PyThaiNLP 10th Anniversary

1 ทศวรรษ หรือ 10 ปี PyThaiNLP จากเป็นเพียงซอฟต์แวร์เปิดปัญญาประดิษฐ์ด้านการประมวลผลภาษามนุษย์สำหรับภาษาไทย สู่ โครงการซอฟต์แวร์เปิดด้านการประมวลผลภาษาไทย จากจุดเริ่มต้น วันที่ 10 กรกฎาคม พ.ศ. 2559 (ค.ศ. 2016) เป็นวันที่ PyThaiNLP ถูกปล่อยขึ้น PyPI อย่างเป็นทางการ คือ PyThaiNLP 0.0.4 ที่เรานับเป็นรุ่นแรก โดยคุณสมบัติพื้นฐาน เช่น ตัดคำ, วิเคราะห์หน้าที่ของคำ (part-of-speech), แปลงตัวเลขเป็นคำอ่าน, เปลี่ยนข้อความกรณีลืมเปลี่ยนภาษาเวลาพิมพ์ และเรียงลำดับจำนวนข้อความ

จากวันนั้น จนถึง วันนี้ PyThaiNLP มีอายุครบ 10 ปี หรือ 1 ทศวรรษ เราได้ทำหลายอย่างทั้งสำเร็จและล้มเหลวมาบ้าง รวมถึงสร้างการเปลี่ยนแปลงให้กับวงการปัญญาประดิษฐ์ในไทยและสากล ซอฟต์แวร์ โมเดล และชุดข้อมูลของเราถูกนำไปใช้งานทั่วโลก เพื่อวิจัยหรือพัฒนาชุดข้อมูล โมเดล และซอฟต์แวร์ที่รองรับภาษาไทย

ข้อความจากทีม PyThaiNLP

ส่วนนี้เป็นข้อความจากสมาชิกทีม PyThaiNLP เฉพาะท่านที่มีส่วนที่อยากเขียนในบทความ

Wannaphong Phatthiyaphaibun

ครบรอบ 10 ปี จากโครงการเล็ก ๆ PyThaiNLP ที่ลากยาวจนครบรอบ 10 ปีจนได้ ตลอด 10 ปีที่ผ่านมา เป็นการเดินทางแสนยาวนาน แก้ไขไปหลายปัญหาประมวลผลภาษาไทยกับคอมพิวเตอร์ด้วยแนวทางแบบซอฟต์แวร์เปิด และ ชุดข้อมูลเปิด สิ่งเหล่านี้จะเกิดขึ้นไม่ได้เลย หากไม่มีผู้สนับสนุน ผู้บริจาคโค้ด บริจาคข้อมูล ทุกท่านที่ร่วมสนับสนุน รวมถึงปล่อยชุดข้อมูล โมเดล ภาษาไทยออกสู่สาธารณะ

จากเมื่อ 10 ปีก่อน การตัดคำภาษาไทยทำได้ค่อนข้างลำบาก ไม่มีระบบกำกับนิพจน์เฉพาะ ระบบกำกับไวยากรณ์ข้อความภาษาไทย และอื่น ๆ ให้ใช้งานได้เลย คนทั่วไปไม่สามารถเข้าถึงเทคโนโลยีพื้นฐานเหล่านั้นได้ง่าย ๆ เลย รวมถึงนักวิจัยที่ต้องการพัฒนาระบบประมวลผลข้อความภาษาไทย ไม่มีเครื่องมือ ไม่มีชุดข้อมูลให้ใช้งานเท่ากับภาษาอังกฤษ

