Skip to content
Voltar aos resultados

Tradução automática

Tipo
NLP text-to-text generation task

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A tradução automática (TA) é uma tarefa de processamento de linguagem natural que converte automaticamente texto de um idioma para outro.

A TA moderna é construída sobre modelos neurais sequência-a-sequência — o mecanismo de atenção introduzido por Bahdanau et al. (2015) e a arquitetura transformer de Vaswani et al. (2017) — e amplia o acesso a fontes para análise e pesquisa de dados multilíngues.

A intuição por trás do método

A leitura de material em um idioma que você não fala impede seu uso. A tradução automática remove essa barreira: em vez de traduzir palavra por palavra, um modelo lê a frase fonte completa, constrói uma representação interna de seu significado e, em seguida, escreve uma frase equivalente no idioma alvo, prestando atenção às palavras fonte mais relevantes à medida que produz cada palavra de saída.

História

A tradução automática passou de sistemas baseados em regras e estatísticos para modelos neurais. Bahdanau et al. (2015) introduziram um mecanismo de atenção que permite ao modelo aprender conjuntamente a alinhar e traduzir, removendo o gargalo de comprimir uma frase em um único vetor fixo. Vaswani et al. (2017) então propuseram o transformer, que se baseia inteiramente na atenção e se tornou a base dos sistemas de tradução modernos.

Quando usar

Use a tradução automática quando você tem texto no idioma fonte e precisa dele em outro idioma, e um modelo treinado para esse par de idiomas está disponível. É adequada para ampliar o acesso a fontes em análises e pesquisas de dados multilíngues. Para texto de domínio especializado, espere ajustar o modelo. É necessária pelo menos uma pequena quantidade de texto para traduzir.

Limitações e considerações

  • Requer um modelo treinado disponível para o par de idiomas fonte e alvo específico.
  • A tradução de domínio especializado pode precisar de ajuste fino antes de ser precisa o suficiente.
  • A saída ainda deve ser verificada quanto à fidelidade e fluência; os erros podem ser sutis.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Amplia o acesso a fontes, tornando o texto em outros idiomas utilizável para análise e pesquisa.
  • Modelos neurais de atenção e transformer traduzem frases inteiras no contexto, em vez de palavra por palavra.
  • Escala de passagens curtas a grandes corpora multilíngues através do mesmo modelo.

Aplicações

  • Ampliar o acesso a fontes em idiomas não nativos em pesquisas multilíngues.
  • Traduzir documentos e corpora para análise de dados entre idiomas.
  • Preparar texto em idioma estrangeiro para tarefas subsequentes de PNL.
  • Apoiar a tradução ajustada para domínios especializados, como texto jurídico, médico ou técnico.

Como funciona

Como funciona

1

O texto fonte é tokenizado e preparado para que o modelo possa lê-lo. Um modelo treinado para o par de idiomas fonte e alvo deve estar disponível; para tradução de domínio especializado, pode ser necessário ajustar o modelo em texto do domínio antes de seu uso.

2

O modelo lê a frase fonte e constrói uma representação interna de seu significado. O mecanismo de atenção permite que ele aprenda quais posições da fonte alinhar à medida que trabalha, em vez de comprimir tudo em um único resumo fixo.

3

A frase no idioma alvo é gerada uma unidade por vez. À medida que produz cada palavra de saída, o modelo presta atenção às partes mais relevantes da fonte, aprendendo conjuntamente a alinhar e traduzir para que o significado seja preservado entre os idiomas.

4

A saída traduzida é verificada quanto à fidelidade à fonte e fluência no idioma alvo. Erros específicos do domínio são inspecionados, e o ajuste fino é reconsiderado quando o modelo geral não é preciso o suficiente para o material em questão.

Erros comuns

  • A aplicação de um modelo geral a texto de domínio especializado sem ajuste fino resulta em traduções imprecisas.
  • O uso de um modelo que não cobre o par de idiomas necessário gera uma saída inutilizável.
  • Confiar na saída bruta sem verificar a fidelidade e a fluência pode propagar erros de tradução para a análise subsequente.

Perguntas frequentes

Que tipo de modelo a tradução automática usa?

A TA moderna usa modelos neurais sequência-a-sequência. O mecanismo de atenção (Bahdanau et al., 2015) permite que o modelo alinhe a fonte e o alvo enquanto traduz, e a arquitetura transformer (Vaswani et al., 2017), construída inteiramente sobre a atenção, sustenta os sistemas atuais.

Preciso de um modelo para o meu par de idiomas específico?

Sim. Um modelo treinado para o par de idiomas fonte e alvo deve estar disponível. Sem cobertura para esse par, o sistema não pode produzir traduções utilizáveis.

Por que a qualidade da tradução pode ser baixa em meus textos?

Material de domínio especializado geralmente precisa de ajuste fino. Um modelo geral pode traduzir bem a linguagem cotidiana, mas ter dificuldades com a terminologia específica do domínio até ser adaptado em texto do domínio.

Devo confiar diretamente na saída?

Verifique-a. A saída traduzida deve ser avaliada quanto à fidelidade à fonte e fluência no idioma alvo antes de ser utilizada em análises posteriores, pois os erros podem ser sutis.

Métodos relacionados

Fontes

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

    Abrir referência da publicação
    Copiado.
  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).

    Abrir referência da publicação
    Copiado.