Нейронные сети: двигатель нового рубежа в машинном переводе

Статья написана и представлена Рэйчел Уилер.

Идея машинного перевода уходит корнями в много десятилетия назад. Сначала это была просто система для правило-базированного машинного перевода. Затем в 1980-х годах исследователи разработали статистический машинный перевод. В 21-м веке большой скачок в технологии машинного перевода будет сделан благодаря машинному обучению и технологии нейронных сетей.

За последние несколько лет мы видели некоторые значительные разработки от переводческих фирм, использующих эти технологии искусственного интеллекта для обеспечения лучших машинных переводов. Некоторые из самых впечатляющих примеров пришли от систем вроде Google Neural Machine Translation (GNMT) и Microsoft's Neural Translator.

Что такое нейронный машинный перевод?

Машинные переводы уже широко доступны, и они таковы уже годами. Вы можете найти системы машинного перевода в ряде популярных приложений, и есть онлайн-сервисы, предлагающие услуги машинного перевода. Однако есть значительные различия между сервисами, которые уже доступны, и системами, разрабатываемыми для использования нейронных сетей.

Большинство систем, которые вы найдете сейчас, — это статистические машинные переводы. Они используют алгоритмы и статистические модели, чтобы сделать наилучшее предположение о правильном переводе фразы. Это может хорошо работать для коротких фраз, но достигает своих пределов, когда просят перевести более длинные образцы, как целый цифровой учебник для перевода электронного обучения. Результаты могут быть чем угодно — от довольно точной интерпретации до перевода, который является полной бессмыслицей.

Нейронные машинные переводы представляют совсем другой подход от старых систем, использующих статистические машинные переводы. В системе NMT нейросеть обучается и оптимизируется для выполнения услуг перевода.

Эти системы используют глубокое обучение для анализа огромных количеств переводов, уже выполненных человеческими переводчиками. Анализируя этот большой набор данных, она может учитывать целые предложения, понимать контекст и разные вариации, и работать с лингвистическими тонкостями, которые не могли быть запрограммированы в статистическую модель. Конечный результат — система машинного перевода, которая более плавна и естественна.

Как работают нейронные сети?

Ключ к предоставлению машинам этой способности к обучению — нейронная сеть. Это тип вычислительной технологии, спроектированный для имитации работы человеческого мозга. В мозге нейронные пути формируются по мере обучения. Если путь полезен и выгоден, он становится сильнее. Если он не дает правильных результатов, он становится слабее.

Идея за нейронными сетями — смоделировать взаимосвязанную природу нейронных путей в мозге. С этим дизайном компьютеры могут учиться, распознавать паттерны и принимать решения способом, похожим на человеческий мозг.

Искусственные нейронные сети моделируют эту структуру, имея от десятков до миллионов искусственных нейронов, известных как единицы. Эти единицы расположены в слоях. С одной стороны, у вас есть входные единицы, спроектированные для приема информации. С другой стороны, у вас есть выходные единицы, сигнализирующие ответ на усвоенную информацию.

Между слоями входных и выходных единиц у вас есть скрытые единицы. Это слои, составляющие большую часть нейронной сети, и они также используются для формирования большинства связей.

Каждое соединение в нейронной сети получает вес, указывающий силу связи между двумя единицами. Вес может быть положительным для связи, возбуждающей другую единицу, или отрицательным для связи, подавляющей действие другой единицы. Чем выше вес, тем больше влияние одна единица имеет на другую в связи.

Нейронные сети учатся, сравнивая произведенный выход с желаемым выходом. Информация подается в систему на входном конце. Затем она запускает связи в скрытых единицах. Это приводит к соединению с выходным концом. Выход, который сеть фактически производит, затем сравнивается с желаемым выходом. Веса затем модифицируются на основе разницы между произведенным выходом и желаемым выходом.

Для машинных переводов структура нейронной сети делает систему более адаптивной и способной обрабатывать более сложные модели, чем система, основанная на правилах и статистике. Она также может учиться на своем опыте. Если она не дает правильный выход, она учится на ошибке и делает корректировки для более эффективного выполнения в следующий раз.

Что это означает для машинных переводов?

Нейронный машинный перевод — все еще новая технология. Даже если она на ранних стадиях, она уже дает результаты, превосходящие лучшие системы статистического машинного перевода. Тем не менее, у нас еще долгий путь до того, как нейронные машинные переводы смогут конкурировать с квалифицированным человеческим переводчиком.

Развитие нейронного машинного перевода не придет от одной компании. Это будет результатом нескольких достижений исследователей в разных организациях и по всему миру. По мере развития технологии NMT станет важным инструментом для человеческих переводчиков. С растущей потребностью в сложных переводах профессионалы будут использовать эти системы для предоставления точных переводов за меньшее время, и это поможет им удовлетворить растущий спрос.