Neurale netwerken:de volgende grens verkennen op het gebied van machinevertaling

Het artikel is geschreven en ingediend door Rachel Wheeler. 

Het idee van machinevertaling gaat vele decennia terug. Ten eerste was het slechts een systeem voor op regels gebaseerde machinevertalingen. Vervolgens ontwikkelden onderzoekers in de jaren tachtig statistische machinevertalingen. In de 21e eeuw zal de grote sprong in de machinevertaaltechnologie komen van machine learning en neurale netwerktechnologie. 

De afgelopen jaren hebben we een aantal belangrijke ontwikkelingen gezien bij vertaalbureaus die deze kunstmatige-intelligentietechnologieën gebruiken om betere machinevertalingen te leveren. Enkele van de meest indrukwekkende voorbeelden zijn afkomstig van systemen als Google Neural Machine Translation (GNMT) en Microsoft's Neural Translator.

Wat is een neurale machinevertaling?

Machinevertalingen zijn al op grote schaal beschikbaar, en dat al jaren. Er zijn machinevertaalsystemen in een aantal populaire apps, en er zijn onlinediensten die machinevertaaldiensten aanbieden. Er zijn echter aanzienlijke 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 tegenkomt zijn statistische machinevertalingen. Ze gebruiken algoritmen en statistische modellen om een ​​goede inschatting te maken van de juiste vertaling van een zin. Het kan goed werken voor korte zinnen, maar het bereikt zijn grenzen als er wordt gevraagd om langere voorbeelden te vertalen, zoals een heel digitaal leerboek voor een e-learningvertaling. De resultaten kunnen van alles zijn, van een behoorlijk nauwkeurige interpretatie tot een vertaling die compleet 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 maken gebruik van deep learning om grote hoeveelheden vertalingen te analyseren die al door menselijke vertalers zijn uitgevoerd. Door deze grote dataset te analyseren, kan het hele zinnen verwerken, de context en verschillende variaties begrijpen, en werken met taalkundige subtiliteiten die niet in een statistisch gebaseerd model kunnen worden geprogrammeerd. Het eindresultaat is een automatisch vertaalsysteem dat vloeiender en natuurlijker is.

Hoe neurale netwerken werken?

De sleutel tot het bieden van dit leervermogen aan machines is het neurale netwerk. Dit is een soort computertechnologie die is ontworpen om de werking van het menselijk brein na te bootsen. In de hersenen worden neurale paden gevormd terwijl we leren. Als het pad nuttig en nuttig is, wordt het sterker. Als het niet de juiste 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 het menselijk brein.

Kunstmatige neurale netwerken simuleren deze structuur door tientallen tot miljoenen kunstmatige neuronen te hebben die bekend staan als eenheden. Deze eenheden zijn in lagen gerangschikt. Aan de ene kant heb je invoereenheden die zijn ontworpen om informatie te ontvangen. Aan de andere kant heb je uitvoereenheden die de reactie op de geleerde informatie signaleren.

Tussen de lagen invoereenheden en uitvoereenheden bevinden zich de verborgen eenheden. Dit zijn de lagen die het grootste deel van het neurale netwerk omvatten en worden ook gebruikt om de meeste verbindingen te vormen.

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

Neurale netwerken leren door de geproduceerde output te vergelijken met de gewenste output. Informatie wordt aan de invoerkant naar het systeem gevoerd. Vervolgens worden verbindingen in verborgen eenheden geactiveerd. Dit leidt tot een verbinding met het uitgangseinde. De output die het netwerk daadwerkelijk produceert, wordt vervolgens vergeleken met de gewenste output. De gewichten worden vervolgens aangepast op basis van het verschil tussen de geproduceerde output en de gewenste output.

Bij machinevertalingen zorgt de structuur van een neuraal netwerk ervoor dat het systeem adaptiever is en complexere modellen kan verwerken dan een systeem dat op regels en statistieken is gebaseerd. Het kan ook leren van zijn ervaringen. Als het niet de juiste output levert, leert het van de fout en voert het aanpassingen door om de volgende keer efficiënter te presteren. 

Wat betekent dit voor machinevertalingen?

Neurale machinevertaling is nog steeds een nieuwe technologie. Ook al bevindt het zich nog in de beginfase, het levert al resultaten op die superieur zijn aan die van de beste statistische automatische vertaalsystemen. Dat gezegd hebbende, hebben we nog een lange weg te gaan voordat neurale machinevertalingen kunnen concurreren met een bekwame menselijke vertaler.

Lees:Kunstmatige intelligentie versus machine learning versus deep learning

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