پل زدن شکاف بین ترجمه انسانی و ماشینی

سیستم ترجمه ماشین عصبی Google (GNMT) یک رویکرد یادگیری سرتاسری است که برای بهبود ترجمه خودکار با رفع نقاط ضعف سیستم‌های ترجمه مبتنی بر عبارت مرسوم طراحی شده است. گوگل این سیستم را در سال 2016 معرفی کرد و خاطرنشان کرد که خطاهای ترجمه در Google Translate را 55٪ به 85٪ کاهش می دهد.

 

جنبه‌های کلیدی GNMT:

معماری: GNMT از یک شبکه عمیق LSTM با 8 لایه رمزگذار و 8 لایه رمزگشا استفاده می کند که توجه و اتصالات باقیمانده را به کار می گیرد. برای تقویت موازی و کاهش زمان تمرین، مکانیسم توجه، لایه پایینی رمزگشا را به لایه بالایی رمزگذار  متصل می کند.

مدیریت کلمات: برای بهبود مدیریت کلمات نادر، GNMT کلمات را به مجموعه محدودی از واحدهای زیر کلمه مشترک ("کلمه های کلمه") برای ورودی و خروجی تقسیم می کند. این روش انعطاف‌پذیری مدل‌های محدود شده با «شخصیت» را با کارایی مدل‌های محدودشده با «کلمه» متعادل می‌کند، به طور طبیعی ترجمه کلمات نادر را مدیریت می‌کند و دقت کلی سیستم را بهبود می‌بخشد.

جستجوی پرتو: تکنیک جستجوی پرتو GNMT از یک روش عادی سازی طول و جریمه پوشش استفاده می کند. این امر تولید یک جمله خروجی را تشویق می کند که به احتمال زیاد تمام کلمات در جمله مبدأ را پوشش می دهد.

محاسبات با دقت پایین: GNMT از محاسبات با دقت پایین در طول محاسبات استنتاج استفاده می کند تا سرعت ترجمه نهایی را تسریع کند.

آموزش: گوگل از هوش ماشینی برای بهبود ترجمه ماشینی خود استفاده کرد. این سیستم در طول زمان یاد می گیرد که با یادگیری از میلیون ها مثال، ترجمه های بهتر و طبیعی تر ایجاد کند.

رویکرد ترجمه: برخلاف ترجمه ماشینی مبتنی بر عبارت PBMT که کلمات و عبارات را به طور مستقل در یک جمله ترجمه می کند، GNMT کل جمله را به عنوان یک واحد برای ترجمه در نظر می گیرد. شبکه GNMT به جای حفظ کردن ترجمه های عبارت به عبارت، معنای جمله را رمزگذاری می کند.

عملکرد: GNMT به نتایج رقابتی در معیارهای انگلیسی به فرانسوی و انگلیسی به آلمانی WMT' دست یافت. ارزیابی های انسانی کاهش 60 درصدی خطاهای ترجمه را در مقایسه با سیستم تولید مبتنی بر عبارت قبلی گوگل نشان داد.

استقرار: Google GNMT را در سراسر Google Translate در وب و موبایل برای جفت ترجمه چینی به انگلیسی راه اندازی کرد که روزانه حدود 18 میلیون ترجمه را شامل می شود.

تا سال 2020، گوگل GNMT را با سیستم یادگیری عمیق دیگری بر اساس رمزگذار ترانسفورمر و رمزگشا RNN جایگزین کرد.