40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
تیتر یک
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
دوره
کارگاه
وبینار
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
وبینارها، کارگاره‌ها و دوره‌ها
 آیا ترجمه ماشینی می‌تواند جایگزین مترجم شود؟

آیا ترجمه ماشینی می‌تواند جایگزین مترجم شود؟

این سؤال‌ها برایمان پیش می‌آید که چگونه قواعد ساده زبانی به گونه‌ای پیش رفته‌اند که حجم عظیمی از اطلاعات را در کسری از ثانیه به سیستم‌های پیشرفته‌ ترجمه ماشینی تبدیل کنند؟ و تولید این سیستم‌ها از چند دهه گذشته کلید خورده است؟

امکان ترجمه ماشینی خودکار که مدت‌ها برای انسان موضوعی جذاب بود، نهایتاً در دهه 50 میلادی به حقیقت پیوست. در آن زمان بود که نخستین سیستم‌های کامپیوتری برای ترجمه ماشینی، اختراع شدند.

در ادامه به خاستگاه‌های ترجمه ماشینی اشاره می‌کنیم.

خاستگاه‌های ترجمه ماشینی

بخش بزرگی از این فرایند را مردی آغاز کرد که بسیاری از ما او را با فیلم «بازی تقلید» بیشتر شناختیم. آلن تورینگ، دانشمند بریتانیایی علوم کامپیوتر و شخصیت اصلی این فیلم، متوجه شد که اگر به کامپیوتری به خوبی آموزش داده شود، می‌تواند از ذهن انسان تقلید کند و بر اساس آزمون و خطای مداوم عمل کند. تورینگ در سال 1949، تلاش کرد که از این فناوری برای تولید زبان طبیعی استفاده کند.

تورینگ در بخشی از کار خود، آزمون معروفی را با عنوان «آزمون تورینگ» توسعه داد. در واقع، این آزمون هوش ماشین را می‌سنجید؛ به‌ گونه‌ای که آن ماشین بتواند افراد را به شکلی فریب دهد که تصور کنند در حال صحبت با یک انسان دیگر هستند (و نه یک کامپیوتر)! در این آزمون، تعدادی سؤال از انسان و کامپیوتر پرسیده می‌شد و بر اساس پاسخ‌ها سعی می‌کردند بفهمند کدام یک، پاسخ‌های انسان است و کدام یک، پاسخ‌های ماشین.

سال 2018،Google Duplex  توانست با موفقیت با یک آرایشگر قرار ملاقات بگذارد! که این امر نشانه پیشرفت چشمگیری در یادگیری ماشین و هوش مصنوعی محاوره‌ای بود. در حقیقت، این کار تورینگ، کمک زیادی به پیشرفت ترجمه ماشینی کرد.

[irp posts=”20237″]

ترجمه قاعده‌بنیاد برای کاربرد دولتی

در طی جنگ سرد، دولت‌های آمریکا و روسیه به‌ طور ویژه درصدد بودند که نه تنها در زمینه رمزنگاری و رمزگشایی، بلکه بر روی سیستم‌هایی که به سرعت ترجمه می‌کردند، سرمایه‌گذاری کنند. در همان زمان، ماشین‌هایی در حال توسعه بودند که نخستین ترجمه‌های قاعده‌بنیاد را انجام می‌دادند. منظور از قاعده‌بنیاد، ترجمه‌هایی بودند که بر اساس قواعد خاص زبان‌شناختی و فرهنگ لغت هر جفت زبانی، انجام می‌شدند.

برای اینکه این سیستم‌ها به خوبی کار کنند، فرهنگ لغت و دستور زبان تعداد زیادی از زبان‌ها باید به طور کامل، وارد کامپیوتر می‌شدند. نکته اینجاست که فرایندی که به خودی خود زمان‌بر بود، به وسیله این سیستم‌ها طولانی‌تر شد.

اولین ترجمه‌های این ماشین‌ها کاملاً «ماشینی» بودند و ترجمه‌ها نحو یا دستور زبان صحیحی نداشتند. همچنین این ماشین‌ها هیچ شباهتی با کامپیوترهای امروزی نداشتند، به طوری که کاربرد تجاری و شخصی نداشتند و اندازه‌شان نیز مانند یک کامیون کوچک بود!