นี่เป็นจุดที่ PyThaiNLP เข้ามาเปลี่ยนแปลง ส่วนตัวผมไม่คิดว่าจะมาได้ไกลขนาดนี้ สิ่งที่เคยอยากได้ในภาษาไทย ตอนนี้ครบถ้วนสามารถทำได้หมดเลย โจทย์เหลือเพียงงานเฉพาะ กับ การต่อยอดว่าจะต่อยอดอย่างไรให้เทคโนโลยีเหล่านั้นจะอำนวยความสะดวกให้คนไทย และจะทำอย่างไรเพื่อช่วยให้ภาษาไทยมีส่วนร่วมกับประชาคมโลกเสมอ ผมอยากให้มีภาษาไทยอยู่ในนั้นด้วยเสมอ ไม่ว่าจะเป็นหน่วยงานวิจัย บริษัทใหญ่ ๆ จากที่ใดในโลกที่อยากทำโมเดลรองรับหลากหลายภาษาหรืองานวิจัยต่าง ๆ และหวังว่าสิ่งเหล่านั้นจะกลับมาอำนวยชีวิตคนไทยกลับมาด้วยเช่นกัน รวมถึง open source มีที่ยืน และรองรับภาษาไทยได้จากพื้นฐานที่เกิดขึ้นตลอด 10 ปีที่ผ่านมา

ตอนนี้ภาษาไทยพัฒนามาไกล ผมขอขอบคุณทุก ๆ ท่านที่คอยสนับสนุน PyThaiNLP เรื่อยมา งานเหล่านั้นเกิดขึ้นมาจากน้ำพักน้ำแรงของคนจำนวนมาก กับ เวลาที่มหาศาลทั้งอาสาสมัครหรือได้รับค่าแรง ที่เป็นรากฐานให้กับ PyThaiNLP หวังว่าอนาคตจะยังคงเป็นแบบนั้นต่อไป ไม่ว่าจะยังมี pythainlp ต่อหรือไม่ก็ตาม

ขอบคุณ

วรรณพงษ์ ภัททิยไพบูลย์

Korakot Chaovavanich

10 ปี PyThaiNLP: จากตัดคำ สู่ Agentic NLP

ขอแสดงความยินดีครบรอบ 10 ปี PyThaiNLP ครับ สิ่งที่น่าทึ่งที่สุดสำหรับผมคือ โปรเจกต์ open source ภาษาไทยที่สำคัญที่สุดนี้ เริ่มต้นจากนักเรียนมัธยมคนเดียวอย่างน้องต้นตาล แล้วเติบโตต่อเนื่องมาได้ถึงทุกวันนี้ ด้วยแรงของอาสาสมัครจำนวนมากที่มาช่วยกันคนละไม้คนละมือ

ส่วนตัวผมเคยฝันอยากเขียนตัวตัดคำภาษาไทยมาตั้งแต่ปี 1998 สมัยเรียนปริญญาโท ตอนนั้นพยายามเขียนด้วยภาษา C แต่ไม่สำเร็จ จนได้มาคุยกับต้นตาลบน Facebook โค้ดตัดคำตัวแรก (mm) ของผมเป็นแค่ comment ตอบต้นตาลเท่านั้นเอง แล้วต้นตาลก็เอาไปใส่ใน PyThaiNLP ผ่านมา 18 ปี ความฝันจึงสำเร็จในปี 2016 ด้วย maximal matching จนกลายมาเป็น newmm ตัวตัดคำ default ของ PyThaiNLP จากที่เคยมีการสำรวจ ตัวตัดคำนี้ถูกนำไปใช้มากที่สุด แทบจะเป็น default ของการตัดคำภาษาไทยในงานวิจัยส่วนใหญ่ ถือเป็นความภูมิใจเล็กๆ ของผมครับ

มาถึงยุค LLM งานที่เคยยากมากอย่าง summarization กลายเป็นเรื่องง่าย หลายงานสำเร็จได้ด้วย prompt เดียว แต่ผลลัพธ์อาจไม่ deterministic และ explainable นัก. ดังนั้น library อย่าง PyThaiNLP จึงยังคงสำคัญอยู่ ในบทบาทใหม่ที่ช่วย verify ผลของ LLM ได้ และในอนาคตคงต้องทำงานร่วมกันเป็น Agentic NLP ให้ LLM ช่วย review และ improve แบบ self-reflection loop ซึ่งตอนนี้ยังเป็นเพียง speculation. ก้าวแรกเล็กๆ ในทิศนี้ก็เริ่มมี thaipromptnlp ของต้นตาลแล้ว

