Нейронные сети:переходя на новый уровень машинного перевода

Идея машинного перевода возникла на протяжении многих десятилетий. Во-первых, это была просто система машинного перевода, основанная на правилах. Затем, в 1980-х годах, исследователи разработали статистические машинные переводы. В 21 веке большой скачок в технологии машинного перевода произойдет благодаря машинному обучению и технологиям нейронных сетей. 

За последние несколько лет мы стали свидетелями некоторых значительных достижений переводческих фирм, которые используют технологии искусственного интеллекта для обеспечения более качественного машинного перевода. Некоторые из наиболее впечатляющих примеров взяты из таких систем, как нейронный машинный перевод Google (GNMT) и нейронный переводчик Microsoft.

Что такое нейронный машинный перевод?

Машинные переводы уже широко доступны, и это происходит уже много лет. Вы можете найти системы машинного перевода в ряде популярных приложений, а также существуют онлайн-сервисы, предлагающие услуги машинного перевода. Однако существуют существенные различия между уже доступными сервисами и системами, которые разрабатываются с использованием нейронных сетей.

Большинство систем, которые вы сейчас найдете, представляют собой статистические машинные переводы. Они используют алгоритмы и статистические модели, чтобы сделать предположение о правильном переводе фразы. Он может хорошо работать с короткими фразами, но достигает своих пределов, когда его просят перевести более длинные образцы, например целый цифровой учебник для электронного перевода. Результатом может быть что угодно:от довольно точной интерпретации до перевода, который является полной тарабарщиной.

Нейронные машинные переводы представляют собой совершенно другой подход, чем старые системы, использующие статистические машинные переводы. С помощью системы NMT нейронная сеть обучается и оптимизируется для выполнения услуг перевода.

Эти системы используют глубокое обучение для анализа огромного количества переводов, которые уже были выполнены переводчиками-людьми. Анализируя этот большой набор данных, он может учитывать целые предложения, понимать контекст и различные варианты, а также работать с лингвистическими тонкостями, которые невозможно запрограммировать в статистической модели. Конечным результатом является более плавная и естественная система машинного перевода.

Как работают нейронные сети?

Ключом к обеспечению машин способностью к обучению является нейронная сеть. Это тип компьютерной технологии, предназначенный для имитации работы человеческого мозга. В мозгу нейронные пути формируются по мере того, как мы учимся. Если путь полезен и выгоден, он становится сильнее. Если он не дает правильных результатов, он становится слабее.

Идея нейронных сетей заключается в моделировании взаимосвязанной природы нейронных путей в мозге. Благодаря такой конструкции компьютеры могут учиться, распознавать закономерности и принимать решения аналогично человеческому мозгу.

Искусственные нейронные сети имитируют эту структуру, имея от десятков до миллионов искусственных нейронов, известных как единицы. Эти единицы расположены слоями. С одной стороны у вас есть блоки ввода, предназначенные для получения информации. На противоположной стороне у вас есть блоки вывода, которые сигнализируют реакцию на полученную информацию.

Между слоями входных и выходных блоков есть скрытые блоки. Это слои, которые составляют большую часть нейронной сети, а также используются для формирования большинства соединений.

Каждому соединению в нейронной сети присваивается вес, указывающий на силу соединения между двумя модулями. Вес может быть положительным для связи, которая возбуждает другую единицу, или отрицательным весом для связи, которая подавляет действие другой единицы. Чем выше вес, тем большее влияние один блок оказывает на другой в соединении.

Нейронные сети учатся, сравнивая полученный результат с желаемым результатом. Информация подается в систему на входе. Затем он запускает соединения в скрытых модулях. Это приводит к соединению с выходным концом. Результат, который фактически производит сеть, затем сравнивается с желаемым результатом. Затем веса изменяются в зависимости от разницы между произведенным и желаемым результатом.

Что касается машинного перевода, структура нейронной сети делает систему более адаптивной и способной обрабатывать более сложные модели, чем система, основанная на правилах и статистике. Он также может учиться на своем опыте. Если он не обеспечивает правильный результат, он учится на ошибке и вносит коррективы, чтобы в следующий раз работать более эффективно. 

Что это значит для машинного перевода?

Нейронный машинный перевод по-прежнему остается новой технологией. Несмотря на то, что он находится на ранней стадии, он уже дает результаты, превосходящие лучшие статистические системы машинного перевода. Тем не менее, нам предстоит пройти долгий путь, прежде чем нейронные машинные переводы смогут конкурировать с квалифицированным переводчиком-человеком.

Читайте:Искусственный интеллект, машинное обучение и глубокое обучение

Развитие нейронного машинного перевода не будет исходить от одной компании. Это станет результатом нескольких достижений исследователей из разных организаций по всему миру. По мере развития технологии NMT станет важным инструментом для переводчиков-людей. Поскольку потребность в сложных переводах растет, профессионалы будут использовать эти системы для обеспечения точных переводов за меньшее время, и это поможет им удовлетворить растущий спрос.