Malayalam

I prepared a web frontend for the Malayalam spellchecker based on the Malayalam morphology analyser. It is available at https://morph.smc.org.in/spellcheck.html. I had written an article about its technology two years ago. There s also an incomplete extension to LibreOffice. The spellchecker is available as an API too. If you want to use it, please refer a minimal code snippet available at codepen. The quality of spellcheck and suggestions provided depend on the completeness of mlmorph project. Since mlmorph is ongoing and highly complex project, this will take time.

While the COVID-19 pandemic is going on, Kerala free software communities started doing interview series with active contributors. The interviews were very informal and was about personal journey and the story behind the projects. And they were all in Malayalam. I gave 3 such interviews in last few weeks. I am going to list them in this blog post. Humans of SMC Series This was an initiative by Tinkerhub, a non-profit organization which promotes the creation of tech-talent focused among youth, especially students. Hrishikesh interviewed me for them. ...

കേരളത്തിന്റെ സാക്ഷരതാപ്രസ്ഥാനത്തിന്റെ തുടർച്ചയായി സാർവത്രിക ഡിജിറ്റൽ സാക്ഷരതാ പദ്ധതിയ്ക്കായി ചില ശ്രമങ്ങൾ 2019 സെപ്റ്റംബർ മുതൽ ഞാൻ നടത്തിയിരുന്നു. സർക്കാറിന്റെയും മറ്റുസ്ഥാപനങ്ങളുടെയും ആഭിമുഖ്യത്തിൽ ആ പദ്ധതി മാർച്ചിൽ തുടങ്ങാനിരിക്കെ കോവിഡ്-19 മഹാമാരി ഗുരുതരമാകുകയും പദ്ധതിയുടെ ഭാവി അനിശ്ചിതത്തിലാവുകയും ചെയ്തു. അതേ സമയം ഇത്തരമൊരു പദ്ധതിയുടെ ആവശ്യകത ഇരട്ടിക്കുകയും ചെയ്തു. പദ്ധതിയെപ്പറ്റി സർക്കാറിന്റെ ഔദ്യോഗികപ്രഖ്യാപനങ്ങൾ വന്നോട്ടെ എന്നുകരുതി ഞാൻ ഒന്നും പബ്ലിക്ക് ആയി എഴുതിയിരുന്നില്ല. പുതിയ സാഹചര്യത്തിൽ ഈ പദ്ധതിയ്ക്കുവേണ്ടിയുള്ള ഞാനടക്കമുള്ള ഒരുപാടുപേരുടെ പ്രയത്നത്തെ രേഖപ്പെടുത്താനാണ് ഈ ലേഖനം. തുടക്കം സ്വതന്ത്ര മലയാളം കമ്പ്യൂട്ടിങ്ങിന്റെ പ്രവർത്തനഫലങ്ങൾ കൂടുതൽ ആളുകളിലേക്കെത്തുകയും അതോടൊപ്പം കമ്പ്യൂട്ടർ, മൊബൈൽ, ഇന്റർനെറ്റ് തുടങ്ങിയവ എല്ലാവരും വ്യാപകമായി ഉപയോഗിക്കാൻ തുടങ്ങുകയും ചെയ്തതോടെ കഴിഞ്ഞ കുറേ വർഷങ്ങളായി എന്റെയും സുഹൃത്തുക്കളുടെയും നല്ലൊരുഭാഗം സമയം ഇതുസംബന്ധിച്ച സംശയനിവാരണത്തിനും സഹായങ്ങൾക്കുമായി മാറ്റിവെക്കേണ്ടിവരുന്നുണ്ട്. ഈമെയിൽ, സോഷ്യൽ മീഡിയ തുടങ്ങി പലരീതിയിൽ ആളുകൾ നിരന്തരം ബന്ധപ്പെട്ടുകൊണ്ടിരിക്കുന്നുണ്ട്. ഞങ്ങൾ ഈ മേഖലയിൽ ഗവേഷണവും സോഫ്റ്റ്‌വെയർ ഡെവലപ്മെന്റും ചെയ്യുന്നവരാണെങ്കിലും വലിയ തോതിൽ ഇങ്ങനെ സമയം മാറ്റിവെയ്ക്കാനില്ലാത്തവരാണ്. ഈ സാഹചര്യത്തിലാണ് എന്തുകൊണ്ട് ഗവൺമെന്റിനുതന്നെ ഒരു മലയാളം കമ്പ്യൂട്ടിങ്ങ് സാക്ഷരതാ പരിപാടി തുടങ്ങിക്കൂടാ എന്ന ചിന്ത ഉണ്ടാവുന്നത്. ജൂൺ മാസത്തിൽ ഇക്കാര്യം ഞാൻ സാക്ഷരതാമിഷൻ ഡയറക്ടർ ഡോ. പി. എസ്. ശ്രീകലയോട് ഈമെയിൽ വഴി ചർച്ച ചെയ്യുകയും അവർ അത് ചർച്ച ചെയ്യാൻ ഒരു ദിവസം നേരിൽ കാണാൻ വരാനാവശ്യപ്പെടുകയും ചെയ്തു. ...

