Україна готує власний аналог ChatGPT: коли запустять ШІ «Сяйво» та що воно зможе робити

Що таке датасет і звідки беруться дані для «Сяйва»

Датасет являє собою структурований набір інформації, який використовується для навчання або тестування моделі штучного інтелекту. Для мовних моделей це, в першу чергу, тексти, завдяки яким модель вчиться розуміти лексичний склад, формувати речення, відповідати на запитання і враховувати контекст.

Дані для «Сяйва» збирають з університетів, бібліотек, державних архівів, наукових установ і медіа-ресурсів. Це історичні документи, наукові праці, книги, законодавчі акти, судові рішення, словники та інші матеріали українською мовою.

Якщо модель навчалася на якісних українських історичних джерелах, їй легше буде коректно інтерпретувати історичні події, імена, назви і поняття, що стосуються України. Спеціалізовані словники та наукові тексти забезпечують точніше взаємодію з юридичним, технічним або професійним термінологією.

Згідно з даними Мінцифри, в квітні 2026 року Державна архівна служба України передала для навчання моделі 10 терабайт історичних документів, державних актів і наукових текстів. Також участь у зборі даних взяли десятки інших установ.

Які переваги має українська модель

Основна мета «Сяйва» — створити модель, здатну ефективно працювати з українською мовою та її контекстом, яку можна буде використовувати в державних, освітніх, наукових і комерційних сферах.

Для користувачів ця модель може надати такі переваги:

• Поглиблене розуміння української мови. Модель буде навчатися на текстах, що відображають українську лексику, граматичні структури, діалекти та термінологію.

• Більш точна робота з українським контекстом. Вона зможе краще орієнтуватися в історії, культурі, суспільних аспектах і законодавстві України.

• Нові можливості для держави та бізнесу. На основі моделі можна буде створювати чат-ботів, цифрових асистентів, інструменти для роботи з документами та автоматизації різних процесів.

• Перспективи для дослідників і розробників. Відкритий доступ до моделі та частини даних дасть змогу незалежно оцінити її якість, дослідити результати та розробити нові продукти.

Проте варто зазначити, що наявність українського датасету не гарантує завжди точних відповідей від моделі. Її треба тестувати на точність, стійкість до дезінформації, упереджень і вигаданих відповідей. Результати залежать не лише від обсягу даних, але й від їхньої якості, різноманітності та методів навчання.

:

Чи створюють «Сяйво» з нуля?

Ні. Згідно з інформацією від «Київстар», технологічним базисом моделі стала відкрита модель Gemma 3 від Google. Вона буде адаптована до української мови та навчена на спеціально зібраних даних. Таким чином, йдеться не про створення нової технології, а про донавчання і настройки вже наявної моделі під необхідності України.

Цей підхід дозволяє використовувати вже існуючу технологічну основу та зосередитися на тих аспектах, які потребують вдосконалення для якісної роботи з українськими текстами.

Доступність частини датасету також може бути корисною. Дослідники зможуть оцінити, які дані були використані для навчання, а розробники зможуть перевірити можливості моделі та створити нові рішення на її основі. Водночас конкретний склад відкритого набору даних залежатиме від прав на використання матеріалів та умов доступу.

Отже, «Сяйво» повинно стати основою для розвитку українських ШІ-сервісів, які більш точно враховуватимуть мовні та культурні особливості країни. Повноцінну тестову версію планують підготувати до кінця грудня 2026 року, тоді як публічний запуск очікується в січні 2027 року.

Як ми вже згадували,