Η Μηχανική Μάθηση Κάνει Εισβολή Στο Συγκρότημα Τέχνη της Μεταφράσεως

Ο ειδικός στη γλώσσα και τη γραφή 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 που βασίζονται σε AI σε όλες τις πτυχές της διαδικασίας μετάφρασης γίνεται ολοένα και πιο διαδεδομένη. Αυτό δεν είναι αποκλειστικά περιορισμένο στα ιδιόκτητα εργαλεία ML μετάφρασης από Google, Microsoft,  Facebook, και Amazon είναι στην καθημερινή χρήση, αλλά και λεπτομερή επαγγελματικά εργαλεία από εταιρείες όπως SDL.

Ωστόσο, πολλοί επαγγελματίες μεταφραστές και γραφεία όπως ο William Mamane, Διευθυντής Ψηφιακής Μαρкетίνγκ στο Tomedes, ένα επαγγελματικό γραφείο 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 μια άλλη. Αυτό αποδεικνύεται ανεπαρκές για να μεταφράσει επιτυχώς. Η κατανόηση ολόκληρων φράσεων είναι απαραίτητη και για τις πηγαίες και για τις προοριζόμενες 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 την επιλογή της καλύτερης μετάφρασης για μια δεδομένη φράση,” ή “δομημένες κανόνες για την επιλογή της πιο πιθανής σημασίας.” Αυτές οι προσεγγίσεις vẫn απαιτούν την εμπλοκή των συντακτών και των διορθωτών, αλλά “αυτό το εποπτικό, συντακτικό, ή ελεγκτικό ρόλο είναι λιγότερο απαιτητικό και λιγότερο χρονοβόρο από τη μετάφραση.”

Αυτές οι μεθόδους 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, όμως, ακόμη μεγαλύτερα βήματα στη χρήση της AI στη διαδικασία μετάφρασης επιτυγχάνονται με τη χρήση της νευρωνικής μηχανικής μετάφρασης (NMT), Χρησιμοποιώντας βαθιά μάθηση κατά τη μετάφραση, “κοιτάζει ολόκληρες προτάσεις, όχι μόνο μεμονωμένες λέξεις.” Ταυτόχρονα, η NMT απαιτεί “ένα   κομμάτι της μνήμης που χρειάζονται 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 αναδρομικού νευρωνικού δικτύουή RNN. “Αυτά τα δίκτυα συνδυάζουν έναν κωδικοποιητή που διαμορφώνει μια πρόταση πηγής για ένα δεύτερο RNN, που ονομάζεται αποκωδικοποιητής. Ένας 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 ο Koret καταλήγει, οι NMT μπορούν να βοηθήσουν στη μετάφραση ενώ οι ικανοί γλωσσολόγοι μπορούν να ολοκληρώσουν και να λείανουν την έξοδο της μετάφρασης. Οι μελλοντικοί μεταφραστές θα εργάζονται πιο συχνά με την τεχνητή νοημοσύνη παρά εναντίον αυτής.”