ترجمه ماشینی چگونه کار می کند؛ از گوگل ترنسلیت تا مدل های زبانی

ترجمه ماشینی چهار بار عوض شد، هر بار چه چیزی

ترجمه ماشینی از یک ایده ساده شروع شد: اگر واژه نامه و قاعده های دستور را به کامپیوتر بدهیم، باید بتواند جمله بسازد. نسل اول دقیقا همین بود و آدم ها قاعده ها را با دست می نوشتند. خروجی اش قابل پیش بینی بود و هر جمله ای که نویسنده قاعده پیش بینی نکرده بود، آن را می شکست.

نسل دوم قاعده را کنار گذاشت و به آمار پناه برد. به جای اینکه به سیستم بگویند دستور چیست، حجم زیادی متن دوزبانه به آن دادند و گذاشتند خودش حساب کند کدام عبارت معمولا با کدام عبارت جفت می شود. جمله ها روان تر شدند و همچنان بوی ماشین می دادند، چون سیستم عبارت به عبارت کار می کرد و کل جمله را نمی دید.

نسل سوم همان جایی است که ترجمه ماشینی عمومی از حالت جوک درآمد. مدل های عصبی کل جمله را به یک نمایش عددی تبدیل می کنند و از روی همان، جمله مقصد را از نو تولید می کنند. نتیجه اش جمله هایی بود که ساختار درست داشتند و یک نفر می توانست بدون خنده بخواندشان.

نسل چهارم مدل زبانی است و تفاوتش با سه تای قبل جنسی است، نه درجه ای. سه نسل اول فقط یک کار بلد بودند. مدل زبانی یک مدل عمومی است که ترجمه یکی از کارهایش است، و مهم تر اینکه دستور می گیرد: می شود به آن گفت مخاطب کیست، لحن چه باشد، و کدام کلمه ها را دست نزند. این را هیچ کدام از سه نسل قبل نمی فهمیدند.

یک تصور غلط رایج را هم همین جا اصلاح کنیم: این چهار نسل جای هم را نگرفته اند. بخش بزرگی از ترجمه ماشینی که امروز در محصولات واقعی کار می کند هنوز عصبی است و نه مدل زبانی، و برای خیلی از کارها همان هم انتخاب درست است.

مدل زبانی واقعا کجا از ترجمه ماشینی کلاسیک جلو می زند

سه جا، و هر سه به یک چیز برمی گردند: مدل زبانی بیرون از جمله را هم می بیند.

اول بافت. یک ضمیر مبهم یا کلمه ای که دو معنی دارد، در ترجمه ماشینی کلاسیک به شانس واگذار می شود، چون سیستم فقط همان جمله را دارد. مدل زبانی می تواند بقیه پاراگراف را هم بخواند و اگر به آن بگویید متن درباره چیست، حدسش دیگر حدس نیست.

دوم لحن. به یک موتور ترجمه کلاسیک نمی شود گفت «این متن برای مشتری است و باید رسمی ولی گرم باشد». به مدل زبانی می شود و اثرش دیده می شود. همان بحث ثبت زبانی که در درس اول این مسیر گفتیم، اینجا برای اولین بار قابل دستور دادن شده.

سوم یکدستی اصطلاح در طول یک سند. اگر فهرست اصطلاح ها را به مدل بدهید، می شود خواست که در فصل هفتم هم همان معادلی را به کار ببرد که در فصل اول به کار برده. این همان چیزی است که سایت های چندزبانه بیشتر از هر چیز دیگری در آن شکست می خورند.

یک قید مهم روی هر سه: این ها قابلیت اند، نه رفتار پیش فرض. اگر بافت و لحن و فهرست اصطلاح را ندهید، مدل زبانی هم دقیقا مثل یک موتور کلاسیک رفتار می کند، فقط با جمله های روان تر. کسی که فقط متن را می چسباند و دکمه را می زند، از این نسل چیزی نمی گیرد جز روانی بیشتر.

کجا خطرناک تر از نسل قبل است

ترجمه ماشینی قدیمی وقتی خراب می کرد، معلوم بود. جمله می شکست، فعل جا می افتاد، و خواننده در یک نگاه می فهمید که این را ماشین نوشته و باید بازبینی شود. آن خطاها زشت بودند و همین زشتی خودش یک هشدار بود.

مدل زبانی این هشدار را برداشته. خطایش روان است. جمله درست، لحن مناسب، و وسطش یک اصطلاح که در آن رشته اصلا به کار نمی رود. کسی که آن رشته را نمی شناسد هیچ راهی ندارد که بفهمد، چون هیچ چیز در متن ناجور نیست.

