Өзбек жігіті түркі тілдеріне аударма жасайтын ЖИ-сервис әзірледі. Стартап $1,5 млн-ға бағаланды

Мұхаммадсаид Мамасаидов Ташкентте дүниеге келген. Ақпараттық технологиялар саласында жұмыс істейтін отбасында өскен ол Оңтүстік Кореяның Инха университеті филиалында «Бағдарламалық инженерия» мамандығын тәмамдаған. ЖОО-ның 2-курсынан бастап жігіт табиғи тілді өңдеуге қызығып, өзбек тіліндегі мәтінді автоматты түрде түзететін сервис жасады. Кейін бұл жоба түркі тілдеріне арналған Tilmoch ЖИ-аудармашысына айналды.

Платформаны ай сайын 200 мың адам пайдаланады. Осы уақытқа дейін стартап гранттар мен венчурлік инвестиция түрінде $300 мыңнан астам қаржы тартқан. Ал 2025 жылы оның құны $1,5 млн деп бағаланды.

Digital Business пен Astana Hub бірлесіп жүргізіп жатқан «Орталық Еуразияның 100 стартап тарихы» жобасы аясында Мұхаммадсаид әмбебап LLM-боттардың түркі тілдерімен неге нашар жұмыс істейтінін, Tilmoch-тың Қазақстан нарығына шығу кезінде қандай кедергілерге тап болғанын және сервистің толыққанды супераппқа айналуды қалай жоспарлап отырғанын айтып берді.

«Өзбек тіліндегі 35 мың кітапты цифрландырдық»

— Мұхаммадсаид, неге ЖИ арқылы аударма жасауға және табиғи тілді өңдеуге қызықтыңыз? Бұл жоба қалай басталды?

— Университеттің 2-курсында «Деректер құрылымы және алгоритмдер» пәнінен жоба жасау керек болды. Сол кезде операциялық жүйелердің басым бөлігі өзбек тіліндегі мәтінді түзетуді бастапқыдан қолдамайтыны алаңдатты. Сондықтан қателерді автоматты түрде түзететін сервис жасаймын деп шештім.

Өзбек тілі — күрделі жалғамалы тіл. Яғни сөздің түбіріне көптеген жұрнақ пен басқа да қосымшалар жалғанып, оның тұлғасын өзгертеді. Оның үстіне өзбек тілінің латын және кирилл әліпбиіне негізделген екі жазу жүйесі бар. Бұдан бөлек, адамдар орысша және ағылшынша сөйлейді, диалектілер де көп. Көпшілік әдеби тілге жатпайтын сөз тұлғаларын қолданады немесе араб тілінен енген сөздерді қате жазады. Мұның бәрі тілді цифрландыруды қиындатады: интернеттен ақпарат іздеу кезінде оны пайдалану да, қандай да бір сервистерді дамыту да оңай емес, өйткені адамдар бір сөзді әртүрлі жазады. Мен осының бәрін бір жүйеге келтіргім келді.

— Автоматты түзету сервисінің алғашқы нұсқасы қандай болды?

— Ол өте қарапайым еді: пайдаланушы интерфейсі жоқ бағдарламалық код қана болды. Өзбек тіліндегі сөздер тізімін және ықтимал 150-200 жалғау мен жұрнақтың тізімін алып, оларды механикалық түрде біріктіретінбіз.

Барлығын сөздікпен салыстыратынбыз: егер сөздің белгілі бір тұлғасы сөздікте немесе жүктелген мәтінде бар болса, алгоритм оны дұрыс деп қабылдайтын, ал болмаса, қате деп көрсететін. Бұл тым қарабайыр әрі толыққанды емес әдіс еді. Белгілі бір сөз тұлғасы базада болмағаны үшін дұрыс жазылған сөздің өзін қате деп көрсеткенде, пайдаланушылардың ашуы келетін. Жобаны аяқтағаннан кейін өзбек тілінің барлық ережесін білетін және әр сөздің құрылымын алгоритм арқылы түсінетін толыққанды жүйе жасағым келді.

— Өзбек тілін автоматты түрде түзету жобасы қалай толыққанды стартапқа айналды?

