Tekniska framsteg inom automatiserad översättning

Innehållsförteckning

En av de mest betydelsefulla utvecklingarna inom språkbearbetning har varit att översättningsmjukvaran utökats och förbättrats. Förr var författare tvungna att anlita dyra yrkesmän för att manuellt översätta även vardagliga dokument, men nu finns det en mängd datorbaserade översättningslösningar.

Låt oss ta en titt på utvecklingen av datoriserad översättning, från ordbehandlare till artificiell intelligens.

Hemdatorer

På 1980-talet, när ett av de mer avancerade arbetsverktygen vi hade till vårt förfogande var en elektronisk skrivmaskin, var översättningsprogram sällsynta och mycket specialiserade. På stora företag kan de ha använt stordatorsystem som Systran eller Logos, men för den enkla hemanvändaren hindrades utvecklingen av översättningsprogram av den processorkraft som krävdes för att översätta olika alfabet, grammatik och meningsstruktur.

De tidiga pionjärerna var den femte generationens datorprogrammerare i Japan som utvecklade parallell bearbetning och logikprogrammering, vilket avsevärt ökade kapaciteten i stationära system. Utvecklingen inspirerades av behovet av att översätta mellan japanska och engelska i affärssammanhang. Bland de välkända företagsnamn som krävde stora översättningsvolymer fanns Fujitsu, Mitsubishi, Toshiba och Hitachi.

Intergraph och Systran började erbjuda översättningssystem för datorer vid decennieskiftet, och onlineöversättaren AltaVista Babel Fish (som drevs med Systran-teknik) lanserades på nätet 1997.

Trados

I Tyskland hade Jochen Hummel och Iko Knyphausen från Trados samarbetat med översättningslösningar sedan 1984. 1992 lanserade de Multiterm, en terminologidatabas för översättare. Som med de flesta system vid denna tidpunkt var det som erbjöds en intelligent databas, snarare än någon logisk analys på högre nivå.

1997 fick Trados GmbH ett stort uppsving när Microsoft beslutade att använda dess teknik för sina interna lokaliseringskrav. Sedan dess har företaget vuxit från klarhet till klarhet och erbjuder idag sitt SDL Trados Studio-paket till 270 000 översättare.

Plattformar för översättningsminnen

Utvecklingen av system för översättningsminnen var ett annat stort framsteg. För att påskynda översättningen av juridiska, medicinska och ekonomiska formella dokument skapar systemet en databas med vanliga termer och hämtar dessa när en liknande fras används, vilket säkerställer att det blir en välbeprövad och korrekt översättning.

Sådana system ”lär sig” endast i den meningen att de växer med användarnas kompetens och sparar fraser och terminologi. De kan inte översätta stilistiska nyanser eller idiom.

SDL Trados agerade snabbt för att införliva översättningsminnen i sina system för datorstödd översättning (CAT). Andra viktiga leverantörer av sådan programvara är WordFast (som grundades 2006) och på nätet har Google Translate blivit allmänt utbrett (andra plattformar som Gengo och Ackuna har också dykt upp).

Fördelen med att sådana system flyttades till internet var naturligtvis att de kunde utnyttja allt större databaser med översättningsfraser.

Maskinöversättning

I och med maskinöversättningen har förbättrad logik och specificerad kontext lagts till i arsenalen av tekniker som används för att få en tillförlitlig översättning. Ordbyten skulle skräddarsys för specifika miljöer och allt mer invecklade uppsättningar av språkliga regler skulle kunna tillämpas för att säkerställa att korrekta idiomatiska översättningar producerades.

Grammatikbaserad översättning, som är relativt oflexibel och regelbaserad, ersattes gradvis av en mer statistisk modell. Ett hybridsystem som kombinerar båda metoderna skulle dock kunna ge allt mer exakta översättningar.

Motorer för artificiell intelligens

På 2000-talet använder system för röstigenkänning, som Apples virtuella assistent Siri, algoritmer för taligenkänning för att identifiera talat språk och omvandla det till text. Det gör de genom att lära sig användarens idiolekt (unikt sätt att tala).

Neurala system för maskinöversättning (NMT) ”lär sig” på liknande sätt från enskilda delar av texten och integrerar allt genom artificiella neurala nätverk för att bygga upp en statistisk modell, utifrån vilken de erbjuder allt mer exakta översättningar. De skapar ett virtuellt neuralt nätverk som är tillräckligt intelligent för att fokusera på olika delar av en mening för att skapa en helhetsbild av dess innebörd, i stället för att översätta en enhet i taget.

Dessa system syftar till att förstå både ett språks grammatik och de enskilda användarnas stil. Google är för närvarande branschledande, men andra företag som Microsoft, Amazon och DeepL konkurrerar också om att erbjuda de mest människoliknande översättningarna, som sedan kan förbättras av en mänsklig lingvist i efterhand.

Eftersom röstigenkänning är så utbredd som den har blivit, och översättning blir allt viktigare för språk med betydande ortografiska skillnader (t.ex. engelska, mandarin och ryska), kommer AI-baserade neurala nätverk att fortsätta att vara ett viktigt forskningsområde under de kommande årtiondena.

error: Innehållet är skyddat

CE

Sök