خطرناک ترین شکلش اصطلاح سازی با اعتماد به نفس است. مدل به جای اینکه بگوید نمی داند، معادلی می سازد که ساختارش درست است و طنینش حرفه ای است و در هیچ منبعی وجود ندارد. در متن پزشکی و حقوقی، این دقیقا همان جایی است که خسارت مالی و انسانی به بار می آید. توضیح کامل تر این رفتار در درس توهم هوش مصنوعی آمده و در ترجمه شکل بدتری دارد، چون خواننده متن مقصد اصلا متن مبدا را ندارد که مقایسه کند.

موضع ما روشن است: برای متنی که فقط قرار است فهمیده شود، این نسل بهترین چیزی است که تا حالا داشته ایم. برای متنی که قرار است منتشر شود یا امضا شود، این نسل خطرش از نسل قبل بیشتر است، نه کمتر، دقیقا چون بازبین را خواب می کند.

کدام مدل واقعا فارسی را نام برده

«چندزبانه» یک ادعای بازاریابی است تا وقتی که سازنده فهرست زبان ها را چاپ کند. ما در دسته ترجمه بخش هوش مصنوعی این سایت همین را معیار گرفتیم و نتیجه اش دو ردیف است که هیچ کدام کامل نیستند.

یک طرف کوهر است. Command A Translate تنها مدلی در آن کاتالوگ است که سازنده اش صریحا آن را مدل ترجمه ماشینی خودش نامیده و ۲۳ زبانش را دانه دانه نوشته، و هر چهار زبان این سایت در آن فهرست اند. طرف دیگرش این است که پنجره متنش ۸ هزار توکن است، کوتاه ترین پنجره کل آن کاتالوگ، و قرارداد تجاری خود کوهر ایران را با اسم در تعریف Restricted Location نوشته. یعنی مدلی که فارسی را می شناسد، از ایران راه رسمی خریدی ندارد.

طرف دیگر متاست. لاما ۴ را با وزن باز می دهد و پروانه اش استفاده تجاری را اجازه می دهد، یعنی می شود گرفت و روی سرور خودتان اجرا کرد. فهرست زبانش دوازده تاست و بسته است: عربی هست، فارسی و ترکی نیست. و نسخه اسکات آن پنجره ده میلیون توکنی دارد.

این وارونگی را نگه دارید، چون شکل هر پروژه ترجمه سایت را تعیین می کند. مدلی که زبان شما را نام برده جا برای چند صفحه دارد و مدلی که نام نبرده جا برای یک کتاب. نتیجه عملی اش این است که سایت را صفحه به صفحه ترجمه می کنید و نه در یک نوبت، و اگر می خواهید یک سند بلند یکجا برود، دارید آگاهانه مدلی را انتخاب می کنید که برای ترجمه ساخته نشده و زبانتان را هم اعلام نکرده.

یک نکته پروانه ای هم هست که خیلی ها دیر می فهمند: باز بودن وزن با آزاد بودن استفاده یکی نیست. مدلی مثل آیا اکسپنس وزنش منتشر شده و زبان ها را هم نام برده، ولی پروانه اش استفاده غیرتجاری است؛ اگر با آن سایت مشتری را ترجمه کنید و پول بگیرید، پروانه را نقض کرده اید.

برای یک سایت چندزبانه این ها یعنی چه

سه نتیجه عملی، و هیچ کدامشان به بهترین مدل ربطی ندارد.

یکی اینکه واحد کار شما صفحه است و نه سایت. پنجره کوتاه مدل های ترجمه اختصاصی این را تحمیل می کند و از قضا برای بازبینی هم بهتر است، چون خطای یک صفحه در همان صفحه پیدا می شود. دوم اینکه فهرست اصطلاح باید قبل از صفحه اول نوشته شود و در هر فراخوانی همراه متن برود، وگرنه یکدستی که در بخش دوم گفتیم اتفاق نمی افتد. سوم اینکه بازبینی انسانی روی صفحه هایی متمرکز می شود که تصمیم یا پول از آنها رد می شود، نه روی همه صفحه ها به یک اندازه.

و یک حرف صادقانه که کمتر جایی نوشته می شود. هیچ کدام از سازنده هایی که در آن دسته بررسی کردیم عدد قابل استنادی برای کیفیت ترجمه مدلشان منتشر نکرده اند. کوهر می نویسد Command A Translate مدل ترجمه پیشرفته اوست و هیچ نمره ای چاپ نمی کند؛ بقیه هم نمی کنند. پس هر جدولی که در فارسی ادعا کند «بهترین هوش مصنوعی ترجمه» را رتبه بندی کرده، یا از سنجه بیرونی استفاده کرده و باید بگوید کدام، یا عددش را از خودش درآورده.

ما هم همین را درباره خودمان می گوییم: آن دسته می گوید کدام سازنده زبان شما را در فهرست همان مدل نوشته است، و نه اینکه ترجمه اش چقدر طبیعی درمی آید. برای فهمیدن دومی باید خروجی را خواند، و آن کار دیگری است که ادعایش را نکرده ایم.