— Ол кезде стартапты қалай жасау керегін мүлде білмейтінбіз. Алдымен өзбек тіліндегі Grammarly нұсқасын жасағымыз келді. Ол — адамдар мәтінін енгізіп, қатесін тексере алатын веб-сайт. Алғашқы веб-нұсқасын жасадым, бірақ оны ешкім пайдаланбады. Сонда код жазумен ғана шектелмей, маркетинг пен жарнамаға да көңіл бөлу керегін түсіндім.

Кейін IT Park Uzbekistan-ның Цифрлық технологиялар министрлігі және БАӘ Үкіметімен бірлесіп ұйымдастырған mGovAward мобильді қосымшалар байқауы туралы білдім. Байқауға қатысу үшін команда керек болды. Сондықтан бір топта оқыған екі жігітті — дизайнер мен деректер жөніндегі маманды шақырдым. 2022 жылдың көктемінде өзбек тіліне арналған болжамды енгізу және автоматты түзету функциялары бар мобильді пернетақта жасадық. Командада лингвист болмағандықтан, грамматика оқулықтарын өзім зерттеуге тура келді: 150-200 түрлі қосымшаның қалай жұмыс істейтінін, олардың сөз түбірін қалай өзгертетінін қарастырдым. Түрік және фин тілдерін зерттеген ғалымдардың еңбектерін пайдаландық, мамандармен кеңестік. Сөздіктер, ережелер және жаңалық мәтіндерін талдау негізінде модельді біртіндеп жетілдіріп отырдық. Нәтижесінде жоба бірінші орын алып, $50 мың сыйақы алды.

— Байқауда жеңіске жеткеннен кейін жобамен не болды?

— Көп ұзамай мобильді пернетақтадан табыс табу өте қиын екені белгілі болды. Сондықтан өзбек тіліндегі орфографияны тексеруге арналған жетілдірілген модуль жасауды шештік. Оны Tahrirchi деп атадық. Ол Microsoft Word-қа арналған плагин ретінде жұмыс істеуі керек болды. Өзбекстанда бұл бағдарламаны барлық дерлік ұйым пайдаланады, сондықтан адамдарға құжатпен жұмыс істеп отырып, мәтінді бірден тексерген ыңғайлы.

Сонымен қатар күрделі грамматикалық және стилистикалық қателерді түзетуге, тыныс белгілеріне тереңірек көңіл бөле бастадық. Модельді оқыту үшін тілдің ауқымды цифрлық корпусы қажет болды. Ал ол кезде өзбек тілі бойынша үлкен көлемді деректер жоқ еді. Оларды тек жаңалық сайттарынан жинау мүмкін емес. Себебі, ондағы сөздік қоры тым біркелкі әрі жұтаң. Қажетті деректер өзбек тіліндегі қағаз кітаптарда екенін түсіндік.

Қолда бар электронды басылымдарды жинадық, ал сирек кездесетін кітаптарды дүкендерден іздеп, букинистерден сатып алып, сканерледік. Нәтижесінде 35 мыңға жуық цифрлық көшірмені бір тілдік корпусқа біріктіре алдық. Осы өніммен мемлекеттік секторға шықтық. Алайда мемлекеттік мекемелермен жұмыс істеу қиын екен. Сондықтан нарықта нақты кімге және қандай өнім қажет екенін әрі қарай іздей бердік.

2023 жылдың соңында President Tech Award байқауына қатыстық. Жоба «Жасанды интеллект» бағыты бойынша жеңімпаз атанып, $100 мың алды. Бұл қаржы өнімді түбегейлі қайта қарауға және нарықтың шынымен ақша төлеуге дайын бағытын табуға мүмкіндік берді. Сөйлеуді тану, дауыстық боттар, компьютерлік көру технологияларына арналған шешімдерді қарастырдық. Бірақ Google-дағы іздеу сұраныстарының статистикасын талдаған кезде сапалы аудармаға деген сұраныстың өте жоғары екенін байқадық. Ол кезде ChatGPT пен Claude өзбек тілін нашар білетін, ал Google Translate табиғи емес, машина жасағандай мәтін шығаратын. 2024 жылдың барлығын арнайы аудармашы жасауға арнадық. Грант қаржысын серверлерге, модельдерді оқытуға және маркетингке жұмсадық. 2024 жылдың қыркүйегінде Tilmoch платформасы көпшілікке қолжетімді болды.

