Нейронные сети как способ повышения качества автоматизированного перевода

Размещено на http://www.allbest.ru/

Нейронные сети как способ повышения качества автоматизированного перевода

Н.И. Сабуров, О.А. Побокова

Рассматриваются преимущества использования нейронных сетей при обучении автоматизированному переводу. Описывается общая схема и принцип работы нейронной сети, а также применение данной технологии в системе NMTS (Neural Machine Translation System). Произведен сравнительный анализ качества перевода, выполненного с помощью различных методов.

Ключевые слова: нейронные сети; автоматизированный перевод; машинное обучение; анализ.

Целью данной работы является анализ использования нейронных сетей в области автоматизированного перевода и их влияния на качество переведенных текстов. Актуальность работы обусловлена особой значимостью машинного перевода в условиях растущей глобализации общества. В статье используются описательный и сравнительный методы исследования. Авторы сравнивают три перевода текста, осуществленные сервисами Google Translate, Yandex Переводчик и человеком.

На протяжении всей истории человечества люди накапливали и передавали информацию из поколения в поколение. Эволюция хранения информации шла бок о бок с эволюцией человека, от первых наскальных рисунков и до современных дата-центров, которые могут хранить и обрабатывать колоссальные массивы информации. Развитие технологий привело человечество к интернационализации и глобализации.

Технологии автоматического перевода разрушили межкультурные барьеры. Чтобы перевести текст на любой язык мира, достаточно кликнуть мышью либо запустить программу переводчика на портативном устройстве и получить голосовой перевод в реальном времени. Но данный метод имеет свои существенные недостатки, например отсутствие контекста и смысловой нагрузки в предложениях, неверное склонение, род, число. Все эти факторы препятствовали осуществлению перевода на профессиональном уровне.

Появление нейронных сетей намного продвинуло идею искусственного интеллекта, которая уже не рассматривается как научная фантастика. Сегодня нейронные сети используются в обработке и анализе больших объемов данных, автоматизируя рутинные процессы.

Нейронные сети в некотором роде являются имитациями мозга, поэтому с их помощью активно решают разнообразные «нечеткие» задачи - распознавание речи, образов, рукописного текста, выявление закономерностей, классификация, прогнозирование.

В сферах, где невозможно применить традиционные технологии, нейронные сети часто выступают единственным эффективным способом решения проблемы. По данным Ward Systems Group, в 1998 году программные продукты на базе нейронных сетей применялись более чем в 500 крупнейших компаниях мира из списка американского журнала Fortune.

Пионерами в исследовании и создании искусственных нейронных сетей можно считать Дж. Маккалока (J. McCulloch) и У. Питтса (W. Pitts). Их работа «Логическое исчисление идей, относящихся к нервной деятельности» была издана в 1943 году.

Нейронная сеть - это обучаемая система. Она может действовать не только по заданному алгоритму и формулам, но и на основе прошлого опыта. Ее работу можно сравнить с процессом складывания мозаики ребенком, который с каждой попыткой делает все меньше ошибок.

Сама по себе структура нейронной сети состоит из блоков. На каждый блок приходится некое множество данных X, внутри блока каждому X присваивается свой вес K. Затем к произведению X*K прибавляется L, так называемый сдвиг регистра для увеличения скорости обучения: .

В блоке все показатели суммируются и затем подаются на функцию, которая, в свою очередь, усиливает слабые сигналы, а также исключает насыщение, получаемое от больших сигналов.

Нейронная сеть способна обучаться решению задач, для которых у человека не существует формализованных, быстрых или работающих с приемлемой точностью теоретических или эмпирических алгоритмов. Требуется задать некоторый критерий качества решения задачи, который нейронная сеть должна будет минимизировать или оптимизировать.

Механизмы, построенные на основе самостоятельного обучения, получили широкое применение в системах автоматизированного перевода. В частности, сервис Google Translate обрабатывает тексты идентичного содержания на разных языках и строит зависимости между фразами и предложениями для верной передачи смысла в данном контексте. Ведь главное отличие человеческого перевода от машинного в том, что машина не осознает контекст информации, и в итоге получается бессмыслица.

От начала и до конца перевод текста теперь полностью возлагается на нейронную сеть. До недавнего времени искусственный интеллект использовался в Google Translate в ограниченном режиме для несложных второстепенных задач. Например, для сравнения и анализа текстов, доступных на нескольких языках, например официальных документов Европарламента или ООН. В данном режиме сравнивался перевод каждого отдельно взятого слова в текстах.

