Koneoppiminen tekee vaikutuksensa monimutkaiseen käännöstaiteen maailmaan

Kielen ja kirjoittamisen asiantuntija Reuven Koret käsitteli yksityiskohtaisesti tekoälynhallinnan tilaa ja käyttöä käännöksissä online-julkaisussa readwrite. Koret korostaa, että tekoälykäännöstyökalujen käyttö kaikissa käännöksen osa-alueissa yleistyy. Tämä ei ole pelkästään varattu omistajien ML-käännöstyökaluille Googlelta, Microsoftilta,   Facebookilta ja Amazonilta, vaan myös yksityisten yritysten kuten SDL:n tarkoitukseen kehitetyt ammattityökalut.

Monet ammattikääntäjät ja -toimistot, kuten William Mamane, Head of Digital Marketing at Tomedes, ammattimainen kielipalvelutoimisto, ovat edelleen epäileviä tekoälyn käytöstä käännöksissä. Mutta jopa nämä epäilevät, kuten Mamane, myöntävät, että konekäännös on edennyt merkittävästi, ja kuten hän korostaa, “on edelleen tilaa tekoälylle ja konekäännökselle käännöspalvelujen arvoketjussa.”

Koret selittää konekäännöksen haasteen huomauttamalla, että “perustasolla MT käyttää algoritmeja korvaamaan toisessa kielessä olevia sanoja toisella kielellä. Tämä osoittautuu riittämättömäksi käännöksen onnistumiseen. Kokonaislauseten ymmärtäminen on välttämätöntä sekä lähde- että kohdekielelle. Voimme ymmärtää MT:n koodaamalla lähdekielestä ja tallentamalla sen merkityksen kohdekielelle.”

Tämän haasteen ratkaiseminen on erittäin monimutkainen prosessi, ja tällä hetkellä kehittyneimmät prosessit perustuvat “tilastollisiin menetelmiin valitsemaan parhaan käännöksen annetulle lauseelle” tai “strukturoiduihin sääntöihin valitsemaan todennäköisimmän merkityksen.” Nämä lähestymistavat edellyttävät edelleen toimittajien ja tarkistajien osallistumista, mutta “tämä valvontaan, toimittamiseen tai tarkastamiseen liittyvä rooli on vähemmän vaativaa ja vähemmän aikaa vievää kuin käännös.”

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

Tällä hetkellä kuitenkin edelleen suuremmat edistysaskeleet tekoälyn käytössä käännöksessä saavutetaan neuroverkkokonekäännöksen (NMT) avulla. Syväoppimista käyttäen käännöksessä “tarkastelee kokonaisia lauseita, ei vain yksittäisiä sanoja.” Samalla NMT vaatii “murto-osan tilasta, jota tarvitaan tilastollisilla menetelmillä”, mikä tarkoittaa, että se toimii samalla nopeammin.

NMT:n käytön tutkiminen aloitettiin vasta vuonna 2014, mutta viimeisten viiden vuoden nopeat edistysaskeleet ovat mahdollistaneet kaksisuuntaisen rekurrenttiverkkoneuroniverkontai RNN:n kehittämisen. “Nämä verkot yhdistävät koodarin, joka muotoilee lähdevirkkeen toiselle RNN:lle, jota kutsutaan dekooderiksi. Dekooderi ennustaa sanat, jotka pitäisi esiintyä kohdekielellä.” Google käyttää tätä lähestymistapaa NMT:ssä Google Translate -sovelluksessa. Myös Microsoft (MSFT ) käyttää RNN:ää Microsoft Translator – ja Skype Translator -sovelluksissa.

Koret päättää, että NMT:t voivat auttaa käännöksessä, kun taas taitavat kielitieteilijät voivat viimeistellä ja hiostaa käännöksen tulosteen. Tulevaisuuden kääntäjät työskentelevät useammin tekoälynhallinnan kanssa sen sijaan, että he työskentelevät sitä vastaan.”