— Tilmoch-тың аудармасы ChatGPT немесе Claude сияқты әмбебап модельдерден несімен ерекше?

— Барлық ірі тілдік модельдердің негізінде ағылшын тілі жатыр. Ал түркі тілдері — ресурсы аз тілдер. Яғни ЖИ-ді үйретуге болатын цифрландырылған материалдар өте аз. Сондықтан өзбек немесе қазақ тілінде мәтін құрастырғанда, нәтиже табиғи шықпайды: ағылшын тілінің машинаға тән сөйлем құрау үлгісі байқалып тұрады. Бұған қоса, әмбебап чат-боттар ұзақ құжаттарды аударған кезде мәтіннің кейбір бөлігін түсіріп алуы, мағынасын бұрмалауы немесе сөйлемді аяқтамай тоқтап қалуы мүмкін.

Tilmoch тек аударма жасауға арналған. Сондықтан ол мәтіннің бөліктерін жоғалтып алмайды әрі мағынасын бұрмаламайды. Біз кәсіби лингвистермен үнемі жасырын тест өткізіп, өз моделіміздің нәтижесін Google Translate және LLM-боттардың аудармаларымен салыстырамыз. 80-90% жағдайда мамандар Tilmoch аудармасын таңдайды. Бұған синонимдердің табиғи қолданылуы мен тұжырымдардың дәлдігі себеп.

Серверлерге орасан көп қаржы жұмсамай-ақ осындай сапаға қол жеткізу үшін екі модель жасадық: бірі жеңіл әрі жылдам, екіншісі ауырлау, бірақ мәтінді тереңірек талдайды. Негізгі модель мәтінді бірден аударып, күнделікті қажетке жарайтын жұмыстарды атқарады. Ал пайдаланушы аударманы жетілдіргісі келсе, интерфейсте арнайы құралдар бар. «Жетілдіру» батырмасын басқанда мәтіннің бүкіл абзацтағы мағынасын талдайтын, бұрынғы аудармалар базасымен салыстыратын әрі ең табиғи нұсқаларды табатын күрделі нейрондық желі іске қосылады. Егер бастапқы аударма дәл болса, алгоритм оны өзгертпейді. Ал табиғи естілмейтін тіркес байқалса, оны қайта құрастырады.

«Сан-Францискодан кейін команданың мақсаты да, тәбеті де өсті»

— 2025 жылдың қыркүйегінде үш венчурлік қордан $150 мың инвестиция тарттыңыздар. Инвестицияны қалай таба алдыңыздар?

— Tilmoch ресми түрде іске қосылғаннан кейін әртүрлі аудитория сегменттеріне біртіндеп ене бастады: сервисті мемлекеттік қызметкерлер, заңгерлер, маркетологтар, блогерлер және SMM мамандары белсенді қолдана бастады. Түсім тұрақты өсіп отырды. Қорлармен келіссөз жүргізе бастаған кезде ай сайынғы табысымыз (MRR) $8-9 мыңға жеткен еді.

Бізді Aloqa Ventures венчурлік қорының операциялық серіктесі Даврон Парманов байқап қалды. Ол бізбен байланысып, инвестициялық раунд ашуды ұсынды. Aloqa Ventures мәміледе негізгі инвестор болды. Сонымен қатар тағы екі жергілікті қорды — IT Park Ventures пен Yoshlar Ventures-ті қатысуға тартты. Нәтижесінде стартаптың нарықтағы бағасы $1,5 млн болды. Үш қордың әрқайсысы $40-60 мыңнан инвестиция салып, раундты жалпы $150 мың көлемінде жапты.

— 2025 жылы АҚШ-тағы Silicon Valley Residency бағдарламасы мен AlchemistX акселераторына да қатыстыңыздар. Бұл сапар сіздерге не берді?

