Olga Beregovaya، نائبة رئيس الذكاء الاصطناعي في Smartling – سلسلة مقابلات

Olga Beregovaya هي نائبة رئيس الذكاء الاصطناعي في Smartling، حيث تقود استراتيجية الذكاء الاصطناعي في مجالات الترجمة والبيانات والجودة والسلامة. تعمل في مجال معالجة اللغة الطبيعية منذ عام 1997، وقد عاصرت الأنظمة القائمة على القواعد والنماذج الإحصائية والشبكات العصبية والنماذج اللغوية الكبيرة. وقبل انضمامها إلى Smartling، شغلت منصب نائبة رئيس ابتكار الذكاء الاصطناعي في Welocalize، ومنصب الرئيسة التنفيذية لشركة PROMT Americas.

تقدم Smartling برامج وخدمات للترجمة والتوطين موجهة إلى المؤسسات، وتجمع بين الذكاء الاصطناعي والترجمة الآلية والخبرة البشرية. وتدعم منصتها سير العمل متعدد اللغات للمواقع الإلكترونية والتطبيقات والتسويق والمستندات والوسائط المتعددة، مع إتاحة الوصول إلى أكثر من 20 نموذجًا لغويًا كبيرًا ومحركًا للترجمة الآلية. في هذه المقابلة، تتحدث Beregovaya عن الفجوة بين اللغات في الذكاء الاصطناعي، وجودة الترجمة، واختيار النماذج، ودور الإشراف البشري في التوطين المؤتمت.

كيف أثرت هذه المسيرة في رؤيتك لدور الذكاء الاصطناعي في اللغة، وما الذي دفعك إلى قيادة استراتيجية الذكاء الاصطناعي في Smartling؟

درستُ بنية اللغات وآلية عمل العائلات اللغوية. وقد علّمني ذلك أن الترجمة تتعلق بالبنية والمعنى، لا باستبدال الكلمات كلمةً بكلمة. وأرى الذكاء الاصطناعي بالطريقة نفسها.

بدأت العمل في مجال معالجة اللغة الطبيعية عام 1997، حين كانت الأنظمة تعتمد على قواعد مكتوبة يدويًا. ومنذ ذلك الحين، عملت مع النماذج الإحصائية والشبكات العصبية، وصولًا إلى النماذج اللغوية الكبيرة الحالية. وقد عالج كل منها بعض المشكلات، لكنه أوجد مشكلات أخرى. ولا أعتقد أن نموذجًا واحدًا يمكن أن يكون الحل.

انضممت إلى Smartling لأنها أُنشئت لترجمة شتى أنواع محتوى المؤسسات، من المواقع الإلكترونية والتطبيقات إلى المستندات القانونية ومواد التسويق والفيديو. بدأتُ منصبي نائبةً لرئيس الترجمة الآلية، لكن نطاق الدور سرعان ما تجاوز الترجمة ليشمل تصميم المطالبات والبيانات والجودة والسلامة. لذلك أصبح المسمى الوظيفي نائبة رئيس الذكاء الاصطناعي.

كيف تبدو هذه الفجوة عمليًا، ولماذا قد تزداد أهميتها مع تحوّل الذكاء الاصطناعي التوليدي إلى واجهة أساسية؟

كانت الفجوة بسيطة في السابق: إما أن يدعم نظام الذكاء الاصطناعي لغتك أو لا يدعمها. وقد حُسم هذا السؤال إلى حد كبير الآن، لكن شكل الفجوة تغيّر. فأصبح المعيار هو مدى تمثيل بيانات تدريب النموذج لهذه اللغة ومتحدثيها وثقافتها. وتُكتب معظم بيانات تدريب النماذج باللغة الإنجليزية، لذا فإنها تحمل معها افتراضات الناطقين بالإنجليزية. وقد تكون الترجمة دقيقة من الناحية التقنية، ومع ذلك تفرض منظور الناطقين بالإنجليزية على لغة أخرى.

