सब जानते हैं कि ट्रेनिंग डेटा अंग्रेज़ी की तरफ़ झुका है। भाषा-कवरेज पर सबसे पहले यही कहा जाता है, और यह सच भी है। लेकिन यह समस्या की सबसे कम दिलचस्प परत है, क्योंकि यही एक परत है जिसे बजट मिलता है। इसके नीचे की परतों को कम ही मिलता है।
पाँच जगहें जहाँ यह मान्यता छिपी रहती है
- टोकनाइज़र, जो लैटिन लिपि पर फ़िट किया गया — इसलिए बाकी लिपियाँ उसी अर्थ के लिए ज़्यादा टोकन चुकाती हैं।
- मूल्यांकन के सेट, जो तय करते हैं कि मॉडल भेजने लायक है या नहीं, और जो भारी तौर पर अंग्रेज़ी में हैं।
- दस्तावेज़ और प्रॉम्प्ट गाइड, जो पूछने का एक ऐसा तरीक़ा सिखाते हैं जो सिर्फ़ अंग्रेज़ी में मौजूद है।
- एरर मैसेज, जो ठीक उसी पल अंग्रेज़ी में बदल जाते हैं जब उपयोगकर्ता सबसे ज़्यादा उलझा होता है।
- लोक-ज्ञान — वे नुस्ख़े जो लोग आपस में बाँटते हैं कि कैसा लिखने पर काम बनता है — जो एक भाषा से दूसरी में नहीं जाता।
इनमें से कोई एक अकेला हो तो छोटी खरोंच है। सब मिलकर तय करते हैं कि औज़ार किसे इस्तेमाल करने लायक लगेगा। कोई प्रोडक्ट तकनीकी तौर पर बहुभाषी हो सकता है और फिर भी किसी अंग्रेज़ी ऐप पर चढ़े अनुवादित खोल जैसा लग सकता है — और उपयोगकर्ता तीस सेकंड में फ़र्क़ पकड़ लेते हैं।
हम इसके बारे में क्या करते हैं
हम भाषा को प्रोडक्ट की सतह मानते हैं, लोकेल फ़ाइल नहीं। यानी इंटरफ़ेस, मॉडल का बर्ताव और मदद — तीनों उसी भाषा के पीछे चलते हैं जिसमें आप आए। यानी हमारे मूल्यांकन भी उन्हीं भाषाओं में चलते हैं जिनका हम दावा करते हैं, सिर्फ़ अंग्रेज़ी में चलाकर बाद में अनुवाद कर लेने से नहीं। और यानी हम पहले उन ख़राबियों के पीछे जाते हैं जो लैटिन लिपि के बाहर ही दिखती हैं।
यह अंग्रेज़ी प्रोडक्ट पर भाषा-स्विच लगाकर भेजने से धीमा है। और यही एक तरीक़ा है जो बनाने लायक है, क्योंकि स्विच वाला तरीक़ा ठीक वहीं नाकाम होता है जहाँ मायने रखता है — उस पल जब कोई अपनी प्यारी चीज़ का विवरण देने की कोशिश कर रहा होता है।
जो औज़ार सिर्फ़ अपने परखे हुए उपयोगकर्ताओं के लिए सबसे अच्छा चलता है, वह बाकी सबको हमेशा “लंबी पूँछ” कहेगा।
जिन भाषाओं को यहाँ कोई नहीं बोलता, उनमें हम कुछ हिस्से ग़लत करेंगे। योजना यह है कि जो हमने परखा है उसके बारे में सार्वजनिक रूप से साफ़ रहें, ताकि ग़लत होना दिखे — और प्रभावित लोग उसे चुपचाप न झेलें।