Запуск проєкту BUDOVA

Примітка редакції, 25 жовтня 2026: попередня версія допису називала дослідницьких партнерів, яких проєкт не має; фінансування надає Microsoft AI for Good Lab через LINGUA Open Call.

З радістю оголошуємо офіційний запуск проєкту BUDOVA — Building Ukrainian Domain-Specific, Open Voice & Text Archives. Ця ініціатива спрямована на створення першого комплексного відкритого датасету української будівельної мови для досліджень та застосувань ШІ.

За підтримки Microsoft AI for Good Lab через LINGUA Open Call, BUDOVA вирішує критичну проблему браку українських мовних ресурсів для ШІ, особливо в спеціалізованих технічних доменах.

Попри 30–46 мільйонів носіїв, українська залишається критично недорепрезентованою в ШІ-технологіях. Менше 0,6% веб-контенту українською, а технічних мовних датасетів для будівельної галузі практично не існує.

Потреби України у відбудові — 524 млрд доларів за Четвертою швидкою оцінкою збитків і потреб (RDNA4, лютий 2025), яку підготували Уряд України, Група Світового банку, Європейська комісія та ООН, — роблять ШІ-інструменти для будівництва не просто корисними, а необхідними. BUDOVA надасть фундаментальні мовні ресурси для створення цих інструментів.

BUDOVA створить три ключові ресурси:

• Мовленнєвий датасет: 100+ годин анотованих записів будівельного мовлення з транскрипціями усіх основних українських діалектів (північний, південно-західний та південно-східний).
• Текстовий корпус: 100M+ токенів будівельної документації — ДБН, технічні специфікації, протоколи безпеки з NER-анотаціями.
• Будівельний лексикон: 5–10K доменних термінів — будматеріали, технології, стандарти безпеки та нормативна лексика.

Всі результати будуть опубліковані під відкритими ліцензіями (CC-BY 4.0 для даних, Apache 2.0 для моделей, MIT для коду) та розміщені на Hugging Face і Zenodo.

Проєкт розрахований на 24 місяці (січень 2026 – грудень 2027) у п'ять фаз:

• Фаза 1 (Місяці 1–3): Налагодження інфраструктури, протоколи GDPR
• Фаза 2 (Місяці 4–15): Поетапний збір даних — 25 год. мовлення + 25M токенів щоквартально
• Фаза 3 (Місяці 6–18): Двоетапна анотація та валідація
• Фаза 4 (Місяці 12–21): Розробка базових моделей ASR і NER
• Фаза 5 (Місяці 21–24): Фінальний реліз на Hugging Face і Zenodo з DOI

Шукаємо дослідників, будівельних фахівців та мовних спеціалістів для участі у проєкті. Незалежно від того, чи ви NLP-дослідник, будівельний інженер чи лінгвіст, зацікавлений українською, ми вітаємо ваш внесок.

Скористайтеся формою звʼязку, щоб звʼязатися з командою, або ознайомтеся з документацією, щоб дізнатися більше про наші датасети та методологію.