Oldal 112 [112]
OCR
HARAZIN BALÁZS módszerek erősségeit. Az ilyen algoritmusok mind a nyelvészeti, mind a statisztikai 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 szabályalapú gépi fordítási rendszerek gyakran nehezen boldogulnak.? Ezt visszacsatolt (rekurrens) neurális hálózatok és figyelemmechanizmusok alkalmazásával 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 nyelvek közötti kapcsolatot. Ez a módszer lehetővé teszi, hogy a neurális gépi fordítók a korábbi módszerekhez képest helyesebb és természetesebb hangzású forditasokat 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 attentionbased neural machine translation, 2015. https://doi.org/10.48550/arXiv.1508.04025 Koehn: Neural Machine Translation. o = eo * 110 +
