Фінансування до 50 000 $
Грантова підтримка збору мовних даних для малоресурсних мов Європи.
LINGUA Open CallMicrosoft AI for Good
Building Ukrainian Construction Language for AI
BUDOVA: Building Ukrainian Domain-Specific, Open Voice & Text Archives — перший відкритий датасет української технічної мови будівельної галузі для мовлення та тексту, що сприяє розвитку ШІ‑технологій в Україні.
01
100+
годин мовлення (ціль)
02
100M+
токенів тексту (ціль)
03
524B
USD потреб відбудови (оцінка RDNA4, 2025)
04
CC BY 4.0
ліцензія
Анімоване промо, 23 секунди, лише музика, без озвучення. У кадрі: збудовано українською; ШІ говорить англійською; 0 будівельних датасетів. Крок 1: запис мовлення на обʼєкті. Крок 2: мовлення та ДБН розбиваються на сегменти. Крок 3: NER-розмітка у три проходи з девʼятьма мітками, 2 492 сегменти. Крок 4: експорт у .jsonl для ШІ. Ціль — текстовий корпус 100M+ токенів. Будуємо українську будівельну мову для ШІ. BUDOVA, budov.org, за підтримки Microsoft AI for Good Lab.
Ініціатива
LINGUA Open Call
Ініціатива Microsoft AI for Good Lab у межах EU Digital Unlock, спрямована на цифрову інклюзію малоресурсних мов Європи. За результатами відкритого конкурсу відібрано 11 проєктів, що охоплюють 16 мов і діалектів у 10 країнах.
Microsoft
Azure обчислювальні ресурси
Кредити на хмарні обчислення до 2 років для обробки та валідації.
Технічна підтримка
Дослідницька співпраця з Microsoft AI for Good Lab.
Відкриті моделі
Інтеграція з Apertus, EuroLLM, SmolLM3 та іншими моделями.
Виклик
Чому це критично важливо
Попри 30–46 мільйонів носіїв, українська залишається критично недорепрезентованою в ШІ-технологіях — особливо у спеціалізованих доменах.
<0,6%
веб-контенту українською
Цифрове виключення
Жодних технічних мовних датасетів, систем розпізнавання мовлення для будмайданчиків чи ШІ-інструментів для українських будівельних норм.
3
діалектні групи, 15+ говірок
Діалектна різноманітність
Північна, південно-західна (волинський, подільський, наддністрянський, надсянський, покутсько-буковинський, гуцульський, бойківський, закарпатський, лемківський говори) та південно-східна діалектні групи не задокументовані в технічних контекстах — ШІ-системи ризикують збоями для нестандартних носіїв.
15–25%
розрив у продуктивності
Морфологічна складність
Кирилиця, 7 відмінків, 3 роди, рухомий наголос — унікальні виклики токенізації з розривом продуктивності відносно англійської.
Що ми створюємо
Відкриті ресурси для будівельної галузі
Мета — перший комплексний датасет технічної української мови з діалектним покриттям усіх основних регіонів України.
Мовлення
Мовленнєвий датасет
Ціль — 100+ годин анотованого будівельного мовлення з транскрипціями з північних, південно-західних і південно-східних говорів. Збір через читання вголос стартував у жовтні 2026.
<25%WER · ціль
>0.70Каппа експертів · ціль
Текст
Текстовий корпус
Ціль — 100M+ токенів сирого будівельного тексту: норми, законодавство, кошторисні норми, відкриті журнали. NER-розмічена частина вже містить 2 927 сегментів з девʼяти ДБН.
>0.85NER F1 · ціль
5–10Kтермінів · ціль
Інфраструктура
Технічна інфраструктура
Базові моделі ASR і NER, пайплайни обробки даних, документація за стандартами Datasheets for Datasets. Усе буде опубліковано на Hugging Face та Zenodo.
JSONLформат тексту
DOIZenodo · план
Хронологія
24 місяці, 5 фаз
Поетапний план із квартальними релізами для зворотного звʼязку від спільноти. Перший публічний реліз даних — v1.0 (IV кв. 2026).
01 / 05Фаза 1
Інфраструктура та підготовка
Місяці 1–3 · Січ – Бер 2026Налагодження інфраструктури, протоколи GDPR, рекрутинг учасників.
02 / 05Фаза 2
Збір даних
Місяці 4–15 · Кві 2026 – Бер 2027План: 25 год мовлення + 25M токенів щокварталу до цільових 100+ год і 100M+ токенів. Стан на жовтень 2026: розмічено 9 ДБН (2 927 сегментів), збір мовлення через читання вголос стартував.
03 / 05Фаза 3
Анотація та валідація
Місяці 6–18 · Паралельно зі зборомДвоетапна валідація: краудсорсингова транскрипція, потім експертна перевірка. Ціль — згода експертів (людей) κ > 0,70; для проходів текстової розмітки діє окремий поріг узгодженості κ ≥ 0,8.
04 / 05Фаза 4
Розробка базових моделей
Місяці 12–21 · Гру 2026 – Вер 2027Навчання моделей ASR і NER на зібраних даних. Ціль — WER < 25% для будівельної термінології.
05 / 05Фаза 5
Реліз та трансфер
Місяці 21–24 · Вер – Гру 2027Фінальний реліз датасетів на Hugging Face та Zenodo з DOI. Документація, передача на сталу підтримку.
Датасети
Відкриті дослідницькі ресурси
Масштабні датасети та бенчмарки для навчання, оцінки та тестування NLP-моделей української будівельної галузі.
Мовленнєвий датасет
100+годин мовлення (ціль)
Ціль — транскрибовані записи будівельного мовлення з усіх основних діалектних груп. Зараз учасники читають уголос короткі будівельні тексти просто в браузері.