— Бағдарлама IT Park Uzbekistan, Alchemist Accelerator, Astana Hub және Silkroad Innovation Hub қатысуымен өтті. Astana Hub Ventures және IT Park Ventures қорлары бағдарламаға, менторлық қолдауға және халықаралық мүмкіндіктерге қол жеткізу үшін стартаптағы миноритарлық үлесті алды.

Сан-Францискода өткізген үш ай бизнесті қабылдауымызды өзгертті. AlchemistX акселераторындағы оқудың негізгі бөлігі B2B сатылымдарына арналды: тәжірибелі стартап құрылтайшылары апта сайын воркшоптар өткізді, бізбен Alchemist-тің жеке трекері жұмыс істеді. Бағдарлама америкалық инвесторларға жобаларымызды таныстырған дәстүрлі Demo Day-мен аяқталды.

Кремний алқабынан алып келген ең маңызды түсінігім — нарықтың ауқымын және тәуекелге деген көзқарастың мүлде басқаша екенін түсіну. Орталық Азияда $1 млн табысқа жетуді көбіне арманның шегі әрі түпкі мақсат деп қабылдайды. Ал АҚШ-та бұл — басталатын нүкте ғана. Онда талант өте көп шоғырланған: салалық алаңдарда күн сайын кешке он шақты кездесу өтеді. Сол жерде танысып, түрлі жобалар құруға болады. Америкалық инвесторлар стартап құрылтайшысы өзіне сенімді болып, ісіне шын берілсе, әлі шикі идеяларға да қаржы салуға дайын. Осы сапардан кейін команданың мақсаты да, тәбеті де өсті.

— Монетизация қалай құрылған? Стартап қанша табыс әкеледі және қай бағытта түсім көбірек?

— Қазіргі MRR $22-23 мыңды құрайды. Жыл соңына дейін $30 мыңға жеткізуді мақсат етіп отырмыз. Түсімнің негізгі бөлігін B2C сегменті береді.

B2C монетизациясына келсек, Өзбекстанда ай сайын 200 мыңнан астам белсенді пайдаланушымыз бар және олар платформаға айына шамамен 1,2 млн рет кіреді. Аудиторияның шамамен 98%-ы символ санына шектеу қойылған тегін нұсқаны пайдаланады. Бұл трафикті әдейі сақтап отырмыз, өйткені ол модельдерді әрі қарай үйретуге қажетті деректердің тұрақты түсімін қамтамасыз етеді және аудиторияны кеңейтуге мүмкіндік береді. Қазір 4 000-4 200 пайдаланушы жазылым ақысын тұрақты төлейді. Негізгі тариф айына $4 болса, ең қымбаты — $15.

B2B сегментінде Өзбекстандағы шамамен 150 компаниямен жұмыс істейміз. Корпоративті клиенттер бір жұмыс орнына жылына $200-ден басталатын бағамен топтық қолжетімді пакеттер сатып алады.

B2B клиенттеріміздің қатарында, мысалы, Yandex Go сервисінің жергілікті нұсқасын тілге бейімдейтін команда бар. Сондай-ақ Kinopoisk пен iTV онлайн-кинотеатрлары өнімімізді субтитр аударуға пайдаланады. Бұдан бөлек, ЖИ арқылы дыбыстау технологиямыз бар. Ол әзірге көркем фильмдер мен сериалдарды дубляж жасауға жарамайды. Бірақ клиенттеріміздің бірі оны оқу курстарын өзбек тіліне аудару үшін сәтті қолданып жүр.

Күрделірек интеграцияларға келсек, API арқылы қосылу жылына $500-1000 тұрады. Әрбір ірі бизнеске жеке шлюздер мен арнайы шешімдер әзірлейміз. Сонымен қатар өзбек тілінде ішкі тілдік модельдерін үйретіп жатқан банктер үшін алдын ала белгіленген деректер жиынтығын дайындап жатырмыз.

«Түркі тілдерінде дайын мәтін корпустары өте тапшы»

— Қазақ тіліне және басқа тілдерге ауқымын қалай кеңейттіңіздер?

