Oldal 112 [112]
HARAZIN BALÁZS
módszerek erősségeit. Az ilyen algoritmusok mind a nyelvészeti, mind a statisz¬
tikai ismereteket felhasználják a fordítások minőségének javítására és pontosabb
szövegek létrehozására.
Neurális gépi fordítás
A neurális gépi fordítás, a gépi fordítás legfejlettebb és legelterjedtebb területe
napjaikban. A szövegek automatikus fordításához mély neurális hálózatokat
használ. A neurális gépi fordítás az utóbbi években jelentős figyelmet kapott,
mivel képes minőségi fordításokat készíteni, még az összetett nyelvtannal és
szókinccsel rendelkező nyelvek esetében is.?
A gépi fordítás egyik legfontosabb előnye, hogy képes az összetett nyelvtani
szerkezetek és idiomatikus kifejezések kezelésére, mellyel a hagyományos sza¬
bályalapú gépi fordítási rendszerek gyakran nehezen boldogulnak.? Ezt vissza¬
csatolt (rekurrens) neurális hálózatok és figyelemmechanizmusok alkalmazásá¬
val érik el, amelyek lehetővé teszik, hogy a gépi fordító algoritmus a korábbi gépi
fordítási megközelítésekhez képest árnyaltabban ragadja meg a forrásszöveg
kontextusát és jelentését." A statisztikai gépi fordításhoz hasonlóan a neurális
gépi fordítórendszereket párhuzamos korpuszokon képzik ki mind a forrás-, mind
a célnyelvben, az ilyen párhuzamos korpuszok segítségével tanítják meg a nyel¬
vek közötti kapcsolatot. Ez a módszer lehetővé teszi, hogy a neurális gépi fordí¬
tók a korábbi módszerekhez képest helyesebb és természetesebb hangzású for¬
ditasokat generäljanak.!
A neurális gépi fordítás az elmúlt években elért összes előrelépés ellenére sem
elég hatékony ahhoz, hogy vakon lehessen rá támaszkodni; az ilyen módszerrel
fordított szövegek gyakran igényelnek emberi felügyeletet és utószerkesztést. Az
egyik fő korlát az, hogy a neurális gépi fordító rendszerek hajlamosak hibázni a
ritka és a szókészleten kívül eső szavak esetében, ami helytelen fordításokhoz
vezethet.!” A neurälis rendszereket általában nagy mennyiségű általános
00
Yonghui Wu - Mike Schuster — Zhifeng Chen — Ouoc V. Le — Mohammad Norouzi: Google’s
neural machine translation system: Bridging the gap between human and machine translation,
2016. https://doi.org/10.48550/arXiv.1609.08144 (Letöltes: 2024. januär 15.)
Philipp Koehn: Neural Machine Translation, Cambridge, Cambridge University Press, 2020.
Dzmitry Bahdanau — Kyunghyun Cho — Yoshua Bengio: Neural machine translation by jointly
learning to align and translate, 2014. https://doi.org/10.48550/arXiv.1409.0473
Minh-Thang Luong — Hieu Pham — Christopher D. Manning: Effective approaches to attention¬
based neural machine translation, 2015. https://doi.org/10.48550/arXiv.1508.04025
Koehn: Neural Machine Translation.
o
=
eo
* 110 +