Hugging Face · у пізнішому релізіТекстовий корпус
100M+текстових токенів (ціль)
Сирий будівельний текст — норми, законодавство, кошторисні норми, відкриті журнали. NER-розмічена частина — 2 927 сегментів з девʼяти ДБН.
Hugging Face · перша вибірка з v1.0 (IV кв. 2026)Будівельний лексикон
5–10Kдоменних термінів (ціль)
Доменна термінологія — будматеріали, технології, стандарти безпеки та нормативна лексика будівельних субдоменів.
Hugging Face · у пізнішому релізіМоваУкраїнська (uk-UA) · Північний, південно-західний та південно-східний діалекти
Ліцензія (план)CC BY 4.0 (дані) · Apache 2.0 (моделі) · MIT (код)
ХостингHugging Face · Zenodo (DOI) — з v1.0 (IV кв. 2026) · GitHub
ПриватністьGDPR · анонімізація голосу та видалення PII — у планах
Приклади
Живі приклади з корпусу.
Реальні сегменти з корпусу — українські ДБН, розмічені дев’ятьма мітками сутностей і додані на платформу. Заливка — основна мітка прикладу; рамка — інші розмічені сутності.
«Теплоізоляційний шар горищного перекриття для дахів слід передбачати з матеріалів груп горючості НГ або Г1 згідно з ДБН В.1.1-7. Товщину шару необхідно приймати відповідно до теплотехнічного розрахунку згідно з ДБН В.2.6-31.»
- Конструкція
- Теплоізоляційний шар · горищного перекриття · дахів
- Матеріал
- матеріалів
- Процес
- теплотехнічного розрахунку
- Вимірювання
- НГ · Г1
- Властивість
- груп горючості
- Норматив
- ДБН В.1.1-7 · ДБН В.2.6-31
- Джерело
- ДБН В.2.6-220:2017 «Покриття будинків і споруд»
Відкриті ресурси
Повна прозорість. Без обмежень.
Усі результати — дані, моделі, код — буде опубліковано під відкритими ліцензіями.
Датасети
Мовленнєвий і текстовий корпуси з анотаціями та метаданими, а також будівельний лексикон (ціль — 5–10K термінів).
Базові моделі
У планах: донавчені моделі ASR (Whisper / Wav2Vec2) і NER для будівельного домену з відтворюваними скриптами — після v1.0.
Інфраструктура
У планах: пайплайни обробки, утиліти анонімізації та процеси валідації — для реплікації іншими малоресурсними проєктами.
Готові почати?
Датасети буде опубліковано на Hugging Face та Zenodo — першу вибірку текстового корпусу з релізом v1.0 (IV кв. 2026). До того формат даних і живі приклади — на сторінці датасетів.
Переглянути датасетиЯк цитувати
Якщо ви використовуєте ресурси BUDOVA у своєму дослідженні, будь ласка, цитуйте:
@misc{budova2026,
title = {{BUDOVA}: Building {Ukrainian} Domain-Specific, Open Voice \& Text Archives},
author = {Dolhopolov, Serhii},
year = {2026},
howpublished = {\url{https://budov.org}},
organization = {KNUCA AI Lab, Kyiv National University of Construction and Architecture},
note = {Pre-release; first public dataset release (Hugging Face and Zenodo) planned for Q4 2026}
}Результати
Результати проєкту
Конкретні дослідницькі результати та відкриті ресурси, що створюються протягом життєвого циклу проєкту.
01 / 04
3датасети
Релізи датасетів
Версіоновані мовленнєві та текстові датасети, що публікуватимуться на Hugging Face та Zenodo з повною документацією та DOI.
25%ETA Q4 2026
- Інфраструктура та протоколи GDPR
- Перші 25 год. мовлення зібрано
- Текстовий корпус v0.1
02 / 04
2+моделі
Базові моделі
Донавчені моделі ASR (Whisper / Wav2Vec2) і NER для українського будівельного домену з відтворюваними скриптами.
5%ETA Q2 2027
- Архітектуру моделі обрано
- Налаштування пайплайну тренування
- Оцінка бенчмарків
03 / 04
3+статей
Наукові публікації
Рецензовані публікації на провідних конференціях NLP та ШІ, що документують методологію, бенчмарки та результати.
10%ETA Q3 2027
- Огляд літератури завершено
- Чернетка методологічної статті
- Подання на конференцію
04 / 04
100%open-source
Відкриті інструменти
Пайплайни обробки, утиліти анонімізації, процеси валідації та документація за стандартами Datasheets for Datasets (перший паспорт датасету — з v1.0).
15%ETA Q4 2027
- Структуру репозиторію створено
- Пайплайн анонімізації
- Процеси валідації
Дослідницька група
Команда проєкту
Міждисциплінарна команда з експертизою в ШІ, NLP, будівництві, кібербезпеці та управлінні даними.
01 / 01Керівник проєктної команди
Сергій Долгополов
KNUCA AI Lab · Аспірант, компʼютерні науки
Дослідник ШІ та підприємець, спеціалізується на обробці природної мови. Засновник KernelGlide — ШІ-рішення для 10+ клієнтів у будівництві. Головний дослідник державного гранту (2,9 млн грн) з мультимодального аналізу контенту. Автор підручника «Моделювання задач ШІ» (546 стор.).
Найактивніші учасники
- Рейтинг учасників завантажується
Базова установа
knuba.edu.uaКиївський національний університет будівництва і архітектури
Заснований у 1930 р. · майже століття лідерства в будівельній освіті та дослідженнях
