Jinsi ya kusoma mwongozo huu
Mwongozo huu unafuatilia mkusanyiko wa data (dataset) kuanzia mwanzo hadi mwisho. Ramani iliyo hapa chini inapanga sura zake katika awamu nne za kuunda mkusanyiko wa data. Chagua sura yoyote ili kwenda moja kwa moja kwenye sura hiyo.
Sio lazima usome kwa mfuatano. Chagua njia inayoendana na mahali ulipo:
- Wewe ni mgeni katika kuunda mikusanyiko ya data. Soma Utangulizi, kisha pitia sura za Misingi (Foundations) kwa mfuatano: Usimamizi wa Mradi, Ukusanyaji wa Data, Utawala wa Data, Usanifu wa Uwekaji Maelezo (Annotation Design) na Ubora wa Data. Kila moja inajengwa juu ya ile iliyotangulia.
- Unajua kazi yako na unataka kuepuka kurudia kazi. Anza na Kabla Hujanza. Inakuonyesha jinsi ya kupata mikusanyiko ya data iliyopo, kutathmini kama inafaa, na kuamua kama utaitumia tena, kuipanua, au kuunda yako mwenyewe.
- Tayari una data ghafi na unahitaji iwekewe maelezo. Nenda kwenye Usanifu wa Uwekaji Maelezo, kisha Ubora wa Data.
- Unafanya kazi na sauti, picha, video au nyaraka. Nenda kwenye sehemu ya aina yako ya data (modality): Sauti, Maono (Vision) au Aina Mbalimbali (Multimodal). Kila moja inaeleza nini kinabadilika unapoanza kutumia zaidi ya maandishi.
- Lugha yako ina maandishi kidogo ya kidijitali au haina kabisa. Soma Uingizaji wa lugha zenye rasilimali chache (Long-tail language onboarding) kabla ya kitu kingine chochote. Inashughulikia maamuzi kuhusu othografia, jamii na umiliki yanayokuja kwanza.
- Unatumia LLMs kuzalisha au kuongeza data. Soma Data Inayosaidiwa na LLM kwa ajili ya kuelewa faida na hasara (trade-offs) na hatua za usalama.
- Unaandaa mkusanyiko wa data kwa ajili ya kuutoa (release). Soma Nyaraka (Documentation), Mzunguko wa Maisha wa Mkusanyiko wa Data na Sheria, idhini, na haki miliki ya jamii (IP).
- Uko nje ya mtandao (offline) au una muunganisho wa polepole. Pakua mwongozo mzima kama PDF moja kutoka kwenye menyu ya AfriPlaybook katika upau wa kusogeza (navbar). Inajengwa upya kwa kila toleo jipya.
- Unapendelea kusoma kwa lugha nyingine. Tumia kibadilisha lugha kilicho juu upande wa kulia. Tafsiri zinasimamiwa na jamii na zinaendelea kukua kadiri muda unavyosonga.
Katika kitabu hiki chote utapata templeti unazoweza kuzibadilisha ili zikufae, kama vile fomu za idhini, miongozo ya uwekaji maelezo na orodha za ukaguzi za utawala, pamoja na mifano iliyofanyiwa kazi kutoka kwenye miradi halisi ya lugha za Kiafrika na viungo vya mikusanyiko ya data na zana unazoweza kuzitumia tena. Maneno mapya yamefafanuliwa katika faharasa (glossary).