ขณะเดียวกันก็มีความไม่แน่นอนรออยู่ regulation ด้าน AI จาก EU ที่อาจเพิ่มภาระ compliance ให้ open source และกฎหมายไทยที่กำลังร่างตามมา โปรเจกต์อาสาสมัครแบบเราจะรับมือไหวไหม ต้องมีองค์กรมาช่วยหรือไม่ ยังเป็นคำถามเปิดครับ

ขอบคุณต้นตาลและทุกท่านที่ร่วมสร้าง PyThaiNLP มาตลอด 10 ปี ขอให้โปรเจกต์นี้เป็นรากฐานของภาษาไทยในโลกอนาคตไปอีกนานเท่านานครับ

Charin Polpanumas

PyThaiNLP 10th Anniversary
ภาษาที่ไม่มีเครื่องหมายแบ่งคำ วรรค และประโยค; ไม่มีโมเดลภาษา; แยกประเภทคำเฉพาะไม่ได้ ไม่สิ จำแนกชนิดประโยคยังไม่ได้เลย นั่นคือสภาพการประมวลผลภาษาไทยที่ผมประสบก่อนต้นตาลสร้าง PyThaiNLP

สิบปีก่อนเป็นสถานการณ์ที่ยากจะจินตนาการจากปัจจุบัน เรามีศูนย์วิจัยแห่งชาติ(นี้และชาติหน้า) ที่อ้างว่าทำวิจัยภาษาไทยมา 20-30 ปี แต่ผลงานคือชุดข้อมูลขนาดเล็กน่ารัก-สร้างด้วยเงินภาษีประชาชนทุกบาททุกสตางค์-แต่มีลิขสิทธิ์พิลึกพิลั่นป้องกันไม่ให้ประชาชนใช้, คิดเงินเราอีกที, หรือแย่ที่สุดคือไม่เปิดเผยสู่สาธารณะเลย เรามี (คนที่เรียกตัวเองว่า) “นักวิจัย” ที่ใช้เวลาส่วนใหญ่ไปกับการหาข้ออ้างว่าทำไมเราตัดคำไม่ได้สักที เนื่องจากเราไม่สามารถรู้จากบริบทได้ว่า “ตา|กลม” กับ “ตาก|ลม” ต่างกันยังไง

ในหัวผม PyThaiNLP เริ่มแบบนี้ วรรณพงศ์ นักเรียนชั้น ม.5 จากบุรีรัมย์ในวันนั้น ตื่นขึ้นมาวันนึงแล้วคิดว่า “นี่มันบ้าอะไรกันวะ มันจะยากสักแค่ไหน ลองทำดูสักตั้ง” และที่เหลือคือประวัติศาสตร์

