پایان لحن ماشینی هوش مصنوعی؛ اسکیل متن‌باز yomiyasu برای ژاپنی‌نویسی طبیعی

بازنویسی متون ژاپنی هوش مصنوعی در سطح ساختار جملات با yomiyasu

برنامه‌نویسان ژاپنی که از ایجنت‌هایی مثل Claude Code، Codex و Cursor استفاده می‌کنند، معمولاً با یک چالش اعصاب‌خردکن روبه‌رو هستند: حتی بعد از چندین بار دست‌کاری پرامپت، متن‌های ژاپنی تولیدشده همچنان ریتمی خشک و روباتیک دارند. حالا «آییچیرو اوگا» (Aiichiro Oga) از شرکت ALGO ARTIS با انتشار yomiyasu به داد این توسعه‌دهندگان رسیده است؛ یک اسکیل ایجنت (Agent Skill) تحت مجوز متن‌باز MIT که ساختار جمله‌ها را از اول بازسازی می‌کند، فاعل‌ها و عامل‌های حذف‌شده را برمی‌گرداند، استعاره‌های مبهم را به عملیات‌های شفاف تبدیل کرده و قالب‌بندی‌های اضافه را پیراسته می‌کند. اسکیل‌های ایجنت در واقع بسته‌های دستورالعملی با قابلیت استفاده مجدد هستند که ایجنت‌های کدنویسی می‌توانند آن‌ها را بارگذاری کرده و روی وظایف مختلف پیاده کنند.

این پروژه به تیم‌های فنی اجازه می‌دهد یک مرحله ویرایش استاندارد و تکرارپذیر برای محتواهای فنی به زبان ژاپنی داشته باشند و علاوه بر آن، یک لینتر (Linter) مستقل هم ارائه می‌دهد که داخل خطوط یکپارچه‌سازی مداوم (CI) قابل اجراست. استقبال از این پروژه هم حسابی داغ بوده؛ پست رونمایی آن نزدیک به ۶ هزار لایک گرفت و مخزن گیت‌هاب این ابزار تنها ظرف یک روز از مرز ۷۶۰ ستاره عبور کرد.

چرا صرفاً ممنوع کردن کلمات کارساز نیست؟

معمولاً در پرامپت‌های مبارزه با محتوای بی‌کیفیت هوش مصنوعی (Anti-slop) در زبان ژاپنی، استفاده از کلمات خاصی مثل 手触り، 解像度 یا 泥臭い ممنوع می‌شود. اما مدل‌ها برای دور زدن این دستورات، فقط عبارات مبهم دیگری را جایگزین می‌کنند و ساختار دستوری جمله همچنان دست‌نخورده و ماشینی باقی می‌ماند. از طرف دیگر، نوشتن لیست‌های طولانی از قواعد نگارشی هم می‌تواند مدل را به ابداع اصطلاحات نامأنوس و تولید نثری اغراق‌آمیز سوق دهد.

از آنجایی که در زبان ژاپنی در صورت مشخص بودن بافتار می‌توان فاعل را حذف کرد، زمانی که مدل هوش مصنوعی مفعول یا سایر نقش‌های دستوری جمله را هم جا می‌اندازد، درک متن فنی حسابی دشوار می‌شود. در چنین شرایطی خواننده خودش باید حدس بزند که یک اقدام را برنامه‌نویس انجام داده، اپراتور سیستم بوده یا خود ابزار!

ترکیب اسم‌های انتزاعی و ابزار‌ها با افعال استعاری مثل 壊れる (شکستن یا خراب شدن)، 倒す (انداختن یا به سرانجام رساندن) یا 効く (اثر گذاشتن)، این سردرگمی را دوچندان می‌کند. الگوهای ظاهری هم سیگنال دیگری از این مشکل هستند؛ بخش‌های پررنگ (Bold) و فهرست‌های بالت‌پوینت طولانی حتی زمانی که پیش‌نویس متن جزئیات عملیاتی چندانی ندارد، مثل قارچ رشد می‌کنند و لو می‌دهند که با یک متن ماشینی طرف هستیم.