1710.02855.
21. Liu, Y., Gu, J., Goyal, N., Li, X., Edunov, S., Ghazvininejad, M., ... & Zettlemoyer, L. (2020). Multilingual denoising pre-training for neural machine translation. Transactions of the Association for Computational Linguistics, 8, 726–742. DOI: https://doi.org/10.1162/tacl_a_00343
22. Papineni, K., Roukos, S., Ward, T., & Zhu, W. J. (2002, July). BLEU: a method for automatic evaluation of machine translation. In Proceedings of the 40th annual meeting of the Association for Computational Linguistics (pp. 311-318) DOI: https://doi.org/10.3115/1073083.1073135
