Skip to content
بازگشت به نتایج جست‌وجو

ترجمه ماشینی

نوع
NLP text-to-text generation task

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

ترجمه ماشینی (MT) وظیفه‌ای در پردازش زبان طبیعی است که متن یک زبان را به طور خودکار به زبانی دیگر تبدیل می‌کند. ترجمه ماشینی مدرن بر پایه مدل‌های توالی به توالی عصبی بنا شده است — سازوکار توجه (attention mechanism) که توسط Bahdanau et al. (2015) معرفی شد و معماری ترنسفورمر (transformer architecture) از Vaswani et al. (2017) — و دسترسی به منابع برای تحلیل داده‌های چندزبانه و پژوهش را گسترش می‌دهد.

شهود پشت روش

خواندن مطالب به زبانی که صحبت نمی‌کنید، شما را از استفاده از آن باز می‌دارد. ترجمه ماشینی این مانع را برطرف می‌کند: به جای ترجمه کلمه به کلمه، مدل کل جمله مبدأ را می‌خواند، بازنمایی درونی از معنای آن می‌سازد، و سپس جمله‌ای معادل در زبان مقصد می‌نویسد و هنگام تولید هر کلمه خروجی، به مرتبط‌ترین کلمات مبدأ توجه می‌کند.

تاریخ

ترجمه ماشینی از سیستم‌های مبتنی بر قاعده و آماری به سمت مدل‌های عصبی حرکت کرد. Bahdanau et al. (2015) سازوکار توجهی را معرفی کردند که به مدل اجازه می‌دهد به طور مشترک تراز کردن و ترجمه کردن را بیاموزد و گلوگاه فشرده‌سازی یک جمله به یک بردار ثابت را حذف کرد. سپس Vaswani et al. (2017) ترنسفورمر را پیشنهاد کردند که کاملاً بر توجه تکیه دارد و اساس سیستم‌های ترجمه مدرن شد.

چه زمانی استفاده شود

هنگامی که متن به زبان مبدأ دارید و به آن به زبان دیگری نیاز دارید، و یک مدل آموزش‌دیده برای آن جفت زبان در دسترس است، از ترجمه ماشینی استفاده کنید. این روش برای گسترش دسترسی به منابع در تحلیل داده‌های چندزبانه و پژوهش مناسب است. برای متن‌های حوزه‌های تخصصی، انتظار داشته باشید که مدل را تنظیم دقیق کنید. حداقل مقدار کمی متن برای ترجمه لازم است.

محدودیت‌ها و ملاحظات

  • نیاز به یک مدل آموزش‌دیده موجود برای جفت زبان مبدأ و مقصد خاص دارد.
  • ترجمه در حوزه‌های تخصصی ممکن است پیش از دقیق بودن، نیاز به تنظیم دقیق داشته باشد.
  • خروجی هنوز باید از نظر وفاداری و روانی بررسی شود؛ خطاها می‌توانند ظریف باشند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • با قابل استفاده کردن متن به زبان‌های دیگر برای تحلیل و پژوهش، دسترسی به منابع را گسترش می‌دهد.
  • مدل‌های توجه عصبی و ترنسفورمر، کل جملات را در بافت ترجمه می‌کنند نه کلمه به کلمه.
  • از طریق همان مدل، از قطعات کوتاه تا مجموعه‌های بزرگ چندزبانه مقیاس‌پذیر است.

کاربردها

  • گسترش دسترسی به منابع غیربومی در پژوهش‌های چندزبانه.
  • ترجمه اسناد و مجموعه‌ها برای تحلیل داده‌های بین‌زبانی.
  • آماده‌سازی متن زبان خارجی برای وظایف بعدی پردازش زبان طبیعی (NLP).
  • پشتیبانی از ترجمه تنظیم دقیق شده برای حوزه‌های تخصصی مانند متون حقوقی، پزشکی یا فنی.

