Naamah: Nuovo dataset NER sanscrito tramite DBpedia e LLM

I ricercatori hanno introdotto Naamah, un dataset sintetico su larga scala per il riconoscimento di entità nominate (NER) in sanscrito, composto da 102.942 frasi. La metodologia combina l'estrazione di entità da DBpedia con un modello di ragionamento ibrido da 24 miliardi di parametri per generare dati di addestramento grammaticalmente naturali e diversificati. Il dataset valuta due architetture transformer: XLM RoBERTa e IndicBERTv2. Questo lavoro affronta la scarsità di risorse annotate per la digitalizzazione della letteratura sanscrita classica.