Штучний інтелект і технології перекладу

2020 13/06

Автор: Кожухов Рустам

| Перегляди: 491

E-mail

Було проведено опитування усіх постачальників технологій перекладу, які прийшли на думку: у яких областях, в яких ви бачите штучний інтелект, він відіграє певну роль у вашій технології та / або в технології перекладу інших постачальників?

Навіщо питати про це? Добре, багато говорилося про штучний інтелект (ШI) в технологіях в цілому. У світі перекладу ми говорили про це, зокрема, стосовно машинного перекладу (MП), але, звичайно, можна говорити стосовно ШI та перекладу більше, ніж просто про те, як це стосується MП. Мені було цікаво побачити, про що першочергово думають розробники технологій, які ми використовуємо.

Також — і це стає очевидним у деяких відповідях, які я отримав — ШI, з яким ми сьогодні зустрічаємося в реальних сценаріях, не є ШI, про який автори фантастики мріяли (або боялися). ШI, як ми знаємо, не може мати будь-яких узагальнених додатків, де він може приймати «рішення» для різних типів експертизи або доменів. ШI використовується для вдосконалення процесу прийняття рішень у дуже вузьких галузях знань (таким чином, «вузький ШI»), і це добре. Можливо, краще було б сказати, що розробники та користувачі стають все більш ефективними у використанні такого роду технологій.Більшість постачальників технологій перекладу, з якими я зв'язався, відповіли на питання (багато інших відповідей перераховані онлайн). Ви побачите, що відповіді нижче (перераховані в алфавітному порядку відповідно до постачальника) знаходяться повсюдно, але я думаю, що ви в кінцевому підсумку багато дізнаєтеся нового(я дізнався), включаючи те, що ШI це набагато більше, ніж просто нейронний машинний переклад.

Зверніть увагу, що відповіді нижче наведені цитатами.

ATRIL

Застосування Deep Learning у перекладі, у вигляді нейронного машинного перекладу (НMП), безумовно, буде головною роллю, яку матиме ШІ у перекладацькому секторі в короткостроковій перспективі. Наявність доступних проектів з відкритим вихідним кодом НMП призвело до розширення постачальників мовних послуг, що додавали НMП до їхнього преліку послуг, можливо, як спосіб демонстрації їх технічної майстерності.

Проте, враховуючи величезну кількість вихідних даних, необхідних для підготовки високоякісних систем НMП, може знадобитися деякий час, щоб НMП мав реальний вплив на індустрію.

У короткостроковій перспективі ми очікуємо, що НMП незабаром буде інтегрований у найбільш конкурентоспроможні засоби автоматизованого перекладу (CAT), робочі процеси перекладача повільно переходять до пост-редагування. Ми також очікуємо, що інші програми ШІ відіграватимуть роль у двох інших аспектах: а) у зборі та очищенні вихідних даних для НМП; б) у більш складних інструментах забезпечення якості.

ILANGL

Ми вважаємо, що штучний інтелект у перекладацькій галузі можна використовувати в таких областях: Оцінка якості локалізації.

Допомагає швидко обрати кращого лінгвіста для певної роботи. Аналізувати навантаження на ресурси та допомагати менеджеру проекту керувати та оптимізувати ресурси лінгвістів.

Частково або повністю замінити менеджера проекту при роботі зі складними робочими процесами локалізації.

KANTANMT

Існують численні області, в яких ШI та машинне навчання будуть використовуватися для підвищення та покращення робочих процесів локалізації. Що ще важливіше, ШI та машинне навчання будуть використовуватися для поліпшення ділової ефективності та операцій. Це призведе до більш швидкого та інтелектуального виконання робочих процесів локалізації з використанням менших ресурсів та витрат при одночасному підвищенні прибутковості.

Ось кілька сфер, які потрібно розглянути:

Прогнозування попиту.
Прогнозування планування робочого процесу.
Рекомендовані знаряддя для оптимального вибору робочого процесу.
Сигнали та діагностика моніторингу управління проектами в реальному часі.
Проактивне управління охороною робочого процесу.
Аналіз виконання проекту.
Динамічне ціноутворення (на основі факторів проекту).
Структура робочого трафіку та управління перевантаженням.
Аналітика та регулювання ризиків.
Аналіз використання ресурсів.

Хоча більшість людей вважає, що ШI та машинне навчання будуть обмежені технологічними нововведеннями, ми твердо віримо, що ми знаходимося на порозі революції ШI, яка кардинально змінить нашу галузь і змусить нас переосмислити багато наших підходів до управління бізнесом за останні три десятиліття. Машини на підйомі.

