Искусственный интеллект прочно вошел в нашу жизнь, и сфера перевода не стала исключением. От первых шагов до создания собственного "языка" — машинный перевод прошел долгий путь, значительно расширив свои возможности. В этой статье мы рассмотрим, как развивались технологии машинного перевода, в частности, Google Переводчик, и углубимся в принципы работы нейронного машинного перевода (NMT), который обещает революцию в понимании контекста и нюансов языка.

На момент своего появления в 2006 г. Google Переводчик работал лишь с двумя языками. Однако уже в 2016 г. в его арсенале было более 103 языков и он переводил более 100 млрд слов в сутки. Сегодня он способен не только переводить, но и преобразовывать в текст устную речь на восьми наиболее широко распространенных языках в реальном времени. Машины учатся — и учатся быстро.

«Человеческий» перевод. Когда переводит человек, эти связи становятся значительно сложнее по сравнению с машинным переводом. Это связано с более высоким уровнем понимания контекста. Пока что их возможностей не хватает, чтобы «взломать» некоторые языковые «коды». Искусственный интеллект по-прежнему с трудом справляется с расшифровкой человеческого языка с учетом всех его аспектов и нюансов, и, бесспорно, во всей своей полноте и сложности язык предстает именно в художественной литературе, в которой как нигде важны малейшие оттенки значений. Красота слова в романах, стихах и пьесах часто строится на нюансах и тонкостях. Но, поскольку машины переводят текст пословно, следуя правилам, установленным лингвистами, традиционные системы машинного перевода оказывались не в состоянии передать смысл, стоящий за литературным текстом. Они не понимали важности контекста, в котором употребляется слово, на уровне предложения, абзаца и страницы. Однако появилась новая технология, которая учится ориентироваться в этом контекстуальном хаосе — нейронный машинный перевод (NMT). Несмотря на то, что эта технология только зародилась, она уже показала, что со временем системы на ее базе смогут покорить литературный перевод во всей его сложности. NMT знаменует начало новой эры искусственного интеллекта: машины больше не играют по правилам, написанным лингвистами — они создают свои собственные правила и даже изобрели свой язык.

Нейронный машинный перевод (NMT)

Появившись в 2016 г., NMT остается наиболее успешным ПО для машинного перевода. Он не только допускает на 60% меньше ошибок по сравнению со своим предшественником — статистическим машинным переводом (SMT), что само по себе впечатляет, но и работает намного быстрее.

Эти улучшения связаны наличием у системы искусственной нейронной сети. Как заявляют ее создатели, она основывается на модели нейронов в человеческом мозге и позволяет системе устанавливать важные контекстуальные связи между словами и фразами. Она способна делать это, потому что изучала языковые правила, сканируя миллионы примеров предложений из своей базы данных для определения их общих черт. В дальнейшем машина использует эти правила для создания статистических моделей, которые помогают ей понять, как строить предложение.

Искусственная нейронная сеть. Предложение на языке оригинала вводится в сеть, затем направляется в скрытые слои сети и в конечном итоге выдается на языке перевода.

Искусственный язык

Революционность нейронного машинного перевода заключается в том, он использует новый «универсальный язык», состоящий из цифр.

Возьмем фразу «To thine own self be true» («Будь верен сам себе») из пьесы Шекспира «Гамлет». Сначала каждое слово из этой фразы кодируется с использованием цифр (которые называются «вектор»): 1, 2, 3, 4, 5, 6. Затем эта последовательность цифр вводится в нейросеть, что мы видим в левой части рисунка. Именно здесь, в скрытых слоях, происходит магия. Опираясь на изученные ею языковые правила, система находит наиболее подходящие слова на немецком языке. Она выдает цифры 7, 8, 9, 10, 11, которые соответствуют словам в предложении на языке перевода (немецком). Затем происходит декодирование этих цифр на языке перевода: «Zu dir selber treu sein». По сути, система переводит слова на свой собственный язык, а затем «думает», как составить из них понятное предложение, исходя из того, что ей уже известно. Это очень похоже на работу человеческого мозга.

Понимание контекста

NMT может успешно переводить литературные произведения, поскольку он начинает анализировать контекст. Система не просто концентрируется на слове, которое нужно перевести, но и смотрит на слова, стоящие перед ним и после него.