อย่าเข้าใจผิด PyThaiNLP ยุคแรกๆ (ตอนนี้?) มันเละเทะสิ้นดี: แพคเกจที่จับเครื่องมือเท่าที่มีอยู่มายำๆรวมกันให้ครบที่สุดเท่าที่จะทำได้, ไม่มีการตรวจทานโค้ด, ไม่มีการทำให้ระบบมีประสิทธิภาพใดๆ แต่ประเด็นคือ แล้วมันยังไงล่ะ ก็ถ้าคุณทำไปเรื่อยๆ วันนึงมันก็อาจจะมีทิดเพิ่งสึกออกมาทำวิธีตัดคำด้วยพจนานุกรมให้คุณ (และทุกวันนี้บริษัทยักษ์ใหญ่ทุกแห่งในโลก เช่น Google, Meta, Amazon) ใช้ก็ได้, วันนึงมันอาจจะมีนักพัฒนาซอฟท์แวร์และสิทธิมนุษยชนมาช่วยทำให้แพคเกจมันเอาไปใช้ใน production ได้จริงก็ได้, วันนึงมันอาจจะมีอาจารย์จบใหม่รวมทีมนักพัฒนาเมพๆมาทำตัวตัดคำ deep learning กับ NER เร็วปานจรวดมาให้คุณรวมเข้าแพคเกจ, วันนึงมันอาจจะมีนักวิทยาศาสตร์บ้าๆที่คิดว่า ”เฮ้ย ตัดคำไม่ได้ก็ไม่ต้องตัดแม่ง ก็เทรนโมเดลมันทั้ง subword เลย“ แล้วได้ WangchanBERTa (ที่ถ้าใครยังใช้อยู่ทุกวันนี้ ผมไหว้ละ จะสิบปีแล้วไปใช้อันอื่นเถอะ เช่น Qwen), หรือตัวคุณเองอาจจะบ้าพอทำชุดข้อมูล NER, ASR, TTS และอย่างอื่นอีกมากมายไม่หวาดไม่ไหวจนจริงๆแล้วทำทั้งแพคเกจไปคนเดียวก็อาจจะได้เลยก็ได้

สิ่งที่ผมอยากจะพูดก็คือ จุดมุ่งหมายของพวกเราคือวันที่โลกไม่จำเป็นต้องใช้ PyThaiNLP อีกต่อไป เพราะการประมวลผลภาษาไทยเป็นส่วนหนึ่งของการประมวลผลภาษาโลก (ใกล้กว่าที่คิด) จนกว่าจะถึงวันนั้นผมคิดว่าเราก็ทำเหมือนที่เราทำทุกวันคือ ”มันจะยากสักแค่ไหน ลองดูสักตั้ง“

เนื่องในวันครบรอบ 10 ปีของ PyThaiNLP ผมขอส่ง awslabs/FastThaiG2P แพคเกจเล็กๆที่ปิดช่องว่างอีกช่องที่เราไม่ได้ปิดมานานคือ grapheme-to-phoneme ที่เชื่อถือได้และเร็วพอสร้าง text-to-speech ที่ทำงานบน CPU ปัญหาไร้สาระที่เป็นเหตุผลหลักที่ทำไม Piper และ KokoroTTS ไม่มีโมเดลภาษาไทยมานานแสนนาน แล้วที่จริงผมก็คิดว่า ”มันจะยากสักแค่ไหน ลองดูสักตั้ง“

Arthit Suriyawongkul

คิดไม่ออกว่าจะเขียนอะไร แต่คิดถึงไอเดียพี่เทพกับหลายๆ คนใน Thai Linux Working Group เมื่อก่อน
ว่าไม่ว่าจะเป็นเรื่อง AI หรือไม่ก็ตาม การพัฒนาอะไรใดๆ เกี่ยวกับภาษาไทย นอกจากจะทำเป็นซอฟต์แวร์เฉพาะที่รองรับภาษาไทยได้ดีแล้ว เราก็ควรหาทางทำให้งานที่เราทำมันกลับไปอยู่ที่ต้นน้ำ (upstream) บ้างตามกำลัง ซึ่งที่ผ่านมางานด้าน NLP พอมันขับเคลื่อนด้วยข้อมูลมากขึ้น การมีคลังข้อมูล + ชุดทดสอบพื้นฐาน มันก็ทำให้โอกาสที่การรองรับภาษาไทยจะไปอยู่ที่ต้นน้ำ มันมีมากขึ้นไปด้วย (เช่นเดียวกับภาษาอื่นๆ)