أصبح الذكاء الاصطناعي وسيلة تفاعل الناس مع المصارف والأطباء والمدارس وغيرها من الخدمات الأساسية. فاللغة التي يتعامل معها الذكاء الاصطناعي بكفاءة تمنحك ميزة، أما اللغة التي يضعف أداؤه فيها فتضعك في موقف أقل حظًا.

ما أكثر ما فاجأك، وكيف تفسرين تفوق السويدية على الهندية في بعض الحالات، رغم أن عدد متحدثيها أقل بكثير؟

يتضح أن عدد المتحدثين مؤشر ضعيف على نحو مفاجئ إلى جودة الترجمة. فالسويدية، التي يتحدث بها نحو 10 ملايين شخص، حققت بعضًا من أفضل النتائج. أما الهندية، التي يتحدث بها نحو 600 مليون شخص، فكانت من بين أضعف اللغات أداءً، إلى جانب الإستونية والتايلاندية.

لتركيب اللغة وجودة البيانات أهمية أكبر بكثير. فالقواعد السويدية بسيطة نسبيًا، كما تتوفر لها كميات وفيرة من بيانات التدريب النظيفة. أما الإستونية، فتتغير نهايات الكلمات فيها باستمرار للتعبير عن المعنى، ما يزيد تعقيد ما يتعين على الذكاء الاصطناعي التعامل معه. والهندية يتحدث بها مئات الملايين، لكن بيانات التدريب عالية الجودة والمتنوعة المتاحة لها أقل بكثير مما قد تتوقعه بالنظر إلى عدد متحدثيها.

وكانت المفاجأة الأخرى أن التقدم لم يكن متساويًا من مختبر إلى آخر. فاللغات التي بدأ أداؤها أضعف تحسنت عادةً أكثر من غيرها عند الانتقال من جيل من النماذج إلى الجيل التالي، لكن هذا النمط لا ينطبق دائمًا.

إلى جانب حجم بيانات التدريب، ما العوامل الأكثر تأثيرًا في أداء النماذج؟

يُعد تقسيم النص إلى وحدات رمزية أحد أهم العوامل. والمقصود به الطريقة التي يقسم بها النموذج النص إلى أجزاء قبل معالجته، وهو أمر بالغ الأهمية خصوصًا للغات التي لا تستخدم الأبجدية اللاتينية. ويحدّ التقسيم السيئ من جودة كل ما يأتي بعده.

ولتركيب اللغة أهمية أيضًا. فقد يصعب على النماذج التعامل مع اللغات التي تتسم بتعقيد نهايات الكلمات. فالألمانية، على سبيل المثال، تجمع الكلمات بعضها إلى بعض حتى قد يصل طول الكلمة الواحدة إلى 40 حرفًا، ما يفرض على النموذج متطلبات أكبر مقارنة بلغات مثل الإسبانية أو الفرنسية.

ثم تأتي جودة البيانات. فالبيانات الرديئة تؤدي إلى نتائج رديئة. وتكتسب دقة البيانات وتنوعها ومدى تمثيلها أهمية بالغة لأداء الذكاء الاصطناعي في الترجمة.

وأخيرًا، التقييم. نستخدم TER وBLEU وCHRF3 وMetricX، ونقارن النتائج بترجمات بشرية موثوقة. فقد يبدو النموذج طبيعيًا في صياغته، مع أنه يخطئ في نقل المعنى.

ما المسؤولية التي تقع على عاتق مختبرات الذكاء الاصطناعي الرائدة، وكيف يبدو التقدم الملموس؟

تقع على عاتق المختبرات الرائدة مسؤولية أكبر، لأنها تسيطر على أكثر النماذج اللغوية تقدمًا. ويمكن لقراراتها إما أن توسّع الفجوة أو أن تساعد على تضييقها. غير أن الترجمة كثيرًا ما تتنافس على الاهتمام مع الاستدلال والبرمجة والسلامة، لذا لا يخصص لها سوى عدد قليل من المختبرات فرقًا متخصصة.

