Η Μηχανική Μάθηση Κάνει Προσθήκες Στο Συγκρότημα Τέχνη της Μεταφράσεως

Ο ειδικός γλώσσας και γραπτής επικοινωνίας Reuven Koret συζήτησε λεπτομερώς την κατάσταση επιρροής και χρήσης της τεχνητής νοημοσύνης στη μετάφραση για την ऑनलाइन έκδοση readwrite. Ο Koret υπογραμμίζει ότι η χρήση εργαλείων μηχανικής μετάφρασης βασισμένων σε AI σε όλες τις πτυχές της διαδικασίας μετάφρασης γίνεται ολοένα και πιο ευρεία. Αυτό δεν είναι αποκλειστικά περιορισμένο στα ιδιόκτητα εργαλεία ML μετάφρασης από Google (GOOGL ), Microsoft (MSFT ),  Facebook (META ), και Amazon (AMZN ) είναι στην καθημερινή χρήση, αλλά και λεπτομερή επαγγελματικά εργαλεία από εταιρείες όπως SDL.

Ωστόσο, πολλοί επαγγελματίες μεταφραστές και πρακτορεία όπως William Mamane, Διευθυντής Ψηφιακής Μάρκετινγκ στο Tomedes, ένα επαγγελματικό πρακτορείο γλωσσικών υπηρεσιών είναι ακόμη σκεπτικιστές σχετικά με τη χρήση της AI στη μετάφραση. Αλλά ακόμη και αυτοί οι σκεπτικιστές όπως ο Mamane παραδέχονται ότι η μηχανική μετάφραση έχει κάνει σοβαρές προόδους και όπως σημειώνει, «υπάρχει ακόμη χώρος για την AI και τη Μηχανική Μετάφραση στην αλυσίδα αξίας των υπηρεσιών μετάφρασης.»

Για να εξηγήσει την πρόκληση της μηχανικής μετάφρασης, ο Koret σημειώνει ότι «σε βασικό επίπεδο, η MT χρησιμοποιεί αλγόριθμους για να αντικαταστήσει λέξεις σε μια γλώσσα με αυτές σε άλλη. Αυτό αποδεικνύεται ανεπαρκές για να μεταφράσει επιτυχώς. Η κατανόηση ολόκληρων φράσεων είναι απαραίτητη και για τις δύο γλώσσες. Μπορούμε να κατανοήσουμε την MT ως αποκωδικοποίηση της πηγαίας γλώσσας και καταγραφή της σημασίας της στη γλώσσα προορισμού.»

Η επίλυση αυτής της πρόκλησης είναι một πολύ σύνθετος процесс και目前, οι πιο ανεπτυγμένες διαδικασίες χρησιμοποιούν «στατιστικά για να επιλέξουν την καλύτερη μετάφραση για μια δεδομένη φράση,» ή «δομημένες κανόνες για να επιλέξουν την πιο πιθανή σημασία.» Αυτές οι προσεγγίσεις vẫn απαιτούν την εμπλοκή των συντακτών και των επιμελητών, αλλά «αυτός ο εποπτικός, συντακτικός ή ελεγκτικός ρόλος είναι λιγότερο απαιτητικός και λιγότερο χρονοβόρος από τη μετάφραση.»

Αυτές οι μεθόδοι είναι αυτές στις οποίες βασίζονται οι περισσότερες εφαρμογές μετάφρασης στο διαδίκτυο όπως το Google Translate. Όπως σημειώνεται, το Google επεξεργάστηκε μεταφράσεις που θα γεμίσουν ένα εκατομμύριο βιβλία την ημέρα. 

Τώρα, ωστόσο, ακόμη μεγαλύτερες προόδους στη χρήση της AI στη διαδικασία μετάφρασης επιτυγχάνονται με τη χρήση της νευρωνικής μηχανικής μετάφρασης (NMT), Χρησιμοποιώντας τη βαθιά μάθηση κατά τη μετάφραση, «βλέπει ολόκληρες προτάσεις, όχι μόνο μεμονωμένες λέξεις.» Ταυτόχρονα, η NMT απαιτεί «ένα  κλάσμα της μνήμης που χρειάζεται από τις στατιστικές μεθόδους,» που σημαίνει ότι λειτουργεί πολύ γρηγορότερα.

Η χρήση της NMT έγινε αντικείμενο έρευνας για πρώτη φορά το 2014, αλλά οι ταχείς προόδους τα τελευταία πέντε χρόνια έχουν κάνει δυνατή την ανάπτυξη του αμφίδρομου ρευστοποιημένου νευρωνικού δικτύουή RNN. «Αυτά τα δίκτυα συνδυάζουν έναν κωδικοποιητή που διαμορφώνει μια πρόταση πηγαίου κειμένου για ένα δεύτερο RNN, που ονομάζεται αποκωδικοποιητής. Ο αποκωδικοποιητής προβλέπει τις λέξεις που πρέπει να εμφανιστούν στη γλώσσα προορισμού.» Το Google χρησιμοποιεί αυτήν την προσέγγιση στη NMT για να οδηγήσει το Google Translate. Επίσης, η Microsoft χρησιμοποιεί RNN στο Microsoft Translator και Skype Translator.

Όπως συμπεραίνει ο Koret, η NMT μπορεί να βοηθήσει στη μετάφραση ενώ οι εξειδικευμένοι γλωσσολόγοι μπορούν να ολοκληρώσουν και να λειάνουν την έξοδο της μετάφρασης. Οι μελλοντικοί μεταφραστές θα εργάζονται πιο συχνά με την τεχνητή νοημοσύνη παρά ενάντια σε αυτή.»