ترجمه کامپیوتری برای همه

ترجمه قاعده‌بنیاد در دهه 1990، در خارج از ارتش نیز استفاده شد و به لطف پیدایش اینترنت، نیاز به ارتباط بین‌المللی با سرعت بی‌سابقه‌ای افزایش یافت. از طرفی، برندهای جهانی ناگهان با مشکل توزیع و بازاریابی تولیدات خود در بازارهای هدف مواجه شدند و لذا به دنبال روشی سریع بودند که کار ترجمه را برایشان آسان کند.

در سال 1992، نخستین سرویس ترجمه ماشینی عمومی، به بازار آمد. در واقع، این سرویس، ترجمه یک تالار گفت‌وگو از انگلیسی به آلمانی بود. کمی پس از آن، در سال 1995، Babel Fish Altavista معرفی شد؛ سیستمی که به صورت خودکار می‌توانست، متنی را به چندین زبان ترجمه کند. این برنامه رایگان، به صورت آنلاین در دسترس بود و از طرفی ترجمه ماشینی را برای افراد زیادی به ارمغان آورد.

در واقع، این برنامه‌ها از ترجمه ماشینی آماری استفاده می‌کردند، به گونه‌ای که متن مبدأ بر اساس رایج‌ترین ترجمه‌های دیگر ترجمه می‌شد. البته این برنامه‌ها بی‌نقص نبودند. در حقیقت، نقطه‌ضعف ترجمه ماشینی آماری این بود که تنها می‌توانست عبارتی را ترجمه کند که در متن‌های مرجع وجود داشت. به‌ علاوه، جمله‌های ترجمه‌شده اغلب بی‌معنی بودند، زیرا این برنامه قادر نبود چندان بافت‌های مبهم را درک کند.

ترجمه ماشینی عصبی

سیستم‌های ترجمه ماشینی عصبی (NMT) مدرن با سیستم‌های قاعده‌بنیاد و آماربنیاد نسل قبلی، تفاوت داشت. این سیستم‌های جدید، با هر ترجمه جدید، قادر بودند یاد بگیرند و ارتقا پیدا کنند. در واقع، NMT یک جزء کلیدی به فرایند ترجمه ماشینی اضافه کرد: «بافت». همچنین این سیستم‌ها مشابه مغز انسان کار می‌کردند و دائماً به دنبال الگوهای درست و تصمیم‌گیری خودکار بودند.

علاوه بر آن، سیستم‌های ترجمه ماشینی عصبی می‌توانستند الگوها را در متن مبدأ پیدا کنند، تا با این روش، خوانشی مبتنی بر بافت ارائه دهند که قادر بود کلمات متوالی را پیش‌بینی کند. تمام بخش‌های این مدل، به منظور بیشینه‌سازی نتایج ترجمه، نقطه‌به‌نقطه آموزش داده شده‌اند.

در سال 2020، پیشرفته‌ترین ماشین ترجمه عصبی توانست، متن‌ها را به سرعت ترجمه کند، درحالی‌که 60 تا 90 درصد ترجمه‌ها صحیح بودند. این بدان معناست که برای قبولی در آزمون قدیمی تورینگ، این برنامه فقط نیاز داشت کمی ویرایش و تضمین کیفیت شود.

آینده ماشین‌های ترجمه

صنعت ترجمه با چالش‌های جدیدی مواجه است: چالش‌هایی همچون اهمیت روزافزون ترجمه صوتی، تحلیل سریع اطلاعات و غلبه بر موانع ارتباطی میان بیش از شش هزار زبان رایج در جهان که باید برای ادامه، این مشکلات در نظر گرفته شوند.

به نظر می‌رسد ترجمه ماشینی، روش انجام کار را در سراسر جهان، تغییر می‌دهد. لذا پیشنهاد می‌کنیم برای رشد شغلی خود، با ترجمه ماشینی آشنا شوید. شرکت‌هایی مانند Summa Linguae Technologies در این زمینه آموزش‌هایی را ارائه می‌دهند.

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.