211service.com
Herhaal, in het Engels, alstublieft
Hoewel de kwaliteit van computer-gerenderde vertalingen de afgelopen 20 jaar enorm is verbeterd, zijn sommige resultaten grammaticaal nog net zo maf als de instructies op een eetstokje. Neem bijvoorbeeld een website voor een Japanse appelboerderij dat is geconverteerd naar het Engels met behulp van Google's automatische vertaalservice :
De Someya-appeltuin zal het heel goed doen! Het is geplant in 1954 en zelfs nu overschrijdt het de leeftijd van de boom van 50 jaar oud voorspoedig, groot - komende boom wordt de abnormaal spelende alligatorappel bevrucht. De smakelijke appel waar het temperatuurverschil van dag en nacht vernauwd is tot extreem Gunma prefectuur Numata stad die vier seizoenen duidelijk groot de natuur is, is hard gemaakt. *
Ja, het grote plaatje komt over, maar er gaat veel verloren door het Japans-naar-Engels vertaalalgoritme van Google. Google biedt zijn vertaalfunctie al een aantal jaren aan, net als het in Canada gevestigde internetbedrijf Babel Vis . Meer recentelijk zijn commerciële softwareontwikkelaars echter begonnen met het verkennen van vertalingen die verder gaan dan een statische webpagina of elektronisch document en passen ze de technologie toe op de realtime internetconversaties met instant messaging. Eerder deze maand bracht AvMedia een instant-messaging uit: vertaler ontworpen om het chatten met vrienden die Duits, Spaans, Frans, Italiaans en Portugees spreken gemakkelijker te maken voor Engelstaligen en vice versa (Frans kan ook worden vertaald naar Duits en Duits naar Frans).
Maar al deze software is nog niet voldoende nauwkeurig om bruikbaar te zijn in veeleisende situaties, zoals zakelijke onderhandelingen of militaire planning. Dit komt waarschijnlijk omdat de meeste commerciële software een traditionele benadering van machinevertaling volgt, zegt Kevin Knight, computerwetenschapper aan de Universiteit van Zuid-Californië. Instituut voor Informatiewetenschappen (ISI) en mede-oprichter van het in Californië gevestigde bedrijf Taal Wever .
Traditioneel was software voor machinevertaling afhankelijk van algoritmen die duizenden grammaticaregels doorzoeken om de twee talen te vertalen, zegt Knight. Het probleem, legt hij uit, is dat zoveel regels handmatig moeten worden geschreven, net als de uitzonderingen op deze regels, en onnauwkeurigheid sluipt erin wanneer complexe sets regels elkaar tegenspreken. Als je de 5000ste regel schrijft, breek je soms dingen, zegt Knight.
Met Language Weaver en zijn onderzoek aan het USC pakken Knight, evenals een handvol andere onderzoekers over de hele wereld, het probleem anders aan. In plaats van rigide grammaticale regels te volgen, matcht Language Weaver de juiste woorden en zinsdelen in verschillende talen op basis van de waarschijnlijkheid dat dergelijke woorden en zinsdelen correct zijn in een bepaalde context.
Deze statistische benadering is gebaseerd op een groot aantal voorbeelden van reeds vertaalde documenten, zegt Michael Collins, een computeringenieur bij MIT die dezelfde methode gebruikt voor een softwaretoepassing die hij bouwt om Duits-naar-Engelse vertalingen uit te voeren. IBM pionierde met deze aanpak in de jaren negentig, zegt hij, gedeeltelijk door gebruik te maken van een enorme database met Canadese parlementaire procedures die in zowel de Franse als de Engelse versie zijn gepubliceerd.
De statistische verscheidenheid van machinevertaling levert niet alleen betere resultaten op dan de traditionele methode, zegt Knight, maar de software is ook ontworpen om zichzelf te blijven verbeteren. Hoe meer vertaalde documenten de software tegenkomt, hoe groter de kans dat de zinnen correct overeenkomen. Een paar jaar geleden konden we voor onze Chinese en Arabische talen alleen het basisonderwerp vinden waar een artikel over ging, zegt Knight. Nu ligt de resolutie op zinsniveau. [Ga verder op de volgende pagina ]
-
* Correctie, 18 januari 2006, 10:00 uur EST: In de originele versie van dit verhaal citeerden we de volgende vertaling van de Someya Apple Farm-website: De appelboomgaard met grote bomen van meer dan 50 jaar oud. De natuurlijke omgeving rond Numata, met het enorme temperatuurverschil tussen dag en nacht, zorgt voor een unieke heerlijke appel. In feite was dit een fragment uit Google's vertaling van de eigen Engelse versie van de website van Apple Farm, niet uit Google's vertaling van de originele Japanse pagina. Daarom was het geen geldig voorbeeld van de slechte kwaliteit van sommige algoritmen voor machinevertaling. In het verhaal hebben we nu de Google-vertaling van de originele Japanse site vervangen. Met dank aan onze lezers voor het wijzen op de fout. - Red.