ثمة ثلاثة أمور من شأنها إحداث فرق ملموس:

1. إنشاء بيانات عالية الجودة بلغات وموضوعات أكثر.
2. تحسين تقسيم الكلمات إلى وحدات في اللغات التي لا تفي فيها الأساليب الحالية بالغرض.
3. ومقارنة كل نموذج جديد باللغات التي تتوافر لها بيانات تدريب أقل، لا باللغات الأكبر وحدها.

من أبرز الفرص المتاحة إنشاء بيانات تدريب للغات التي لا تحظى بتمثيل كافٍ على الإنترنت. ويُنجز جانب كبير من هذا العمل خارج المختبرات الكبرى. ونعمل مع مجموعات مثل African Language Lab لإنشاء بيانات للغات الأفريقية.

كيف تحدد Smartling أيًّا من محركاتها التي يزيد عددها على 20 يناسب لغة أو نوع محتوى أو حالة استخدام بعينها؟

نختبر هذه النماذج بدلًا من افتراض أن أحدها هو الأفضل. ونقيّم كل نموذج بمقارنته بترجمات بشرية موثوقة باستخدام مقاييس TER وBLEU وCHRF3 وMetricX. ويمكن للعميل تزويدنا بمحتواه التسويقي، وخلال نحو أسبوع نستطيع أن نبيّن أداء كل نموذج بحسب اللغة والموضوع. وقد لا يكون النموذج الأفضل للتسويق باللغة الإسبانية في أمريكا اللاتينية هو الأفضل للغة أخرى أو للمحتوى الحساس.

ونأخذ المخاطر في الحسبان أيضًا. إذ يمكن إخضاع محتوى المستخدمين منخفض المخاطر لعملية مراجعة أخف. أما المحتوى الخاضع للتنظيم أو المهم للعلامة التجارية، فيخضع لمراجعات أكثر، وعادةً ما يتطلب تدقيقًا بشريًا. وبما أنه يمكن إضافة النماذج أو إزالتها مع تغير أدائها، فنحن غير مقيدين بمزود واحد.

في أي المجالات لا تزال أنظمة الترجمة المتخصصة تتفوق على النماذج اللغوية الكبيرة متعددة الأغراض، وكيف سيتقارب أداؤهما؟

لا تزال الترجمة الآلية المتخصصة تتفوق عندما تكون القدرة على التنبؤ بالنتائج هي الأهم. وهي مفيدة بوجه خاص للمحتوى الحساس وبعض اللغات. وتنتج النماذج اللغوية الكبيرة نصوصًا أكثر سلاسة، لكنها قد تهلوس أيضًا بثقة تامة.

في Smartling، نجمع بين النهجين. إذ يُنتج نموذج ترجمة متخصص المسودة الأولى بالاستناد إلى مصطلحات العميل وبيانات المجال الذي يعمل فيه. ثم ينقحها نموذج لغوي كبير، فيعيد المصطلحات المعتمدة، ويطبق التطابقات المستمدة من الترجمات السابقة، ويحسّن الصياغة.

أصبح النموذج جزءًا واحدًا فحسب من المنظومة. فالآن، لا تقل أهميةً عنه كلٌّ من صياغة التوجيهات والبيانات والتخصيص وضوابط السلامة.

ما أكبر المخاطر التي ينبغي للمؤسسات مراعاتها عند استخدام الذكاء الاصطناعي التوليدي لإنشاء محتوى متعدد اللغات؟

الهلوسة، بلا شك. ومن الأمثلة التي أفضّلها أن يسأل شخصٌ ذكاءً اصطناعيًا عمّا إذا كان فطرٌ ما سامًا. فيجيبه بالنفي بثقة تامة، ثم تثبت شاهدة قبر ذلك الشخص خطأ الإجابة. وفي الترجمة، تظهر هذه المشكلة في نص يبدو مثاليًا لكنه يتضمن معلومات خاطئة، وقد يزداد هذا الخطر في اللغات التي تفتقر إلى بيانات تدريب كافية.

