Zum Inhalt springen
Zurück zu den Suchergebnissen

Maschinelle Übersetzung

Typ
NLP text-to-text generation task

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Maschinelle Übersetzung (MÜ) ist eine Aufgabe der natürlichen Sprachverarbeitung, die Text von einer Sprache automatisch in eine andere umwandelt.

Moderne MÜ basiert auf neuronalen Sequenz-zu-Sequenz-Modellen – dem Aufmerksamkeitsmechanismus von Bahdanau et al. (2015) und der Transformer-Architektur von Vaswani et al. (2017) – und erweitert den Zugang zu Quellen für die mehrsprachige Datenanalyse und -forschung.

Die Intuition hinter der Methode

Lektüre von Texten in einer Sprache, die man nicht spricht, hindert einen an deren Nutzung. Maschinelle Übersetzung beseitigt diese Barriere: Anstatt Wort für Wort zu übersetzen, liest ein Modell den gesamten Quellsatz, erstellt eine interne Repräsentation seiner Bedeutung und schreibt dann einen äquivalenten Satz in der Zielsprache, wobei es sich auf die relevantesten Quellwörter konzentriert, während es jedes Ausgabewort erzeugt.

Geschichte

Die maschinelle Übersetzung hat sich von regelbasierten und statistischen Systemen hin zu neuronalen Modellen entwickelt. Bahdanau et al. (2015) führten einen Aufmerksamkeitsmechanismus ein, der es dem Modell ermöglicht, gleichzeitig auszurichten und zu übersetzen, wodurch der Engpass der Komprimierung eines Satzes in einen einzigen festen Vektor beseitigt wird. Vaswani et al. (2017) schlugen dann den Transformer vor, der vollständig auf Aufmerksamkeit basiert und zur Grundlage moderner Übersetzungssysteme wurde.

Wann wird sie eingesetzt?

Verwenden Sie maschinelle Übersetzung, wenn Sie Quellsprachentext haben und ihn in einer anderen Sprache benötigen und ein trainiertes Modell für dieses Sprachpaar verfügbar ist. Sie eignet sich zur Erweiterung des Quellzugangs in der mehrsprachigen Datenanalyse und -forschung. Für Texte in spezialisierten Domänen ist eine Feinabstimmung des Modells zu erwarten. Zum Übersetzen ist mindestens eine kleine Textmenge erforderlich.

Grenzen und Hinweise

  • Erfordert ein verfügbares trainiertes Modell für das spezifische Quell- und Zielsprachpaar.
  • Die Übersetzung in spezialisierten Domänen erfordert möglicherweise eine Feinabstimmung, bevor sie genau genug ist.
  • Die Ausgabe muss immer noch auf Treue und Flüssigkeit überprüft werden; Fehler können subtil sein.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Erweitert den Zugang zu Quellen, indem Texte in anderen Sprachen für Analyse und Forschung nutzbar gemacht werden.
  • Neuronale Aufmerksamkeits- und Transformer-Modelle übersetzen ganze Sätze im Kontext und nicht Wort für Wort.
  • Skaliert von kurzen Passagen bis hin zu großen mehrsprachigen Korpora mit demselben Modell.

Anwendungen

  • Erweiterung des Zugangs zu nicht-muttersprachlichen Quellen in der mehrsprachigen Forschung.
  • Übersetzung von Dokumenten und Korpora für die sprachübergreifende Datenanalyse.
  • Vorbereitung von fremdsprachigen Texten für nachfolgende NLP-Aufgaben.
  • Unterstützung der feinabgestimmten Übersetzung für spezialisierte Domänen wie juristische, medizinische oder technische Texte.

So funktioniert es

So funktioniert es

1

Der Quelltext wird tokenisiert und vorbereitet, damit das Modell ihn lesen kann. Ein trainiertes Modell für das Quell- und Zielsprachpaar muss verfügbar sein; für die Übersetzung in spezialisierten Domänen kann eine Feinabstimmung des Modells auf Texten aus der jeweiligen Domäne erforderlich sein, bevor es eingesetzt wird.

2

Das Modell liest den Quellsatz und erstellt eine interne Repräsentation seiner Bedeutung. Der Aufmerksamkeitsmechanismus ermöglicht es ihm zu lernen, welche Quellpositionen es während der Arbeit ausrichten soll, anstatt alles in eine einzige feste Zusammenfassung zu komprimieren.

3

Der Zielsatz wird Einheit für Einheit generiert. Während es jedes Ausgabewort erzeugt, konzentriert sich das Modell auf die relevantesten Teile der Quelle und lernt gleichzeitig, auszurichten und zu übersetzen, sodass die Bedeutung über die Sprachen hinweg erhalten bleibt.

4

Die übersetzte Ausgabe wird auf Treue zur Quelle und Flüssigkeit in der Zielsprache überprüft. Domänenspezifische Fehler werden inspiziert, und eine Feinabstimmung wird neu überdacht, wenn das allgemeine Modell für das vorliegende Material nicht genau genug ist.

Häufige Fallstricke

  • Die Anwendung eines allgemeinen Modells auf Texte in spezialisierten Domänen ohne Feinabstimmung liefert ungenaue Übersetzungen.
  • Die Verwendung eines Modells, das das erforderliche Sprachpaar nicht abdeckt, liefert unbrauchbare Ausgaben.
  • Die Annahme von Rohausgaben ohne Überprüfung von Treue und Flüssigkeit kann Übersetzungsfehler in nachfolgende Analysen übertragen.

Häufig gestellte Fragen

Welche Art von Modell verwendet maschinelle Übersetzung?

Moderne MÜ verwendet neuronale Sequenz-zu-Sequenz-Modelle. Der Aufmerksamkeitsmechanismus (Bahdanau et al., 2015) ermöglicht es dem Modell, Quelle und Ziel während der Übersetzung abzugleichen, und die Transformer-Architektur (Vaswani et al., 2017), die vollständig auf Aufmerksamkeit basiert, bildet die Grundlage aktueller Systeme.

Benötige ich ein Modell für mein spezifisches Sprachpaar?

Ja. Ein trainiertes Modell für das Quell- und Zielsprachpaar muss verfügbar sein. Ohne Abdeckung für dieses Paar kann das System keine nutzbaren Übersetzungen erstellen.

Warum könnte die Übersetzungsqualität bei meinen Texten schlecht sein?

Material aus spezialisierten Domänen erfordert oft eine Feinabstimmung. Ein allgemeines Modell kann Alltagssprache gut übersetzen, aber mit domänenspezifischer Terminologie Schwierigkeiten haben, bis es auf Texten aus der jeweiligen Domäne angepasst wurde.

Sollte ich die Ausgabe direkt vertrauen?

Überprüfen Sie sie. Die übersetzte Ausgabe sollte vor der Weiterverarbeitung in Analysen auf Treue zur Quelle und Flüssigkeit in der Zielsprache bewertet werden, da Fehler subtil sein können.

Verwandte Methoden

Quellen

  1. Bahdanau, D., Cho, K. & Bengio, Y. (2015). Neural Machine Translation by Jointly Learning to Align and Translate. International Conference on Learning Representations (ICLR).

    Publikationsreferenz öffnen
    Kopiert.
  2. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L. & Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems (NeurIPS).

    Publikationsreferenz öffnen
    Kopiert.