Het Amerikaanse Defense Advanced Research Projects Agency (DARPA) is een van de belangrijkste financiers van statistische machinevertaling. Afgelopen augustus sponsorde DARPA machinevertalingstests voor Chinese en Arabische documenten; een onderzoeksgroep van Google scoorde het hoogst en duwde het Information Sciences Institute van het USC en de machinevertalingstak van IBM weg. Google, dat ook de statistische benadering gebruikt, had misschien een voorsprong gehad, merkt Knight op, omdat ze een enorm aantal computers konden gebruiken voor het kraken van woorden, en van het hele internet konden putten voor hun database met voorvertaalde documenten.
In 2005 kondigde DARPA ook het programma Global Autonomous Language Exploitation (GALE) aan, bedoeld om de computerverwerking te versnellen van enorme aantallen vertaalde documenten die zijn verkregen door het moederprogramma, het in Philadelphia gevestigde programma. Linguïstisch Data Consortium .** GALE bevindt zich momenteel in het eerste jaar en zal spraak transcriberen van uitgezonden nieuwsbronnen en talkshows in het Arabisch, Chinees en Engels, en ook tekst-newswire-feeds, webnieuws-discussiegroepen en blogs in die talen catalogiseren. Voorlopig is het project vooral gericht op het verzamelen van gegevens uit deze genres, waarbij onderzoekers van de afdeling computer- en engineeringwetenschappen van de Universiteit van Pennsylvania veel van het werk doen.
Maar zelfs met een grote verzameling vertaald materiaal, zullen er nog steeds taalproblemen zijn om op te lossen. De volgende stap in het onderzoek naar machinevertaling is, zegt Knight, naast het matchen van woorden en zinsdelen, het wegwerken van de grammaticale inconsistenties die ontstaan wanneer woorden en zinsdelen aan elkaar worden geregen. Deze afvlakking kan worden bereikt door miljoenen zinnen te indexeren waarvan de structuren in de jaren negentig aan de Universiteit van Pennsylvania in diagrammen zijn weergegeven (de gegevens waren afkomstig van 50.000 zinnen in de Wall Street Journal ). Vergelijkbaar met de manier waarop een database vol woorden en zinsdelen vertaalsoftware in staat stelt om de statistisch meest waarschijnlijke combinatie van woorden te kiezen, helpen deze specifieke voorbeelden van grammatica uit de diagramzinnen de software de waarschijnlijkheid van woordvolgorde toe te wijzen, zegt Collins van MIT.
Dit is een vooruitgang ten opzichte van de traditionele methode waarbij grammaticaregels werden vastgelegd in een algoritme, zegt hij. In plaats van te gehoorzamen aan gecodeerde grammaticale conventies in een algoritme, zoals bij traditionele machinevertaling, laat de database met diagrammen van zinnen de software waarschijnlijkheden en gewicht toekennen aan die regels, zegt Collins. [De software] heeft meer kans om de context te leren, zegt hij.
In sommige opzichten zal de statistische benadering echter slechts zo goed zijn als de gebruikelijke instant-messaging-vertaler. Eigennamen, bijvoorbeeld, doen zelfs de best gelezen machinevertaler nog steeds struikelen, en ze worden vaak gewoon samen met de rest van de tekst vertaald. Volgens zijn systeem, geeft Knight toe, is de Spaanse versie van zijn achternaam nog steeds Kevin Caballero.
** Correctie, 20 januari 2006: In de originele versie van dit verhaal, gepubliceerd op 18 januari, stond dat het Linguistic Data Consortium in 2005 werd gelanceerd. In feite werd het consortium gelanceerd in 1992 en werd het Global Autonomous Language Exploitation-project gelanceerd in 2005. – Eds.