LILT

Ми думаємо про роль ШІ в технології LILT в умовах розширення інтелекту. Ідея про те, що ШІ так чи інакше здатний автоматизувати весь переклад за допомогою чистого МП, є помилковою, особливо для вмісту, який вимагає високого рівня якості. Ви не можете дійсно «вирішити» питання МП, поки не вирішите питання штучного інтелекту, яке само по собі є невирішеною проблемою. Ми повинні думати про те, як ми можемо використовувати ШI для підвищення якості та швидкості перекладу для людини. Переклад - це форма мистецтва, і фокус Lilt полягає в тому, як ми можемо продовжувати розвивати технології, які використовують ШI, щоб дозволити перекладачам робити все можливе. Коротше кажучи: машини повинні працювати з перекладачами і вчитися у них.

MATECAT

Штучний інтелект захоплюючий і страшний. Людська мова та переклад, зокрема, є, мабуть, найскладнішими завданнями, з якими стикаються машини. Природна мова - це дуже стислий канал інформації, який щільно пов’язаний із сенсом. Вона вимагає контекстної інформації, що виходить за межі самих слів.

Мова - це найбільший виклик, з яким стикаються машини, бо вона – найбільша людська річ . Через це, системи автоматичного перекладу просуваються повільно, але вони безперечно прогресують

MEMOQ

У засобах перекладацького середовища ШI у своєму втіленні MП залишається, але з чіткою зміною фокусу. Ми побачимо, що технологія та процеси переходять від пост-редагування, де людина-редактор є другорядною, до доповненого перекладу, де ШI використовують для надання лінгвістам суперсил. Наступні цікаві речі відбудуться у взаємодії людини з машиною, а не в моделях МП як таких.

Окрім обробки мови в суворому розумінні, МП почне розповсюджуватися в управлінні проектами, в управлінні постачальниками та в локалізації. Загалом, інструментарій успішного мовного професіонала буде включати все більшу кількість інструментів машинного навчання та аналізу даних. Майбутнє ШІ є похмурим в одній області: забезпечення якості. Якби інструмент був «розумний» для оцінки якості, він був би досить розумний, щоб зробити роботу краще. Таким чином, ми будемо використовувати цей інструмент для виконання завдання, а не забезпечення якості при перекладі документів фізичних та юридичних осіб.

MEMSOURCEВ

Memsource, ШI знайшов своє місце в наших компонентах управління перекладами та перекладацьких інструментах. Як правило, ми шукаємо завдання, які повторюються, повинні бути виконані в масштабі, і приносять високу рентабельність інвестицій. Ці завдання часто є ідеальними кандидатами для ШІ. Наприклад, функція «Оцінка якості машинного перекладу» (MTQE) ідентифікує високоякісний вивід MП, який не потребує подальшого редагування. Інша особливість ідентифікує вміст, який не перекладається. Дуже багатообіцяючою є автоматизація процесу локалізації, від налаштування правильних параметрів проекту до вибору потрібного лінгвіста. З іншого боку, ШI буде працювати з такими завданнями, як комплексний огляд перекладеного змісту перед відправкою дуже вимогливим клієнтам. Наприклад, ШI не буде виявляти проблеми, які є унікальними або рідкісними, або проблеми, які, можливо, не були присутні в наборі даних, на якому вона навчалася. У будь-якому випадку, це цікаві часи, і технологія, що працює на основі ШI, повинна дозволити нам зосередитися на творчих завданнях, які є більш цікавими.

PLUNET

Як система управління бізнесом, що виконує ваші робочі процеси, Plunet може застосувати штучний інтелект для розподілу постачальників, намагаючись вибирати найкращий варіант, а потім відкритися для більш широкої потенційної аудиторії постачальників. ШI також можна використовувати для прогнозування термінів або навіть можливих робочих процесів. Крім того, ми могли б подумати про передбачення того, які користувач бажає робити наступні дії та подавати їм ці параметри (наприклад, дизайн користувача).В ідеальному світі - з достатньою кількістю метаданих і застарілої інформації - проекти можуть бути повністю автоматизовані: цитування, налаштування проектів, вибір правильного засобу CAT, розподіл постачальників і навіть автоматична обробка виключень.

SDL

Ми бачимо ШI в будь-якому сценарії, де йдеться про підвищення продуктивності та автоматизації. Ось кілька прикладів.

