Norjan kansalliskirjasto julkisti maanantaina Borealis-nimisen kielimalliperheen bokmålille ja nynorskille. Mallit julkaistaan vapaasti ladattaviksi Hugging Facessa NbAiLab-tilillä viikolla 34, eli 17.–23. elokuuta. Tiedote on kirjaston oma, ja julkistuksessa olivat mukana ministerit Karianne Tung ja Lubna Jaffery. Löysimme uutisen norjankielisestä lähteestä; englanninkielisessä alan mediassa se ei ole näkynyt.

Uutinen ei kuitenkaan ole malli. Se on aineisto. Kansalliskirjaston mukaan tämä on ensimmäinen kerta, kun tekijänoikeussuojattua norjalaista sanomalehtitekstiä on käytetty sekä perus- että hienosäätökoulutuksessa — laillisesti ja luvalla. Käyttö perustuu Kopinorin kanssa tehtyyn kollektiivisopimukseen, ja Norjan hallitus on budjetoinut oikeudenhaltijoiden korvauksiin neljäkymmentäviisi miljoonaa kruunua vuodessa. Kirjasto sanoo, että tämä on ensimmäinen kerta, kun valtio julkaisee lisensoidulla tekijänoikeusaineistolla koulutetut kielimallit vapaaseen käyttöön.

Miksi tämä on tämän lehden asia? Koska paikallisen mallin suurin pitkän ajan riski ei ole nopeus eikä muisti vaan se, että malli osoittautuu jälkikäteen laittomaksi. Avoimen painon malleja on julkaistu kymmeniä, joiden koulutusaineisto on kuvattu sanoilla "julkisesti saatavilla oleva verkkoaineisto". Se lause on kestänyt tähän asti, mutta se on oikeudellisesti hauras. Kone, jolla ajat mallia, ei ole vaarassa — mutta yritys, joka rakentaa tuotteen sen päälle, on. Borealis on ensimmäinen laajassa mitassa julkaistu malli, jonka kohdalla kysymykseen "mistä teksti on peräisin" on olemassa sopimusnumero ja budjettirivi.

Rakenteesta ei ole vielä julkista tietoa. Kansalliskirjasto ei ole tiedotteessaan kertonut parametrimääriä, kontekstipituutta, lisenssiä eikä sitä, mihin perusmalliin Borealis pohjautuu — jos pohjautuu johonkin. Tämä on rehellisyyden vuoksi sanottava: koko juttu perustuu tiedotteeseen, ei mallikorttiin. Mallikortti tulee vasta ensi viikolla, ja vasta silloin nähdään, onko kyseessä pieni kotimainen malli vai jonkin avoimen perheen jatkokoulutus, ja millä lisenssillä painot tulevat ulos.

Saamenkieliset mallit ovat kirjaston mukaan vielä työn alla. Se on odotettavaa: pohjoissaamen, luulajansaamen ja eteläsaamen tekstiaineistot ovat murto-osa norjankielisistä, eikä lisensointikysymys ole niissä helpompi vaan vaikeampi. Mutta se, että ne on mainittu tiedotteessa lainkaan, kertoo hankkeen luonteesta: tämä on kielipolitiikkaa, jonka väline sattuu olemaan kielimalli.

Suomalaiselle lukijalle tässä on suora vertailukohta. Meillä on Kansalliskirjasto, meillä on Kopiosto, ja meillä on täsmälleen sama ongelma: suomenkielistä laadukasta tekstiä on liian vähän avoimessa verkossa, ja se paras osa siitä on tekijänoikeuden suojaamaa. Norja on nyt näyttänyt yhden tavan ratkaista se, ja hinta on julkinen. Neljäkymmentäviisi miljoonaa kruunua vuodessa on tämänhetkisellä kurssilla noin neljä miljoonaa euroa — halvempaa kuin yksi keskikokoinen koulutusajo.

Palaamme asiaan, kun painot ovat Hugging Facessa. Silloin kysymme myös sen, mitä tiedote ei kysy: kuinka hyvä malli on, ja pyöriikö se kannettavalla. Norjalainen bloggaaja testasi Borealiksen aiempaa versiota heinäkuussa Ollamalla tavallisella MacBookilla ja totesi bokmålin ja nynorskin olevan selvästi parempia kuin isoilla kansainvälisillä malleilla — mutta pitkien tekstien rakenteen hajoavan noin sivun jälkeen ja päättelyn olevan litteää. Se on hyvä lähtökohta odotuksille.