Подобно человеческому мозгу, искусственная нейросеть рассматривает поступающую информацию и создает следующее слово на основе слов, стоящих рядом. Со временем она «учится» концентрироваться на нужных словах и устанавливать наиболее важные контекстуальные связи, опираясь на предыдущие примеры. Этот процесс представляет собой своего рода «глубокое обучение» и позволяет системам перевода постоянно учиться и совершенствоваться. В нейронном машинном переводе дешифровка контекста называется «сопоставление» и происходит в механизме внимания, расположенном между кодировщиком и декодировщиком в системе машинного перевода.

В этой статье мы рассмотрели впечатляющие достижения ИИ в машинном переводе и то, как нейронные сети научились понимать контекст, что стало огромным шагом вперед. Однако, как и любая технология, машинный перевод пока не идеален. В следующей части мы более подробно поговорим о существующих ограничениях NMT, особенно при работе с художественной литературой, и о том, как будущее перевода видится в сотрудничестве человека и машины. Вторую часть (продолжение) данной статьи вы можете найти в интернете по заголовку "Искусственный интеллект в художественном переводе: противоречия и синергия человека и машины"

Список литературы:

• Brownlee, J. 2017. A Gentle Introduction to Neural Machine Translation. [по состоянию на 9 июля 2020 г.].
• Constantine, P. 2019. Google Translate Gets Voltaire: Literary Translation and the Age of Artificial Intelligence. Contemporary French and Francophone Studies. 23(4), pp. 471–479.
• Goldhammer, A. 2016. The Perils of Machine Translation. The Wire. [по состоянию на 14th июля 2020 г.].
• Google Brain Team. 2016. A Neural Network for Machine Translation, at Production Scale. [по состоянию на 9 июля 2020 г.].
• Gu, J., Wang, Y., Chu, K., Li. V. O. K. 2019. Improved Zero-shot Neural Machine Translation via Ignoring Spurious Correlations.arXiv. [по состоянию на 10 июля 2020 г.].
• Iqram, S. 2020. Now you can transcribe speech with Google Translate. [по состоянию на 9 июля 2020 г.].
• Jones, B., Andreas, J., Bauer, D., Hermann, K. M., and Knight, K. 2012. Semantics- Based Machine Translation with Hyperedge Replacement Grammars. Anthology. 12(1083), pp. 1359- 1376.
• Kravariti, A. 2018. Machine Translation: NMT translates literature with 25% flawless rate. Translate Plus. [по состоянию на 14 июля 2020 г.].
• Matusov, E. 2019. The Challenges of Using Neural Machine Translation for Literature. European Association for Machine Translation: Dublin, Ireland.
• Maučec, M. S., and Donaj, G. 2019. Machine Translation and the Evaluation of Its Quality Recent Trends in Computational Intelligence. Intech Open.
• Shofner, K. 2017. Statistical vs. Neural Machine Translation. ULG’s Language Solutions Blog. [по состоянию на 10 июля 2020 г.].
• Systran. 2020. What is Machine Translation? Rule Based Translation vs. Statistical Machine Translation. [по состоянию на 9 июля 2020 г.].
• Toral, A., Wieling, M., and Way, A. 2018. Post-editing Effort of a Novel with Statistical and Neural Machine Translation. Frontiers in Digital Humanities. 5(9).
• Turovsky, B. 2016. Ten years of Google Translate. [по состоянию на 9 июля 2020 г.].
• Wong, S. 2016. Google Translate AI invents its own language to translate with. New Scientist. [по состоянию на 11 июля].
• Yamada, M. 2019. The impact of Google Neural Machine Translation on Post-editing by student translators. The Journal of Specialised Translation. 31, pp. 87- 95.
• Zameo, S. 2019. Neural Machine Translation: tips and advantages for your digital translations. Text Master Go Global. [по состоянию на 14 июля 2020 г.].

АВТОР Алана Гуллен — студентка Имперского колледжа Лондона, обучающаяся по магистерской программе в сфере научной коммуникации, автор статей на тему науки и политики в области научных исследований. Защищено авторским правом: Текст: Гёте-Институт, Аллана Гуллен. Работа опубликована по лицензии Creative Commons Attribution 4.0 International (CC BY-SA 4.0).

Оригинал статьи: https://www.goethe.de/prj/k40/en/lan/lit.html

В переводе материала помогали: ТранЭкспресс - https://tran-express.ru/