О речнику

Овај Речник је покушај да се скенирана верзија шестотомног „Речника српскохрватскога књижевног језика” у издању Матице српске дигитализује и понуди јавности на употребу.

Главна мотивација је та што ни у XXI веку не постоји бесплатан јавни електронски речник српског језика на интернету.

Пројекат је почео давно, још 2010. Неколико година пре тога почела је по интернету да циркулише скенирана верзија овог речника у PDF формату. Сам речник у штампаном облику је био фототипско издање из 1991. године речника који је први пут изашао из штампе 1967. године. На жалост, иако је скениран врло професионално, што се види по томе што су све странице савршено поравнате по ивицама, људи који су радили фототипско копирање оригиналног речника су изгледа одабрали јако умрљано издање или је једноставно оригинално издање било такво и другачије није ни постојало. Овој несрећној чињеници имамо да дугујемо изразито низак квалитет ове интернетске верзије Речника.

Стање речника

Тренутно има „парсираних” око 50.000 речи од нешто више од 110.000 речи колико укупно има оригинални речник. Шта то значи? То значи да је могуће претраживати речи које почињу само појединим словима, а не свим словима азбуке. Зашто? Зато што сам хтео да колико толико ручно обрадим и приведем употребљивости „парсирану” верзију речника. Зато сам пустио програм да одабере све речи које би требало да почињу неким словом, а програм за оптичко препознавање текста није препознао исправно почетно слово. Затим бих прошао све такве речи за свако појединачно слово и ручно исправљао бројне грешке у препознавању текста. На крају, када бих исправио све такве речи за једно слово, пустио бих програм да „парсира”, тј. препозна делове одредница у речнику за сваку одредницу која почиње тим словом. Коначно, тако „парсиране” речи бих смештао у нову базу и обележавао као „парсиране”. На тај начин, осим одредница које сам ручно исправљао, остале одреднице су прилично лошег квалитета. Највећи проблем у целом процесу је било оптичко препознавање акцентованих самогласника који су готово без изузетка погрешно протумачени од стране софтвера. Ово дугујемо чињеници да се софтвери за оптичко препознавање текста баве углавном „нормалним” текстовима који не садрже акцентоване самогласнике.

Тренутно су доступне за претраживање речи које почињу словима: А, Б, Г, Д, Ђ, Е, Ж, З, И, Ј, Љ, Ћ, У, Ф, Х, Ц, Ч, Џ, Ш. За речи које почињу осталим словима азбуке тренутно нису доступне. Тренутно ми преостаје да обрадим ручно још око 10.200 одредница, пре него што пустим скрипту да „парсира” речник за остала слова.

Тренутни начин рада интернетског речника

На главној страни Речника, у пољу за претраживање укуцавањем речи, после трећег укуцаног слова, речник даје десет најбољих погодака из базе података. Ако на списку који се појави испод поља за претраживање видите реч коју сте тражили, потребно је да кликнете на ту реч мишем или да стрелицама сиђете ниже низ списак и притиском на тастер „enter” одаберете реч која ће бити приказана. Поред тог приказа, са десне стране, приметићете дугме чијим се притиском приказује одговарајућа скенирана страна речника на којој би требало да се налази нађена реч. Ако то не урадите, већ без одабира речи приказане у листи испод поља за претраживање притиснете тастер „enter”, или ако листа испод поља за претраживање није приказана, а ви притиснете „enter”, Речник ће приказати скенирану страницу речника.

Будући начин рада речника

Ускоро планирам да отворим могућност да посетиоци пријављују грешке у грађи, или, што би било још боље, да их сами исправљају. Тако исправљене речи би биле провераване од стране тима уредника, или мене лично.

Будућност речника

Захваљујући убрзаном развоју информационих технологија у последњих пет година, технологије машинског учења, дубоког учења и неуралних мрежа постале су доступне широким масама. Тренутно постоји бар једна опција да се алгоритам дубоког учења научи да препознаје слова из скениране верзије речника. Потенцијално, овај метод би дао одличне резултате у новом покушају машинског препознавања текста и парсирања речника. Ако ми време буде дозволило, покушаћу да и на тај начин побољшам стање овог Речника.

Намена речника

Као што сам на почетку овог текста написао: намера и првенствена намена је омогућити говорницима и ученицима српског језика једноставан начин да претражују речи. Када, једнога дана, Речник буде комплетиран, подаци из базе ће моћи да се обрађују на начин да буду корисни и академским корисницима.

Овај сајт је у потпуности финансиран приватно и нема сврху никаквог профита или (само)промоције. Приступ садржају Речника јесте и биће увек бесплатан.

Техничке напомене

Кориснички интерфејс је урађен у Angular фрејмворку, а сервер је писан помоћу Nest.js фрејмворка. Оба фрејмворка користе TypeScript надскуп JavaScript језика. База података је MongoDB. Визуелно решење старог сајта било је базирано на Material Design обрасцима, док нови интерфејс тежи мирнијем, читалачком распореду.

Негде у Србији, априла 2018.

Нова верзија речника из 2026.

Након експлозије вештачке интелигенције и појаве великих језичких модела, као што је ChatGPT, одлучио сам да покушам да искористим ове технологије за побољшање квалитета дигиталне верзије Речника. Успео сам да обучим модел за препознавање текста који укључује и наша слова са дијакритицима. Пре овога није било могуће искористити ниједан постојећи модел нити софтвер за препознавање текста који би успео да препозна слова са дијакритицима. Резултат је нова верзија речника која садржи око 130.000 речи, са знатно мање грешака у тексту и много бољом структуром података. Ова нова верзија је сада доступна на овом сајту, а рад на преосталим одредницама се наставља.

У међувремену се појавило више иницијатива на интернету за објављивање речника српског језика. Међутим, ниједна од њих до сада није употребљива ни доступна на интернету.