ทำไปทำมา ก็เลยคิดว่ามันคงกลับมาเรื่องงานพื้นฐาน งานที่ไม่ได้เซ็กซี่ ไม่ได้ว้าว แต่ต้องมีคนทำและคนตรวจให้ได้อัลกอริทึมพื้นฐานที่เป็น baseline ที่แม่นยำ อย่างเช่นการเรียงคำตามพจนานุกรม ที่มีรายละเอียดปลีกย่อยเล็กๆ น้อยๆ พวกนี้ไม่ได้มีอะไรใหม่ในเชิงหลักการ แค่ต้องมีใครสักคนทำ แต่พูดว่าไม่มีอะไรใหม่เลย ก็ไม่ถูกเสียทีเดียว เพราะตอนราชบัณฑิตกำหนดวิธีการเรียงลำดับ หรือตอนสำนักงานมาตรฐานอุตสาหกรรมกำหนดการเรียงลำดับในคอมพิวเตอร์ ตัวอักษรมันก็มีจำกัดอยู่ชุดหนึ่ง สมมติวันนี้ให้เรียงคำว่า สุไหงโก-ลก กับ สุไหงโก—ลก ไหงโก–ลก มีทั้ง hyphen, em dash, en dash จะเรียงยังไง เรื่องนี้อาจจะไม่ได้สำคัญสำหรับการเข้าใจภาษา และไม่ได้จำเป็นสำหรับอย่างหลายๆ เรื่อง แต่สมมติต้องการ hash ของแฟ้มอันนึง การเรียงลำดับเหมือนกันทุกครั้งก็สำคัญ เพราะมันส่งผลต่อ hash คนที่นั่งทำกฎในโครงการอย่าง Unicode CLDR Project เลยสำคัญ แต่ก็ไม่ค่อยมีใครรู้จัก

ย้อนกลับมาที่โครงการอย่าง PyThaiNLP ก็อาจจะต้องทบทวน ว่าที่ผ่านมาทำอะไรไปบ้าง อะไรที่ทำได้ดี และไม่ต้องทำแล้ว ปัญหานี้ถือว่าจบแล้ว (ในแง่ว่า ใส่แรงเข้าไปมากกว่านี้ ของที่ได้กลับมาก็อาจจะไม่คุ้ม / แต่ใครอยากจะทำก็ทำได้ เป็นความสนุกและค้นคว้าความรู้ส่วนตัว) อะไรที่ทำได้ดี ยังมีอะไรให้ทำอีก และมีคนทำต่อ, อะไรที่ยังมีเรื่องให้ทำอีก แต่ดูเหมือนจะไม่ค่อยมีใครทำ แล้วเราคิดว่าสำคัญ/อยากทำ

อีกเรื่องที่ส่วนตัวผมสนใจ ก็คือการมีไลบรารีเล็กๆ ที่ทำเฉพาะเรื่องพื้นฐานและทำได้ดี มีขนาดเล็กพอที่พวกงาน embed หรือ web browser จะเอาไปใช้ได้ น่าจะยังมีที่ๆ ให้ไปได้อีกมาก ถ้ามองว่า computing ไม่ได้อยู่เฉพาะในคอมพิวเตอร์หรือมือถือเท่านั้น น่าจะเป็นโอกาสอีกมากของโอเพนซอร์ส

Lalita Lowphansirikul

PyThaiNLP ไม่เพียงเป็นเครื่องมือสำคัญสำหรับการพัฒนาแอปพลิเคชัน งานวิจัย และการประมวลผลภาษาไทยเท่านั้น แต่ยังเป็นแรงบันดาลใจให้ผู้คนจำนวนมากหันมาเรียนรู้ด้าน Data Science, AI และ Machine Learning ซึ่งเป็นพื้นฐานสำคัญต่อการเติบโตในเส้นทางอาชีพ ทั้งในสายวิจัย ภาคอุตสาหกรรม และการสร้างประโยชน์ให้กับสังคม

