Neurale netwerken: De drijvende kracht achter de volgende grens in machinevertaling

Dit artikel is geschreven en ingediend door Rachel Wheeler.

Het idee van machinevertaling strekt zich al decennialang uit. Eerst was het gewoon een systeem voor regel-gebaseerde machinevertalingen. Dan in de jaren '80 ontwikkelden onderzoekers statistische machinevertalingen. In de 21e eeuw zal de grote sprong in machinevertalingstechnologie komen van machine learning en neurale netwerktechnologie.

De afgelopen jaren hebben we enkele significante ontwikkelingen gezien van vertaalbureaus die deze kunstmatige intelligentie-technologieën gebruiken om betere machinevertalingen te bieden. Enkele van de meest indrukwekkende voorbeelden zijn gekomen van systemen als Google Neural Machine Translation (GNMT) en Microsoft's Neural Translator.

Wat is een Neurale Machinevertaling?

Machinevertalingen zijn al jaren wijd beschikbaar. Je kunt machinevertalingssystemen vinden in een aantal populaire apps, en er zijn online diensten die machinevertalingsdiensten aanbieden. Er zijn echter significante verschillen tussen de diensten die al beschikbaar zijn en de systemen die worden ontwikkeld om neurale netwerken te gebruiken.

De meeste systemen die je nu zou vinden zijn statistische machinevertalingen. Ze gebruiken algoritmes en statistische modellen om een beste gok te doen over de juiste vertaling van een zin. Het kan goed werken voor korte zinnen, maar het bereikt zijn grenzen wanneer het gevraagd wordt om langere monsters te vertalen, zoals een heel digitaal leerboek voor een e-learning vertaling. De resultaten kunnen variëren van een tamelijk nauwkeurige interpretatie tot een vertaling die complete onzin is.

Neurale machinevertalingen vertegenwoordigen een heel andere benadering dan de oudere systemen die statistische machinevertalingen gebruiken. Met een NMT-systeem wordt een neuraal netwerk getraind en geoptimaliseerd om vertaaldiensten uit te voeren.

Deze systemen gebruiken diep leren om enorme hoeveelheden vertalingen te analyseren die al door menselijke vertalers zijn uitgevoerd. Door deze grote dataset te analyseren, kan het rekening houden met hele zinnen, context en verschillende variaties begrijpen, en werken met linguïstische nuance die niet in een statistisch model geprogrammeerd konden worden. Het eindresultaat is een machinevertalingssysteem dat vlotter en natuurlijker is.

Hoe neurale netwerken werken

De sleutel om machines deze leerfähigkeit te geven is het neuraal netwerk. Dit is een type computerttechnologie ontworpen om de werking van de menselijke hersenen na te bootsen. In de hersenen worden neurale paden gevormd terwijl we leren. Als het pad nuttig en voordelig is, wordt het sterker. Als het niet de correcte resultaten oplevert, wordt het zwakker.

Het idee achter neurale netwerken is om de onderling verbonden aard van de neurale paden in de hersenen te simuleren. Met dit ontwerp kunnen computers leren, patronen herkennen en beslissingen nemen op een manier die vergelijkbaar is met de menselijke hersenen.

Kunstmatige neurale netwerken simuleren deze structuur door overal van tientallen tot miljoenen kunstmatige neuronen te hebben, bekend als eenheden. Deze eenheden zijn gerangschikt in lagen. Aan de ene kant heb je invoer-eenheden die ontworpen zijn om informatie te ontvangen. Aan de overkant heb je uitvoer-eenheden die het antwoord op de geleerde informatie signaleren.

Tussen de lagen van invoer-eenheden en uitvoer-eenheden heb je de verborgen eenheden. Dit zijn de lagen die het grootste deel van het neurale netwerk vormen en die ook gebruikt worden om het grootste deel van de verbindingen te vormen.

Elke verbinding in een neuraal netwerk krijgt een gewicht om de sterkte van de verbinding tussen de twee eenheden aan te duiden. Het gewicht kan positief zijn voor een verbinding die de andere eenheid opwekt, of het kan een negatief gewicht zijn voor een verbinding die de actie van de andere eenheid onderdrukt. Hoe hoger het gewicht, des te groter de invloed die de ene eenheid heeft op de andere in de verbinding.

Neurale netwerken leren door de geproduceerde output te vergelijken met de gewenste output. Informatie wordt aan het systeem gevoerd aan de invoerkant. Het activeert dan verbindingen in verborgen eenheden. Dit leidt tot een verbinding met de uiteinde. De output die het netwerk daadwerkelijk produceert, wordt dan vergeleken met de gewenste output. De gewichten worden dan gewijzigd op basis van het verschil tussen de geproduceerde output en de gewenste output.

Voor machinevertalingen maakt de structuur van een neuraal netwerk het systeem meer adaptief en in staat om complexere modellen aan te kunnen dan een systeem gebaseerd op regels en statistieken. Het kan ook uit zijn ervaring leren. Als het niet de juiste output levert, leert het van de fout en maakt aanpassingen om de volgende keer efficiënter te presteren.

Wat betekent dit voor machinevertalingen?

Neurale machinevertaling is nog een relatief nieuwe technologie. Ondanks dat het in de kinderschoenen is, levert het al resultaten die superieur zijn aan de beste statistische machinevertalingssystemen. Dat gezegd hebbende, hebben we nog een lange weg te gaan voordat neurale machinevertalingen kunnen concurreren met een bekwame menselijke vertaler.

De vooruitgang van neurale machinevertaling zal niet van één bedrijf komen. Het zal het resultaat zijn van diverse vooruitgang van onderzoekers bij verschillende organisaties en over de hele wereld. Naarmate de technologie zich ontwikkelt, wordt NMT een belangrijk hulpmiddel voor menselijke vertalers. Met de groeiende behoefte aan complexe vertalingen zullen professionals deze systemen gebruiken om nauwkeurige vertalingen in minder tijd te leveren en dit zal hen helpen om de groeiende vraag te bevredigen.