Нейронная сеть компании Google под названием NMTS (Neural Machine Translation System) работает в инновационном режиме. Для примера рассмотрим сложную языковую пару «китайский - английский» и пропустим текст через NMTS. Система анализирует не только существующие варианты перевода, полученные при обучении, но и выполняет интеллектуальный анализ, разбивая предложение на отдельные сегменты.

Как показано на рис. 1, NMTS разбивает китайское предложение на сегменты и строит между ними отношения в зависимости от веса каждого фрагмента (серый - прямое отношение, другие цвета - косвенное отношение). Косвенные отношения позволяют построить предложение с верной грамматикой и смысловой нагрузкой.

нейронная сеть автоматический перевод

Рис. 1. Отношения между сегментами китайского и английского предложений

Нейронная сеть стала полезным инструментом автоматизированного перевода, поскольку она с каждым переводом становится «умнее», а следовательно, растет качество перевода исходного материала. Преимущество нейронных сетей перед обычным алгоритмом системы автоматического перевода можно наблюдать на рис. 2.

Рис. 2. Качество перевода, осуществляемого различными методами

Из данных показателей можно сделать вывод, что качество перевода системы, основанной на нейронных сетях, соответствует переводу, выполненному человеком. Дальнейшее развитие данной технологии уже в скором будущем приведет к полной автоматизации перевода сложнейших текстов без грамматических и семантических ошибок.

В качестве примера рассмотрим перевод текста на русский язык с помощью Google Translate NMTS, Yandex Translate и человека (табл. 1, 2).

Исходный текст:

Клеточная часть батареи состоит из секций клеток, расположенных в 3-6 ярусов. Основным элементом этой части является перегородка и перегородка промежуточная. Перегородки представляют из себя две швелеробразные стойки, согнутые из листовой оцинкованной стали толщиной 1,5 мм к которым крепятся боковая стенка на перегородку перфорированную и гнездовая стенка на перегородку гнездовую.

Таблица 1

Перевод с русского на английский

Таблица 2

Обратный перевод на русский результатов перевода на английский из табл. 1

Сравнение различных переводов показывает, что они отличаются друг от друга. Специалист, владеющий английским языком, заметит, что качество перевода, выполненного человеком, гораздо выше. Для Yandex Translate характерно отсутствие грамматического согласования, что приводит к потере смысла, а также неадекватное использование лексических единиц. Приведем пример перевода фразы «две швелеробразные стойки»:

- two skreborraznye racks (Google Translate);

- two solenopsae stand (Yandex Переводчик);

- two channel bars (человеческий перевод).

Перевод, выполненный с помощью Google Translate, является наиболее адекватным.

Обзор имеющихся публикаций по данной теме [1-5] позволяет надеяться, что машинный перевод сервиса Google Translate с применением нейронных сетей будет способствовать более качественному переводу. При этом важно, что система будет воспринимать предложения целиком, не разбивая их на отдельные слова. Предполагается, что нейронная сеть в будущем будет подвергнута дальнейшему совершенствованию, поскольку в настоящее время всякий машинный перевод представляет собой сложную задачу. Если человек, осуществляющий перевод, исходит из того, какую мысль нужно донести до читателя, то научить этому программу весьма проблематично. Однако прогресс не стоит на месте, создаются новые программы, которые упрощают процесс перевода, и нужно знать их недостатки и преимущества.

Проблематика, рассмотренная в данной статье, представляет собой перспективное направление для исследования. Анализ роли нейронных сетей в повышении качества машинного перевода можно осуществить на базе различных пар языков, текстов различных жанров.

Системы автоматизированного перевода моделируют работу человека-переводчика. Их полезность зависит от того, в какой степени в них учитываются объективные законы языка и мышления. Изучение этих законов позволит совершенствовать данные программы и повышать качество переводческого продукта.

Библиографический список

1. Уоссермен Ф.. Нейрокомпьютерная техника: теория и практика / перевод на рус. яз. Ю.А. Зуева, В.А. Точенова. М.: Мир, 1992. C. 14-25.

2. Нейросети для чайников. Начало [Электронный ресурс]. URL: https://habrahabr.ru/post/143129/ (28.04.2017).

3. Переводчик Google Translate подключили к нейросети [Электронный ресурс]. URL: https://geektimes.ru/post/280912/ (28.04.2017).

4. Зачем нужны аналитические технологии [Электронный ресурс]. URL: http://www.neuroproject.ru/what.php (02.05.2017).

5. Пример технического перевода с русского на английский язык [Электронный ресурс]. URL: http://perevods.com/byuro/?gl=8 (15.05.2017).

Размещено на Allbest.ru