ในยุคที่ Large Language Models (LLMs) กำลังเข้ามามีบทบาทอย่างมาก PyThaiNLP ยิ่งสะท้อนให้เห็นถึงความสำคัญของการมีทรัพยากรภาษาไทยที่มีคุณภาพ ไม่ว่าจะเป็นชุดข้อมูลภาษาไทยที่ทีมผู้พัฒนารวบรวม เช่น ข้อมูลชื่อเฉพาะ เครื่องมือประมวลผลภาษา เช่น Dictionary-based word segmentation และองค์ความรู้ด้านภาษาไทยจาก Community โดยกระบวนการรวบรวม วิเคราะห์ และประมวลผลข้อมูลภาษา ยังคงเป็นรากฐานสำคัญสำหรับการพัฒนา AI ที่สามารถเข้าใจภาษาไทยได้อย่างมีประสิทธิภาพ

การมีโครงการและ Community อย่าง PyThaiNLP ไม่เพียงช่วยให้นักวิจัย นักพัฒนา และผู้เรียนสามารถเข้าถึงทรัพยากรด้านภาษาไทยได้ง่ายขึ้น แต่ยังเป็นพื้นที่สำหรับการแลกเปลี่ยนองค์ความรู้ การต่อยอดงานวิจัย และการสร้างนวัตกรรมด้าน AI ภาษาไทย เพื่อให้เทคโนโลยีสามารถพัฒนาไปพร้อมกับบริบทและความต้องการของผู้ใช้ภาษาไทย

Peerat Limkonchotiwat

เป็นการเดินทางที่ยาวนาน จาก Linguistic สู่ LLM หวังว่าจะมีเทคโนโลยีใหม่ๆมาทำให้วงการนี้มีคนสนใจเพิ่มขึ้นเรื่อยๆ

Can Udomcharoenchaikit

PyThaiNLP เริ่มต้นจากโปรเจคของนักเรียนมัธยมคนหนึ่งที่ต้องการสร้างเครื่องมือสำหรับเทคโนโลยีทางภาษาสำหรับภาษาไทยที่ทุกคนเข้าถึงได้ในรูปแบบซอฟต์แวร์เปิด โดยไม่ได้มีเงินทุนหรือทรัพยากรในการพัฒนามากมาย แต่ด้วยแนวคิดและความตั้งใจที่จะสร้างเทคโนโลยีภาษาไทยสำหรับทุกคนจึงทำให้โปรเจคนี้เติบโตและประสบความสำเร็จ

PyThaiNLP เกิดขึ้นในยุคที่เครื่องมือสำหรับการประมวลผลภาษาไทยไม่ได้อยู่ในรูปแบบที่เข้าถึงได้ง่าย ชุดข้อมูลและซอฟต์แวร์สำหรับจำนวนมาก (แม้แต่ของรัฐ) ไม่ได้ถูกพัฒนาออกมาด้วยวิสัยทัศน์ที่เล็งเห็นศักยภาพของซอฟต์แวร์เปิดที่ทุกคนสามารถมีส่วนร่วมในการพัฒนาและทุกคนสามารถนำไปต่อยอดได้ การที่พยายามจะสร้างเครื่องมือทางภาษาในรูปแบบซอฟต์แวร์เปิดจึง เป็นการเปลี่ยนแปลงที่สำคัญสำหรับการพัฒนาเทคโนโลยีประมวลผลทางภาษาในประเทศไทย

ในปัจจุบัน ทั้งภาครัฐและเอกชนเริ่มหันมาพัฒนาและแบ่งปันข้อมูลรวมถึงซอฟต์แวร์ในรูปแบบเปิด ที่เข้าถึงง่ายกันมากขึ้น ซึ่งในหลายๆ บทสนทนาเกี่ยวกับการเปิดซอฟต์แวร์หรือชุดข้อมูลด้านภาษาเป็นโอเพ่นซอร์ส มักจะมีการอ้างอิงถึงความสำเร็จของ PyThaiNLP อยู่เสมอ นอกจากนี้โปรเจคนี้ทำให้เกิดชุมชนของผู้ที่สนใจเทคโนโลยีสำหรับประมวลผลภาษาไทย และพิสูจน์ให้เห็นว่าการร่วมมือกันพัฒนาและการแบ่งปันทรัพยากรอย่างเปิดกว้าง สามารถพาเทคโนโลยีภาษาไทยก้าวข้ามข้อจำกัดของการเป็น "ภาษาทรัพยากรต่ำ" (Low-resource language) ได้