I presented the Malayalam Morphology Analyser at 2nd Workshop on Technologies for MT of Low Resource Languages- LORESMT Dublin, Ireland as part of 17th MT Summit. Paper: https://www.aclweb.org/anthology/W19-6801 Presentation: https://docs.google.com/presentation/d/… Proceedings from the LORESMT workshop: https://aclweb.org/anthology/volumes/W19-68/

Happy to share the news that I am awarded by President of India for contributions to Malayalam language. Maharshi Badrayan Vyas Samman by the Hon. President of India is in recognition of my contributions in the field of Malayalam language. The award, instituted in 2016, is given to the substantial contributions to languages such as Sanskrit, Persian, Arabi, Pali and Classical Oriya, Classical Kannada, Classical Telugu, and Classical Malayalam. This is given to young scholars in the age group of 30 to 45 years. The Presidential award carries a certificate of honor, a memento and a cash prize of ₹1 lakh. These awards are announced once a year on the occasion of the Indian independence day on 15th August.

On July 10,2019 ICANN released Label generation rules for eight scripts Devanagari, Gurmukhi, Gujarati, Kannada, Malayalam. Oriya, Tamil, Telugu. These rules are criteria for determining valid Domain Names for the Root Zone of the Domain Name System (DNS). The Internet Corporation for Assigned Names and Numbers (ICANN) is a non-profit organization which takes care of the whole internet domain name system and registration process. Internationalized Top Level Domain Names are domain names not limited to English. These scripts were approved as candidates for domain names in 2016. I had written an article introducing it in a pevious blog post. ...

I have been trying to generate a Markov chain for Malayalam content. A Markov chain is a stochastic model describing a sequence of possible events in which the probability of each event depends only on the state attained in the previous event.(wikipedia). For natural language, it represents a probabilistic model of words- the probability that one word can come after another word. This model can be prepared by feeding large amount of text to system that learns the probabilities of each words. ...

The web interface of Malayalam morphology analyser(mlmorph) is updated. You can see new interface at https://morph.smc.org.in/. The new web application is written in vuejs using vuetify UI framework. The backend is flask. Source code is available at https://gitlab.com/smc/mlmorph-web Morphology analysis Morphology generator Named entity recognition Spellchecker Number spellout

A new version of Chilanka typeface is available now. Version 1.400 is available for download from SMC’s font download and preview site smc.org.in/fonts For users, there is not much changes, but the source and code build system got a major upgrade. Source code updated to UFO format from fontforge sfd format. This allows to work with modern font editors. Use cubic beziers for master design, generate OTF along with TTF. The original drawings for Chilanka was using cubic beziers. fontmake is used for building the ttf and otf, similar to the latest font projects by SMC fontbakery is used for tests, all tests are passing now Added a few important latin glyphs missing, reported by fontbakery

One of the key components of Mlmorph is its lexicon. The lexicon contains the root words categorized as nouns, verbs, adjectives, adverbs etc. These are the components used with morphological rules to generate the vocabulary of Malayalam. I collected initial lexicon with about 100,000 words from various sources such as Wikipedia, CLDR and many targeted web crawls. One problem with such collected words is they often contains spelling mistakes. Secondly, classifying these words is not possible without the tedious task of a person going through each and every words. ...