Koneoppiminen tekee vaikutuksensa monimutkaiseen käännöstaiteen maailmaan

Kielen ja kirjoittamisen asiantuntija Reuven Koret käsitteli yksityiskohtaisesti verkkojulkaisussa readwrite tekoälyn vaikutusta ja käyttöä käännöksissä. Koret korostaa, että tekoälyyn perustuvien konekäännöstyökalujen käyttö on yleistymässä käännöksen kaikissa vaiheissa. Tämä ei ole vain omistettujen ML-käännöstyökalujen varattu alue Googlelta, Microsoftilta,   Facebookilta ja Amazonilta, vaan myös ammattimaiset työkalut yrityksiltä kuten SDL.

Silti monet ammattikääntäjät ja -toimistot, kuten William Mamane, digitaalisen markkinoinnin johtaja Tomedes-kielenpalvelutoimistossa, ovat edelleen epäileviä tekoälyn käytöstä käännöksissä. Mutta jopa nämä skeptikot, kuten Mamane, myöntävät, että konekäännös on tehnyt merkittäviä edistysaskelia, ja kuten hän korostaa, “on edelleen tila tekoälylle ja konekäännökselle käännöspalvelujen arvoketjussa.”

Koret selittää konekäännöksen haasteen huomauttamalla, että “perustasolla MT käyttää algoritmeja korvaamaan sanoja toisessa kielessä toisilla. Tämä osoittautuu riittämättömäksi onnistuneeseen käännökseen. On tarpeen ymmärtää koko lauseita sekä lähtö- että kohdekielellä. Voimme ymmärtää MT:n koodaamalla lähtökielen ja tallentamalla sen merkityksen kohdekielelle.”

Tämän haasteen ratkaiseminen on erittäin monimutkainen prosessi, ja tällä hetkellä kehittyneimmät prosessit perustuvat “tilastoihin valitsemaan parhaan käännöksen annetuksi lauseeksi,” tai “strukturoiduihin sääntöihin valitsemaan todennäköisin merkitys.” Nämä lähestymistavat edellyttävät edelleen toimittajien ja oikolukijoiden osallistumista, mutta “tämä valvontaan, toimittamiseen tai tarkastamiseen liittyvä rooli on vähemmän vaativaa ja vähemmän aikaa vievää kuin käännös.”

Nämä menetelmät ovat ne, joilla useimmat verkkokäännössovellukset, kuten Google Translate, perustuvat. Kuten mainitaan, Google prosessoi käännöksiä, jotka täyttäisivät miljoona kirjaa päivässä. 

Tällä hetkellä kuitenkin tekoälyn käytössä käännöksen prosessissa on tehty vielä suurempia edistysaskelia hermosolmukonekäännöksen (NMT) avulla. Käyttämällä syväoppimista käännöksessä “tarkastelee kokonaisia lauseita, eikä vain yksittäisiä sanoja.” Samalla NMT vaatii “pienen osan muistista, jota tilastolliset menetelmät tarvitsevat,” mikä tarkoittaa, että se toimii samalla nopeammin.

NMT:n käytön tutkiminen aloitettiin vasta vuonna 2014, mutta viimeisten viiden vuoden nopeat edistysaskeleet ovat mahdollistaneet kahdensuuntaisen toistuvan neuroniverkonn kehittämisen. “Nämä verkkorakenteet yhdistävät koodarin, joka muotoilee lähdelausetuksen toiselle toistuvalle neuroniverkolle, jota kutsutaan dekooderiksi. Dekooderi ennustaa sanat, jotka pitäisi esiintyä kohdekielellä.” Google käyttää tätä lähestymistapaa NMT:ssä ajamaan Google Translatea. Myös Microsoft käyttää toistuvaa neuroniverkkoa Microsoft Translatorissa ja Skype Translatorissa.

Koret päättää, että NMT:t voivat auttaa käännöksessä, kun taas taitavat kielitieteilijät voivat viimeistellä ja hiominen käännöksen tulostetta. Tulevaisuuden kääntäjät työskentelevät useammin tekoälyllä kuin sitä vastaan.”