Un LLM en azerí sobre SageMaker: así resolvió Azercell el problema de un idioma minoritario

La operadora de telecomunicaciones azerbaiyana Azercell ha desarrollado su propio modelo de lenguaje en Amazon SageMaker AI. La compañía se marcó un objetivo ambicioso: crear un LLM de nivel de producción para un idioma morfológicamente complejo, con escasez de datos disponibles y sin soluciones existentes en el mercado.

Por qué el azerí es un caso complicado

El azerí es un ejemplo típico de lengua aglutinante con una morfología rica. Una sola palabra puede llevar numerosos sufijos que cambian radicalmente su significado y su función gramatical. Esto exige enfoques de tokenización y entrenamiento muy distintos a los que se aplican a las lenguas indoeuropeas.

A la complejidad morfológica se suma un factor crítico: el volumen de datos de entrenamiento abiertos en azerí es mucho menor que en inglés, ruso o español. Los métodos estándar de entrenamiento de LLM, perfeccionados con grandes corpus de texto, no funcionan aquí de forma directa.

• La complejidad morfológica exige una tokenización específica
• Escasez de datos: más de 100 veces menos textos que en los idiomas principales
• Ausencia de ejemplos previos y de buenas prácticas para LLM en azerí
• Necesidad de adaptar foundation models entrenados con datos en inglés
• Requisito de integrar el modelo en los sistemas de producción de la operadora

Cómo lo resolvió Azercell

La compañía se alió con el AWS Generative AI Innovation Center. En seis semanas de trabajo conjunto intensivo, los especialistas de ambas partes construyeron un framework listo para producción sobre Amazon SageMaker.

La solución incluyó varios componentes clave: la preparación y limpieza adecuadas de los datos disponibles, una tokenización especializada que tiene en cuenta la morfología del azerí y la optimización del proceso de entrenamiento para trabajar con un volumen de datos más reducido. Los ingenieros recurrieron a transfer learning: adaptaron modelos ya entrenados en lugar de entrenar desde cero con un corpus en azerí.

El resultado: dos funciones para un mismo modelo

El modelo de Azercell trabaja en dos frentes. Por un lado, impulsa un chatbot de atención al cliente que resuelve en azerí las dudas de los abonados sobre servicios y tarifas. Por otro, se utiliza en procesos internos de negocio: gestión de solicitudes entrantes, análisis de voz en el call center, clasificación de incidencias y recomendaciones personalizadas de servicios.

Centrarse en el azerí evita pérdidas de significado en la traducción y garantiza que el modelo entienda los contextos locales y los matices del habla.

Qué significa esto

Es el primer ejemplo público de un LLM completamente funcional para el azerí desarrollado sobre infraestructura en la nube. El caso demuestra que las plataformas cloud pueden adaptar LLM tanto a idiomas minoritarios como a tareas industriales concretas. Para otras empresas de la región, es una señal: invertir en un modelo de lenguaje propio es realista y factible en cuestión de semanas.