چگونه کار می‌کند

چگونه کار می‌کند

1

متن مبدأ توکنایز (tokenised) شده و آماده می‌شود تا مدل بتواند آن را بخواند. باید یک مدل آموزش‌دیده برای جفت زبان مبدأ و مقصد در دسترس باشد؛ برای ترجمه در حوزه‌های تخصصی، ممکن است پیش از استفاده، نیاز به تنظیم دقیق (fine-tuning) مدل بر روی متن درون‌حوزه‌ای باشد.

2

مدل جمله مبدأ را می‌خواند و بازنمایی درونی از معنای آن می‌سازد. سازوکار توجه به آن اجازه می‌دهد تا بیاموزد که هنگام کار، به کدام موقعیت‌های مبدأ تراز شود، به جای فشرده کردن همه چیز در یک خلاصه ثابت.

3

جمله زبان مقصد، واحد به واحد تولید می‌شود. هنگام تولید هر کلمه خروجی، مدل به مرتبط‌ترین بخش‌های مبدأ توجه می‌کند، به طور مشترک تراز کردن و ترجمه کردن را می‌آموزد تا معنا در سراسر زبان‌ها حفظ شود.

4

خروجی ترجمه شده از نظر وفاداری به مبدأ و روانی در زبان مقصد بررسی می‌شود. خطاهای خاص حوزه بررسی می‌شوند و در صورتی که مدل عمومی برای مواد در دست بررسی به اندازه کافی دقیق نباشد، تنظیم دقیق دوباره مورد بررسی قرار می‌گیرد.

دام‌های رایج

  • اعمال یک مدل عمومی بر روی متن حوزه تخصصی بدون تنظیم دقیق، ترجمه‌های نادرستی را به همراه دارد.
  • استفاده از مدلی که جفت زبان مورد نیاز را پوشش نمی‌دهد، خروجی غیرقابل استفاده‌ای را ارائه می‌دهد.
  • اعتماد به خروجی خام بدون بررسی وفاداری و روانی می‌تواند خطاهای ترجمه را به تحلیل‌های بعدی منتشر کند.

پرسش‌های متداول

چه نوع مدلی در ترجمه ماشینی استفاده می‌شود؟

ترجمه ماشینی مدرن از مدل‌های توالی به توالی عصبی استفاده می‌کند. سازوکار توجه (Bahdanau et al., 2015) به مدل اجازه می‌دهد هنگام ترجمه، مبدأ و مقصد را تراز کند، و معماری ترنسفورمر (Vaswani et al., 2017) که کاملاً بر پایه توجه بنا شده است، سیستم‌های کنونی را پشتیبانی می‌کند.

آیا به مدلی برای جفت زبان خاص من نیاز دارم؟

بله. یک مدل آموزش‌دیده برای جفت زبان مبدأ و مقصد باید در دسترس باشد. بدون پوشش برای آن جفت، سیستم نمی‌تواند ترجمه‌های قابل استفاده‌ای تولید کند.

چرا ممکن است کیفیت ترجمه روی متون من ضعیف باشد؟

مواد حوزه تخصصی اغلب نیاز به تنظیم دقیق دارند. یک مدل عمومی ممکن است زبان روزمره را به خوبی ترجمه کند اما با اصطلاحات خاص حوزه دست و پنجه نرم کند تا زمانی که بر روی متن درون‌حوزه‌ای تطبیق داده شود.

آیا باید مستقیماً به خروجی اعتماد کنم؟

آن را بررسی کنید. خروجی ترجمه شده باید قبل از ورود به تحلیل‌های بعدی، از نظر وفاداری به مبدأ و روانی در زبان مقصد ارزیابی شود، زیرا خطاها می‌توانند ظریف باشند.

روش‌های مرتبط

منابع

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

    باز کردن مرجع انتشار
    کپی شد.
  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).

    باز کردن مرجع انتشار
    کپی شد.