maskinoversettelse

Mange har i dag tilgang til programmer for maskinoversettelse. Flere mobiltelefoner kommer med sine egne løsninger forhåndsinstallert, og mange nettlesere har en funksjon som kan oversette nettsider automatisk når de oppdager tekst som ikke er på brukerens angitte språk. Det finnes også applikasjoner der man kan spille inn tale som så blir oversatt og spilt av på et annet språk.

En av de mest kjente eksemplene på maskinoversettelse er laget av amerikanske Google. I 2021 oppga de at deres program, Translate, hadde blitt installert på en milliard mobile enheter siden lanseringen i 2010. Per 2022 støttet tjenesten oversettelse mellom 133 språk.

Dagens programmer for maskinoversettelse er i all hovedsak basert på maskinlæring og kan ses på som en videreutvikling av klassisk statistisk maskinoversettelse. Feltet blir i dag ofte referert til som Neural Machine Translation (NMT) fordi sammenligningen mellom ordsekvenser er byttet ut med nevrale nettverk som er trent på store mengder data for å oversette mellom to eller flere språk. Tjenesten Google Translate byttet over fra statistisk maskinoversettelse til en modell basert på nevrale nettverk i 2016, og siden har de aller fleste konkurrerende løsninger gjort det samme.

Enkelt forklart består et moderne program for maskinoversettelse av en maskinlæringsmodell som har to deler: En del som har som oppgave å kode teksten som skal oversettes, til en serie med tall, og en annen del som genererer tekst i språket det oversettes til, ut fra denne tallserien.

Mer presist er oppgaven til den første delen å lage gode representasjoner av inn-språket, såkalte embeddings, som i matematiske termer blir gjort ved å plassere ord i et vektorrom. Den andre delen må så lære seg hvordan disse vektorene forholder seg til vokabularet i ut-språket. Til å begynne med er alle vektorene, innstillingene og parameterne i modellen tilfeldige tall, men ettersom modellen trenes på parallelltekster, vil begge delene bli gradvis bedre og bedre. En slik modell kalles gjerne for en sekvens-til-sekvens-modell, og den kan også brukes for å løse andre typer tekstoppgaver, som å sammenfatte lengre tekster til korte sammendrag eller lage chatbots.

Den store fordelen ved dagens nevrale modeller for maskinoversettelse er at de er ekstremt fleksible. Hvis man har gode nok parallelltekster, er det ingen avgjørende begrensning at to språk har svært ulik ordstilling. Siden modellene lager kontekstavhengige representasjoner av språket, er det også lettere å håndtere problemer som faste uttrykk. Moderne løsninger består dessuten av én enkelt modell, og de er derfor enkle å implementere og distribuere. Løsninger for statistisk maskinoversettelse inneholdt ofte flere komponenter og var ikke like fleksible.

Den største utfordringen er behovet for data. Nevrale nettverk krever på generelt grunnlag store mengder treningsdata, noe som gjør det vanskeligere å bygge gode oversettelsessystemer for språk der dette ikke er lett tilgjengelig. Kvaliteten på systemer som oversetter fra de største språkene, er derfor mye høyere enn for mindre språk. Å bygge gode oversettelsesmodeller for mindre språk er et aktivt forskningsfelt innen språkteknologi, og mye av arbeidet handler om å samle inn gode parallelltekster.

En annen utfordring er hvordan man skal evaluere maskinoversettelse. I de fleste oppgaver der man benytter maskinlæring, vet man hva som er det riktige svaret. Om man lager et system som klassifiserer bilder eller tekst inn i noen forhåndsdefinerte kategorier, for eksempel bilder av katter og hunder, kan man måle nøyaktigheten til systemet ved å telle opp hvor mange ganger det angir feil kategori. Med oversettelse er ikke dette like rett fram, da man kan lage flere oversettelser som er akseptable. Å bruke mennesker til å vurdere kvaliteten er en mulighet, men dette er ofte svært ressurskrevende.

I dag benyttes flere automatiske evalueringsmetoder, deriblant den omdiskuterte BLEU-metoden. Enkelt forklart måler denne i hvilken grad oversettelsen overlapper med en foreslått fasit. Til tross for at den beviselig har flere mangler, og flere har tatt til orde for å forkaste den, er den fortsatt et av de mest brukte målene på hvor god en modell for maskinoversettelse er.

• statistisk maskinoversettelse
• språkmodell
• chatbot
• språkteknologi