Нейронний МП (посилювач продуктивності) поєднується з пам'яттю перекладу (ПП), термінологією і узгодженням фрагментів, щоб завжди забезпечувати найкращий збіг, з якого можна почати.
Розпізнавання голосу. (Бачачи зростаючу якість ресурсів на основі ШI, таких як Google, він стає все більш переконливим для глибокої інтеграції з середовищами CAT.)

Автоматизація проекту. Наприклад, автоматична маршрутизація роботи шляхом аналізу вихідного вмісту та пошуку найбільш відповідних ресурсів (наприклад, ПП, термінологічних баз і ресурсів МП) і перекладачів / рецензентів з відповідними навичками.Маючи цей набір інтелектуальних інструментів на кінчиках пальців, існує певна ймовірність, що перекладачі витрачатимуть більше часу на нагляд та управління процесом перекладу проти перекладу з нуля (тобто перехід від перекладу від нуля до перегляду). На відміну від цього, ми хочемо уникати терміну «пост-редагування», коли мова йде про НMП. Ми віддаємо перевагу терміну «огляд», оскільки це більш точно відповідає типу роботи при перегляді результатів від добре підготовленого ресурсу НMП.

Однак, підсумовуючи все вищесказане, мова - це мова, що завжди означає «несподівані тонкощі», які роблять її ключовою для розробки будь-якої технології таким чином, щоб перекладачі контролювали ресурси, з якими вони працюють, а не залучали користувачів до певного способу роботи. Гнучкість буде ключовою. У наших фокус-групах користувачі продовжують говорити, що це важливий аспект.

SMARTCAT

Ми використовуємо ШI, щоб зробити переклад і управління перекладом безпроблемним і ефективним. Для лінгвістів це означає запропонувати робочі місця, які мають відношення до їхнього досвіду; адаптація порад перекладу до їх стилю та голосу; допомога в нудних речах, таких як теги, формати чисел і неперекладні речі; та обробка рахунків-фактур, платежів і всього, що стосується ведення власного обліку. Ці завдання часто займають до 30% часу перекладачів, які вони могли б використовувати для перекладу, тим самим заробляючи більше грошей і будучи більш щасливими.Для керівників проектів це означає запропоновувати лінгвістам, які найкраще підходять для конкретних проектів, автоматично встановлювати терміни, вибиратии найбільш відповідні ресурси MП, відстежувати прогрес, і повідомляти керівника проекту, якщо щось піде не так.У найближчому майбутньому, ШI стане мозком кількох розумних особистих помічників менеджерів проектів і лінгвістів у Smartcat, допомагаючи їм працювати більш ефективно та творчо, роблячи повторювані, непродуктивні завдання.

STAR

Дві технології штучного інтелекту - управління семантичною інформацією та машинне навчання - відіграють важливу роль у технологіях STAR і також матимуть значний вплив на еволюцію цих технологій.
Семантична інформація, представлена в графіках знань і онтологіях, є ключовою для відкриття «чорної скриньки вмісту» в технічних комунікаціях, що робить зміст інтерпретаційним. Це надає можливість обробки технологій в оцифрованих процесах. Семантична інформація є основою для інтелектуальних помічників, чат-ботів, голосових помічників та інтелектуальних сценаріїв розширеної реальності та віртуальної реальності.Машинне навчання є базою для MП і ядром STAR MT, яке підтримує перекладачів, надаючи поради з перекладу. Нейронні мережі на основі машинного навчання також підтримуватимуть наступне:
Інтелектуальне (автоматичне) завершення тексту в авторській пам’яті.Вищі ступені автоматизації для забезпечення якості, виявлення помилок і корекції перекладів.

Пост-редагування машинного перекладу на основі ШI. Оптимізоване розпізнавання термінології та перевірка мов, багатих на морфологію.

Вища автоматизація вирівнювальних виправлень.

ЗАКЛЮЧНІ ДУМКИ

Було дуже інформативним бачити, що продавці технологій повинні були донести. Зауважимо, що тільки один (MateCat у своїй найдовшій відповіді, доступній в Інтернеті за посиланням, наведеним нижче) ставить під сумнів довголіття світу перекладу, яким ми його знаємо. Всі інші бачать, що штучний інтелект не переймає нашу роботу, а доповнює нашу роботу професійними перекладачами, редакторами або керівниками проектів, а часто і дуже творчо. І, як я вже говорив багато разів раніше, у цій колонці, швидше за все, нам треба стати ще більш креативними у спілкуванні з постачальниками технологій, завдання яких безглузді та повторювані, і, ймовірно, повинні бути перейняті машинами, а які краще залишити нам.