— Әмбебап тәсілін тапқан сияқтымыз. Әр жаңа тіл үшін alignment, яғни параллель мәтіндерді сәйкестендіру әдісін қолдандық. Мысалы, бір кітаптың орысша, ағылшынша және қажетті тілдегі нұсқаларын алып, сөйлем-сөйлемімен салыстыратынбыз. Осылайша модель бір ойдың әр тілде қалай жеткізілетінін көретін. 2025 жылы осы тәсілмен қазақ тілін қостық. Ол үшін шамамен 4 000 кітап пен ашық дереккөздердегі мәтіндерді пайдаландық. Бірақ аударма сапасы көңілдегідей болмады.

Мәселенің неде екенін түсіну үшін Қазақстандағы кәсіби филологтармен, аудармашылармен және копирайтерлермен шағын кастдев өткіздік. Сонда интернеттегі және қазіргі баспа кітаптарындағы қазақша контенттің өте үлкен бөлігінде машиналық аударма мен орыс тілінен тікелей аударылған құрылымдар көп екені анықталды. Модель осы деректермен оқытылғандықтан, біздің аудармамыз да «ЖИ жасағандай» болып шықты. Осындай мәселе басқа түркі тілдерінде де кездесті.

Қазақстанда ауқымды жұмыс істеу біз елде физикалық тұрғыда болмағандықтан да қиын болды. Себебі, аудиторияның пікірін дер кезінде сезіну оңай емес. Қазір модельдегі қателерді түзеттік, аударма мейілінше табиғи шықты. Бірақ қазақ нарығына алдымен сөздіктер немесе мәтін сапасын тексеру сервистері сияқты қосымша құралдар арқылы кіруді ойлап отырмыз. Қазір Қазақстанда ай сайын шамамен 20 мың пайдаланушымыз бар, олардың 300-ге жуығы жазылым ақысын төлейді.

— Tilmoch платформасында 16 тіл қолжетімді. Олардың ішінде әзербайжан, грузин және тіпті кәріс тілдері де бар. Жаңа тілдер қосуды жоспарлап отырсыздар ма? Ал алдағы бір жылға қандай мақсат қойдыңыздар?

— Бір тілді нөлден бастап қосып, сапасын толық баптауға 3-4 ай кетеді. Әзірге жаңа тіл қосуды тоқтатып, қазақ, қырғыз, тәжік, қарақалпақ және әзербайжан тілдеріндегі аударма сапасын арттыруға бар күшімізді саламыз деп шештік. Дайын мәтін корпустары өте тапшы. Сондықтан қазір деректерді толықтыру әдісін қолданып жатырмыз: сыртқы LLM-дердің көмегімен қажетті синтаксистік құрылымдарды жасаймыз, олардың сапасын тексереміз және өзіміздің алгоритмді жетілдіреміз.

Жалпы мақсатымыз — сервисті тілдік супераппқа айналдыру. Қазір күн сайын мыңнан астам адам ойнайтын сөзжұмбақтар мен сөздік ойындарды қостық. Сондай-ақ өзбек және қазақ тілдеріндегі аудиофайлдарды мәтінге айналдыру қызметін іске қостық. Жүйе тәулігіне 50-60 сағаттық аудионы өңдейді. Бұдан бөлек, емле ережелері мен дайын құжаттар және келісімшарттар жасауға арналған портал дамытып жатырмыз.

Алдағы бір жылда латын әліпбиіне негізделген жаңа өзбек әліпбиіне арналған мобильді пернетақта шығаруды жоспарлап отырмыз. Бұл адамдардың жаңа әліпбиге тезірек үйренуіне, тілді толық цифрландыруға және оны пайдаланушыларға ыңғайлы етуге көмектеседі.

Біздің стратегиялық мақсатымыз — қазіргі ай сайынғы 1,2 млн кіру көрсеткішін 5 млн-ға жеткізу. Сапалы трафигі бар миллиондаған аудитория жинағаннан кейін өңірдегі ірі цифрлық экожүйелердің біріне қосылу немесе олармен мәміле жасау мүмкіндігін қарастырамыз.