机器学习逐步进入复杂的翻译艺术

语言和写作专家 Reuven Koret 在在线出版物 readwrite 上详细讨论了人工智能在翻译中的影响和使用状态。 Koret 指出，基于人工智能的机器翻译工具在翻译过程的各个方面变得普遍。这不仅仅是专有的人工智能翻译工具，如 Google, Microsoft,   Facebook, 和 Amazon 每天都在使用，还包括来自像 SDL 这样的公司的专业工具。

然而，许多专业翻译人员和机构，如 William Mamane, Tomedes 专业语言服务机构的数字营销负责人，仍然对人工智能在翻译中的使用持怀疑态度。但即使这些怀疑者，如 Mamane，也承认机器翻译已经取得了重大进步，他指出，“在翻译服务价值链中，仍然有人工智能和机器翻译的位置。”

为了解释机器翻译的挑战，Koret 指出 “在基本层面上，机器翻译使用算法将一种语言的单词替换为另一种语言的单词。这证明是不足以成功翻译的。需要对源语言和目标语言的整个短语进行理解。我们可以将机器翻译理解为解码源语言并在目标语言中记录其含义。”

解决这个挑战是一个非常复杂的过程，目前最发达的过程是使用“统计来选择给定短语的最佳翻译，”或“结构化规则来选择最可能的含义。” 这些方法仍然需要编辑和校对人员的参与，但“这种监督、编辑或审计角色比翻译本身需要的时间和精力要少。”

这些方法是大多数基于 web 的翻译应用程序，如 Google Translate 的基础。如所指出的，Google 每天处理的翻译量可以填满一百万本书。 

目前，虽然，在翻译过程中使用人工智能的更大步伐是通过使用神经机器翻译（NMT）实现的，使用深度学习进行翻译，“不仅仅看单个单词，还看整个句子。” 同时，NMT 需要“统计方法所需的内存的一小部分，”这意味着它可以更快地工作。

神经机器翻译的使用首先是在 2014 年被研究的，但过去五年来的快速进步使得开发 双向 循环神经网络 或 RNN 成为可能。“这些网络结合了一个编码器，该编码器将源句子制定为第二个 RNN，即解码器。解码器预测目标语言中应该出现的单词。” Google 正在使用这种方法来驱动 Google Translate。同时，Microsoft 也在 Microsoft Translator 和 Skype Translator 中使用 RNN。

正如 Koret 总结的，NMT 可以协助翻译，而熟练的语言学家可以完成和润色翻译输出。未来的翻译人员将更经常地与人工智能合作，而不是与其对抗。”