认识达内从这里开始

认真做教育专心促就业

人工智能在翻译界的较量（二）

发布：青岛达内
来源：互联网
时间：2018-03-17 15:59

如果你对上面的内容大概有所了解,我们再看一段BBC上的新闻:

Universal Music Group's executive vice president of digital strategy, Michael Nash said: "Together, Facebook and UMG are creating a dynamic new model for collaboration between music companies and social platforms to advance the interests of recording artists and songwriters while enhancing the social experience of music for their fans."

<a style='color:blue' href='http://qd.tedu.cn/'>青岛达内</a>培训

    在有道和谷歌的翻译中,有两个地方有明显出入:
    "recording artists"谷歌翻译成"录音艺术家",有道是"唱片艺术家";"for their fans" 谷歌翻译成"为他们的球迷",有道是"为他们的粉丝"
    通过结果可以看出,在谷歌的平行语料中,"recording "被翻译成"录音",而在有道的语料中"recording "或许既有"录音"的意思,也有"唱片"的意思,但由于和上下文的结合,有道更能理解此处应该翻译为"唱片"更准确.
    所以最终的结果就是,有道翻译更懂中文.
    在翻译中,有两个基本的维度是必须考核的:忠实度和流利度.我们常说的"信达雅"中,"信"和"雅"都是属于忠实度的层面,"达"则是流利度的层面.而语料准确与丰富与否,不仅仅影响着忠实度,还影响着句子的流利度.
    还是上文的句子,"for their fans在原文中放在了句末.在翻译结果里,有道把"为他们的粉丝"往前提,而谷歌"为他们的球迷"则依然放在了句末.
    在英语语法中,介词短语如果不是表示强调的情况下,的确一般放在句末.但是在中文的表达里,则会提前.
    这种关于语序的调整,神经网络翻译模型也会通过大量的数据进行学习、理解.也就是说,有道翻译的神经网络模型在其训练的语料中,已经大量存在把介词短语往前提的情况,所以当再次遇到这类句子翻译的时候,它就明白应该把"for their fans"往前提.
    句子就像蛋糕怎么"切"决定翻译是否通顺
    除了语料的问题,在翻译中还一个常见的问题,也就是如何对句子进行"断句",专业术语叫做"处理单元".
    我们在初中学古文的时候,老师常会让我们在翻译之前,先把句子进行断句,分成多个部分然后再进行翻译.
    神经网络翻译模型也是一样,再对一个句子进行翻译之前,它首先会对这个句子进行"断句",而"断句"的准确性,会直接影响到后面的翻译结果.
    再来看一个例子,如何翻译"小美美美地睡了一觉"呢?
    正常人的翻译步骤是"小美-Xiaomei ,美美地-good/nice,睡了一觉-had a sleep",组合调序得出的翻译结果是"Xiaomei had a good sleep."
    那机器翻译地结果呢?
    谷歌翻译:"little America beautiful sleep"
    有道翻译:"little beauty had a good sleep"
    可以看出,有道翻译基本遵循了人类的逻辑进行分词,而谷歌翻译则是一个字一个字的进行分词.谷歌曾在公开资料表示他们是逐字处理,而实际上,这种逐字的处理问题在于,一旦遇到复杂的内容,翻译内容就会造成损失,而这种损失反应在结果中会被放大,造成内容丢失或不通顺.
    人脑vs机器的"断句"模式
    领域适配技术让机器彻底战胜人类?
    除了语料、"断句",还有一个因素会很大程度上影响翻译的质量:领域的问题.
    打个比方说,一个经常写网络小说的作家,让他去写纯技术文章,他可能无从下笔,因为大家所涉猎的领域不同.同样一个经常翻译新闻的模型,突然遇到一段医学内容,也可能会翻译得非常蹩脚.
    在判断一个模型的翻译能力时,主要有三个维度:种类、领域和质量.
    在这个象限中,人类处于 "高质量、高领域、低种类",例如小方是中国人、二十岁、普通话一级甲等、涉猎领域广泛,但他或许只会说中文,其他语言一概不通.
    而机器处于"高质量、低领域、高种类",因为机器有大量的数据和语言库,市面上随便一个翻译软件都至少能翻译10种以上的语言,并且随着人工智能的发展,机器翻译的质量大幅提升.但所涉猎的领域明显没有人类多,因为每个领域都需要不同的语料训练和模型.
    所以,如果机器要全面战胜人类,必须在领域上下功夫;而人类要战胜机器,必须在种类上下功夫.显然,后者有点难以做到,因为没有哪个人可以学会世界上所有语言.
    但机器在领域上开始有了新的突破,在有道神经网络翻译中,工程师们已经开始让系统能够自动适配不同领域的内容,称之为"领域适配技术".
    在有道翻译中,系统会默认给出一种翻译结果.但这是否是最优结果呢?未必.因此系统在默认结果基础之上,系统还给出了 "领域适配"之后翻译结果,这就很大程度上的提高了翻译的准确性.
    比如下面这段话,是一段专业领域的内容:
    "The converter is installed at the correct position when the special tool locating pin can be inserted through the opening in the converter bell housing in front of the converter . "
    在有道翻译通用模型中,翻译结果并不是的,而点击"更多翻译结果"之后,针对机械领域适配过的模型,翻译出来的效果更好
    人工智能的热潮还刚开始,对于机器翻译而言,人工智能为其打开了一扇新的大门,但是未来"机器翻译"是否能够更聪明,并彻底超越人类,其实还有很长的一段路要走;

而无论是有道还是谷歌,他们的每一次技术革新和进步,都将为整个人类的生产、生活带来巨大的便利;比如现在出国旅行不会英语,就完成不用担心,直接用翻译软件就能解决.

本篇文章是有青岛达内培训为您呈现,希望给您带来更多更好的文章

更多青岛IT培训相关资讯,请扫描下方二维码