Monarca Lab y la brasileña WideLabs están entrenando un modelo de lenguaje con lenguas indígenas de México.
El anuncio se hizo el viernes en el marco de México IA+, el modelo sigue en entrenamiento y sus creadores esperan resultados en un año.
La fundadora de Monarca Lab, Jessica Peña, lo resumió así: “Lo que estamos buscando es que no queden de lado las comunidades”. En México se hablan 68 lenguas indígenas, agrupadas en 11 familias y 364 variantes, pero sus hablantes suelen vivir en localidades con poco acceso a tecnología.
Qué se sabe (y qué no)
WideLabs no es una desconocida: es una empresa brasileña fundada en 2020 que desarrolló Amazonía IA, un modelo de lenguaje nativo en portugués construido con Oracle y NVIDIA.
Su tecnología ya se usa en el Ministerio Público de Rio Grande do Sul para orientar a ciudadanos sobre servicios legales, según NVIDIA.
Del proyecto mexicano, en cambio, no se sabe qué lenguas cubrirá, cuántos datos usará, quién lo financia ni si será abierto. El anuncio, recogido por AFP, no incluyó esos detalles.
El cuello de botella son los datos
La UNAM lo mide con una cifra: en Wikipedia hay 4.272 artículos en náhuatl clásico, 1.201 en maya yucateco, 224 en náhuatl central, 113 en mixteco, 90 en hñähñu, 12 en purépecha y 10 en mixe del norte, según la Gaceta UNAM.
Los modelos actuales se entrenan con cientos de miles de millones de palabras, como ya pasa con el agotamiento de datos para entrenar IA. Diez artículos no alcanzan ni para empezar.
La brecha se nota en el uso. Un estudio de BID Lab, Microsoft y LLYC encontró que el quechua obtuvo 3,72 sobre 10 frente a 8,58 del catalán, y que 35% de las consultas en lenguas indígenas recibieron respuesta en otro idioma.
Traducir, transcribir voz o digitalizar textos en estas lenguas sigue siendo un problema abierto.
No es el primer intento
La UNAM investiga traducción automática para lenguas indígenas desde hace años; su especialista Iván Vladimir Meza Ruiz advierte que la tecnología puede mantenerlas vivas “aunque sea de manera artificial”, pero depende de reunir corpus.
En octubre, el proyecto Tachiwin presentó Tiyat, un modelo abierto entrenado desde cero con mayoría de lenguas originarias de México.
También hay esfuerzos regionales: la Alianza Iberoamericana de IA, acordada en Madrid el 3 de noviembre, incluye modelos adaptados a lenguas indígenas, y Latam-GPT busca lo mismo a escala continental. La diferencia del proyecto de Monarca Lab y WideLabs es que suma a una empresa con experiencia comercial en portugués.
La pregunta incómoda
El debate no termina en la tecnología. El académico Manuel Mager Hois, del INAH, plantea que la supervivencia digital debe superar “modelos extractivos de conocimiento” e incluir a las comunidades en la concepción y el aprovechamiento de las herramientas.
Si el corpus se construye sin consentimiento, el modelo puede preservar la lengua y, al mismo tiempo, despojar a quienes la hablan.
Si el modelo llega en un año, la pregunta no será si puede escribir en náhuatl o maya, sino quién le dio las palabras, quién las posee y quién puede auditarlo.
Más en: Ciencia de Datos, Inteligencia Artificial