เครติด

สมาชิกปัจจุบันทีม PyThaiNLP:

Development leads

• Wannaphong Phatthiyaphaibun- foundation, distribution and maintenance
• Korakot Chaovavanich - initial tokenization and soundex codes
• Charin Polpanumas - classification and benchmarking
• Arthit Suriyawongkul - localization functions, documentation, security, tests, refactoring, code modernization, and CI/build infrastructure
• Lalita Lowphansirikul - documentation
• Pattarawat Chormai - benchmarking
• Peerat Limkonchotiwat
• Thanathip Suntorntip - nlpO3 maintenance, Rust developer
• Can Udomcharoenchaikit - documentation and codes

Maintainers

• Arthit Suriyawongkul
• Wannaphong Phatthiyaphaibun

Special Members

• Phasathorn Suwansri
• Pakin Siwathammarat

Past

• Peeradej Tanruangporn - documentation

Thanks

ขอขอบคุณตราสัญลักษณ์ ออกแบบโดยคุณ วรุตม์ พสุธาดล จากการประกวดที่ กลุ่ม Thai NLP และ โพสต์สอง กลุ่ม Thai NLP

ขอขอบคุณ Wisesight สำหรับ Wisesight Sentiment Corpus

ขอขอบคุณ TrueVoice สำหรับ Truevoice-intent dataset

ขอขอบคุณทุกท่านที่มีส่วนร่วมกับชุดข้อมูล Common Voice

ขอขอบคุณทุกท่านที่มีส่วนร่วมกับชุดข้อมูล Thai NER github.com/wannaphong/thai-ner/

ขอขอบคุณสาขาวิทยาการคอมพิวเตอร์และสารสนเทศ คณะสหวิทยาการ มหาวิทยาลัยขอนแก่น สำหรับสนับสนุนเซิร์ฟเวอร์ในช่วงที่วรรณพงษ์ เรียน เพื่อศึกษาและพัฒนา NLP ภาษาไทย

ขอขอบคุณ VISTEC-depa AI Research Institute of Thailand, สถาบันวิทยสิริเมธี, จุฬาลงกรณ์มหาวิทยาลัย สำหรับการสนับสนุนค่าใช้จ่าย, ชุดข้อมูล, โมเดล, ทรัพยากรในการเทรนโมเดล, คำปรึกษา และอื่น ๆ ที่ผ่านมา

ขอบคุณ Siam Commercial Bank, True Corporation, Central Retail Digital, AIA Thailand, และ VISAI สำหรับให้การสนับสนุนและให้สัมภาษณ์ลงในรายงานวิจัยของ PyThaiNLP

ขอขอบคุณ ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (เนคเทค) กับ สมาคมปัญญาประดิษฐ์ประเทศไทย

ขอขอบคุณ MacStadium

ขอขอบคุณโครงการ AI Builders

ขอขอบคุณทุก ๆ ท่านที่มีส่วนร่วมจัดงาน Thai NLP meetup ตลอดที่ผ่านมา

ขอขอบคุณสมาชิกกลุ่ม Thai Natural Language Processing บน Facebook

ขอขอบคุณ Open Source ก่อนหน้า PyThaiNLP ที่เป็นรากฐานของโครงการเช่น โครงการ tlwg, IBM ICU, LexTo, NLTK และอื่น ๆ

ขอขอบคุณทุก ๆ ท่าน ทุกหน่วยงานที่ปล่อยชุดข้อมูลเปิดภาษาไทย

ขอขอบคุณผู้สนับสนุนทุก ๆ ท่านที่มีส่วนร่วมในการพัฒนาบน GitHub PyThaiNLP

Thanks to all contributors.
(Image made with contributors-img)

ขอขอบคุณที่ใช้งานและไว้ใจเรา

 

We build Thai NLP.

PyThaiNLP