ثم هناك السياق الثقافي والتنظيمي. فقد تكون الترجمة صحيحة من الناحية التقنية، لكنها تظل غير ملائمة للسوق. فاللغتان الألمانية واليابانية، على سبيل المثال، تتطلبان مستويات من الرسمية لا تتطلبها الإنجليزية. كما تقيّد قواعد الإعلان في الصين ادعاءات مثل «الأفضل».

والاتساق خطر آخر. فعلى نطاق واسع، قد تؤدي أدوات الذكاء الاصطناعي العامة إلى تفاوت المصطلحات ونبرة العلامة التجارية. وأخبرني أحد المسؤولين التنفيذيين أن شركته تضم 300,000 موظف، وبفضل الذكاء الاصطناعي العام، أصبح لها 300,000 صوت مختلف.

وقد تكون العواقب جسدية أيضًا. فإذا تُرجمت تعليمات السلامة المتعلقة بسحب ذراع تشغيل ترجمة خاطئة، فقد تسقط رافعة على موقع بناء.

كيف يبدو وكيل الذكاء الاصطناعي في سير عمل التوطين، وإلى أي مدى يمكن أتمتة العمل مع الإشراف البشري؟

وكيل الذكاء الاصطناعي خطوة واحدة ضمن سير عمل التوطين. يتولى أحد النماذج الترجمة، فيما يراجع نموذج آخر النص، ويتحقق من خلوه من الهلوسة، ويعيد المصطلحات المعتمدة، ويكيّف المحتوى ليناسب السوق. ثم يحدد فحص الجودة ما إذا كان المحتوى جاهزًا للنشر، أو يحتاج إلى مراجعة بشرية سريعة، أو إلى مراجعة كاملة.

يعتمد مدى إمكانية الأتمتة على مستوى المخاطر. وقد أتمتنا بالفعل العمل منخفض المخاطر إلى حد كبير بالكامل، لكن المحتوى الحساس والخاضع للتنظيم لا يزال يتطلب تدخل البشر.

ليس الهدف دائمًا هو الأتمتة الكاملة، لأن النماذج تحتاج إلى ملاحظات البشر كي تتحسن. فالهدف هو تخفيف عبء العمل عن البشر من دون الاستغناء عن حكمهم.

هل ستتقلص الفجوة أم ستتسع خلال خمس سنوات، وما الذي سيجعل الذكاء الاصطناعي متعدد اللغات حقًا على نطاق عالمي؟

قد يحدث أيٌّ من الأمرين. فاللغات التي كانت في البداية الأضعف تحقق أسرع تحسن، وتجمع مؤسسات أكثر بياناتٍ للغات التي يقل محتواها على الإنترنت، بما في ذلك بيانات اللغة المنطوقة.

لكن الفجوة تتخذ شكلًا مختلفًا. فقد يتعامل الذكاء الاصطناعي جيدًا مع لغة ما، ومع ذلك يستورد افتراضات ناطقي الإنجليزية من بيانات تدريبه.

يتطلب الذكاء الاصطناعي المتعدد اللغات حقًا نهجًا مختلفًا. وقد يعني ذلك استخدام نماذج أصغر مصممة خصيصًا للغات ومجالات محددة، بدلًا من نموذج عام واحد يُتوقع منه أن ينجز كل شيء. كما يعني توفير بيانات أكثر تنوعًا عبر اللغات والمجالات، وتحسين تقسيم الكلمات إلى وحدات في اللغات التي لا تفي فيها الأساليب الحالية بالغرض. ويشمل أيضًا البيانات الاصطناعية، إلى جانب نقل ما يتعلمه النموذج من لغة إلى لغات ذات صلة، كي لا تقتصر التحسينات على اللغات التي تتوافر لها أكبر كمية من البيانات.

التقنية موجودة، لكن السؤال هو ما إذا كانت الشركات التي تبني هذه النماذج ستجعل الأداء المتعدد اللغات أولوية.

شكرًا على هذه المقابلة الرائعة. ويمكن للقراء الراغبين في استكشاف الترجمة بالذكاء الاصطناعي، وتقييم الجودة متعددة اللغات، وسير عمل التوطين بإشراف بشري، زيارة Smartling.