bez kategorii

Najnowszy raport Intento Generative AI for Translation in 2024 wskazuje, że:

• Jeśli mamy już ustabilizowany proces tłumaczenia z jednym lub kilkoma wybranymi i dostosowanymi modelami MT – i działa on dobrze – to nie musimy się spieszyć i zastępować go GenAI (jeszcze nie). Możemy wypróbować AI jako opcję, ale bez nerwowych ruchów.
• Jeśli nie mamy w procesie tłumaczenia żadnego MT (a chcielibyśmy je mieć) – lub mamy, ale nienawidzimy – to wypróbujmy i MT, i GenAI.
• Jeśli już używamy AI do generowania treści w jednym języku – lub jeśli planujemy to zrobić – sprawdźmy, czy AI może też generować treści w innych językach, których potrzebujemy, zwłaszcza jeśli są to języki popularne w Internecie (a więc takie, dla których GenAI mają dużo danych treningowych).

Wiadomość w sam raz na Hieronimki: dokumentacja, w której Marcin Basiak opisuje krok po kroku, jak podłączać popularne silniki MT do popularnych CAT-ów, została szczęśliwie zmigrowana do portalu machinetranslate.org. Jeśli ktoś chce ją uzupełnić – na przykład opisać najnowszą wersję memoQ, podłączanie Google v3 lub pracę z MT w Acrossie, Memsource czy XTM – to może w każdej chwili dołączyć do zespołu 🙂

A portal machinetranslate.org polecam uwadze jako całość: szybko rozwijane, przystępne kompendium wiedzy o MT.

“Maratony MT” to bardzo praktyczne konferencje: nie uświadczy się tam marketingu rynkowych produktów MT, tylko prezentacje projektów naukowo-badawczych, często w toku, przy czym badacze są i ze środowisk komercyjnych, i akademickich. Do tego popołudniami toczą się mini-projekty, które posuwają naprzód rozwiązywanie konkretnych problemów. Do tego postery z projektów bardziej niszowych (np. sieć neuronowa oceniająca jakość tłumaczenia poezji, uwzględniająca – oprócz dokładności tłumaczenia – rymy i rytm). Do tego dużo czasu (i kawy) na dyskusje w kuluarach. Do tego Praga, bo gospodarzem tegorocznego MTM był Uniwersytet Karola, a cała impreza jest bezpłatna. Wady? Bardzo wysoki poziom naukowy i techniczny, bez wektorów i logarytmów ani rusz!

A co zwróciło moją uwagę od strony praktycznej:

1. Środowiska komercyjne (Google, Microsoft) i naukowe (WMT) zgodnie przyjęły Multidimensional Quality Metric za standard oceny MT przez ludzi – zastępując zbyt uproszczoną ocenę segmentów w skali od 0 do 5. MQM polega na klasyfikacji błędów (sens, terminologia, gramatyka itd.) oraz ich ważności (krytyczny, poważny, taki sobie) – czyli jest metodą doskonale znaną tłumaczom i weryfikatorom, a przy tym pozwalającą ocenić przydatność MT do danego zastosowania (czasem ważniejszy jest płynny język i przecinki, a kiedy indziej dokładność i terminologia).
2. 90% prac naukowych z dziedziny MT i tak stosuje wyłącznie miary automatyczne, ale są prowadzone badania sprawdzające, jakie miary najlepiej pokrywają się z oceną przez ludzi. W skrócie: COMET > BERT >> BLEU.
3. Kierunki prac naukowo-badawczych określiłabym jako “the usual suspects”:
   • kontekst, najlepiej całego dokumentu, a jak nie, to chociaż poprzednie i następne zdanie (są nowości, nie ma przełomu, ale przynajmniej wszyscy przyznają, że bez tego ani rusz);
   • automatyczne przewidywanie jakości MT, czy to w formie “samooceny” przez silnik, czy też oddzielnej sieci neuronowej do oceniania propozycji maszynowych (dobrym pomysłem jest używanie danych z MQM do trenowania systemów automatycznego oceniania);
   • modele wielojęzyczne, zwłaszcza w kontekście “podciągania” MT dla języków o słabo dostępnych zasobach treningowych (islandzki) przez zgrupowanie z językami o dużych zasobach (niemiecki).