Zespół badaczy zaprezentował potok przetwarzania danych transformujący słowniki lingwistyczne w zaawansowane systemy konwersacyjne dla języków słabo zasobnych, rozwiązując jeden z największych problemów w dostępności AI. Na bazie Hindi WordNet utworzyli 1,25 miliona par instrukcja-odpowiedź i dostrojyli 12-miliardowy model języka używając efektywnych zasobowo metod LoRA z 4-bitową kwantyzacją.
Ewaluacja wyspecjalizowanego chatbota do nauki Hindi wykazała istotną przewagę podejścia opartego na wiedzy strukturalnej: osiągnął on dokładność pedagogiczną 91,0 procent, znacznie wyprzedzając ogólne modele z wynikami 79,4-83,6 procent. System utrzymywał jednocześnie konkurencyjną wydajność semantyczną i wyjątkową konsystencję odpowiedzi.
Ta praca ma daleko idące implikacje dla globalnego dostępu do AI. Zamiast wymagać masywnych korpusów treningowych, podejście opiera się na istniejących zasobach lingwistycznych dostępnych już dla setek języków przez WordNet. Stanowi to praktyczną alternatywę dla języków słabo zasobnych, potencjalnie umożliwiając rozwój wyspecjalizowanych systemów konwersacyjnych w edukacji, medycynie czy innych dziedzinach dla społeczności mówiących tymi językami.