Neuronale Netze:Die nächste Grenze der maschinellen Übersetzung vorantreiben

Der Artikel wurde von Rachel Wheeler geschrieben und eingereicht. 

Die Idee der maschinellen Übersetzung reicht viele Jahrzehnte zurück. Erstens war es nur ein System für regelbasierte maschinelle Übersetzungen. In den 1980er Jahren entwickelten Forscher dann statistische maschinelle Übersetzungen. Im 21. Jahrhundert wird der große Sprung in der maschinellen Übersetzungstechnologie vom maschinellen Lernen und der neuronalen Netzwerktechnologie ausgehen. 

In den letzten Jahren haben wir einige bedeutende Entwicklungen bei Übersetzungsfirmen beobachtet, die diese Technologien der künstlichen Intelligenz nutzen, um bessere maschinelle Übersetzungen bereitzustellen. Einige der beeindruckendsten Beispiele stammen von Systemen wie Google Neural Machine Translation (GNMT) und Microsofts Neural Translator.

Was ist eine neuronale maschinelle Übersetzung?

Maschinelle Übersetzungen sind bereits weit verbreitet, und das schon seit Jahren. Maschinelle Übersetzungssysteme finden Sie in einer Reihe beliebter Apps, und es gibt Online-Dienste, die maschinelle Übersetzungsdienste anbieten. Allerdings gibt es erhebliche Unterschiede zwischen den bereits verfügbaren Diensten und den Systemen, die zur Nutzung neuronaler Netze entwickelt werden.

Bei den meisten Systemen, die Sie derzeit finden, handelt es sich um statistische maschinelle Übersetzungen. Sie verwenden Algorithmen und statistische Modelle, um die richtige Übersetzung einer Phrase bestmöglich zu erraten. Bei kurzen Phrasen kann es gut funktionieren, stößt jedoch an seine Grenzen, wenn längere Beispiele übersetzt werden sollen, beispielsweise ein ganzes digitales Lehrbuch für eine E-Learning-Übersetzung. Das Ergebnis kann alles sein, von einer ziemlich genauen Interpretation bis hin zu einer Übersetzung, die völliges Kauderwelsch ist.

Neuronale maschinelle Übersetzungen stellen einen ganz anderen Ansatz dar als die älteren Systeme, die statistische maschinelle Übersetzungen verwenden. Mit einem NMT-System wird ein neuronales Netzwerk trainiert und optimiert, um Übersetzungsdienste durchzuführen.

Diese Systeme nutzen Deep Learning, um große Mengen an Übersetzungen zu analysieren, die bereits von menschlichen Übersetzern angefertigt wurden. Durch die Analyse dieses großen Datensatzes können ganze Sätze berücksichtigt, der Kontext und verschiedene Variationen verstanden und mit sprachlichen Feinheiten gearbeitet werden, die nicht in ein auf Statistiken basierendes Modell programmiert werden könnten. Das Endergebnis ist ein maschinelles Übersetzungssystem, das flüssiger und natürlicher ist.

Wie funktionieren neuronale Netze?

Der Schlüssel, um Maschinen diese Lernfähigkeit zu verleihen, ist das neuronale Netzwerk. Hierbei handelt es sich um eine Art Computertechnologie, die die Funktionsweise des menschlichen Gehirns nachahmen soll. Im Gehirn werden beim Lernen Nervenbahnen gebildet. Wenn der Weg nützlich und vorteilhaft ist, wird er stärker. Wenn es nicht die richtigen Ergebnisse liefert, wird es schwächer.

Die Idee hinter neuronalen Netzen besteht darin, die Vernetzung der Nervenbahnen im Gehirn zu simulieren. Mit diesem Design können Computer lernen, Muster erkennen und Entscheidungen treffen, ähnlich wie das menschliche Gehirn.

Künstliche neuronale Netze simulieren diese Struktur, indem sie über Dutzende bis Millionen künstlicher Neuronen verfügen, die als Einheiten bezeichnet werden. Diese Einheiten sind in Schichten angeordnet. Auf der einen Seite gibt es Eingabeeinheiten, die für den Empfang von Informationen konzipiert sind. Auf der gegenüberliegenden Seite befinden sich Ausgabeeinheiten, die die Reaktion auf die gelernten Informationen signalisieren.

Zwischen den Ebenen der Eingabe- und Ausgabeeinheiten befinden sich die verborgenen Einheiten. Dies sind die Schichten, aus denen der größte Teil des neuronalen Netzwerks besteht und die auch für die Herstellung der meisten Verbindungen verwendet werden.

Jeder Verbindung in einem neuronalen Netzwerk wird eine Gewichtung zugewiesen, um die Stärke der Verbindung zwischen den beiden Einheiten anzuzeigen. Das Gewicht kann positiv sein für eine Verbindung, die die andere Einheit erregt, oder es kann negativ sein für eine Verbindung, die die Wirkung der anderen Einheit unterdrückt. Je höher das Gewicht, desto größer ist der Einfluss der einen Einheit auf die andere in der Verbindung.

Neuronale Netze lernen, indem sie die erzeugte Ausgabe mit der gewünschten Ausgabe vergleichen. Auf der Eingabeseite werden dem System Informationen zugeführt. Es löst dann Verbindungen in versteckten Einheiten aus. Dies führt zu einer Verbindung mit der Abtriebsseite. Die tatsächlich vom Netzwerk erzeugte Ausgabe wird dann mit der gewünschten Ausgabe verglichen. Die Gewichte werden dann basierend auf der Differenz zwischen der erzeugten Ausgabe und der gewünschten Ausgabe geändert.

Bei maschinellen Übersetzungen macht die Struktur eines neuronalen Netzwerks das System anpassungsfähiger und in der Lage, komplexere Modelle zu verarbeiten als ein System, das auf Regeln und Statistiken basiert. Es kann auch aus seinen Erfahrungen lernen. Wenn es nicht die richtige Ausgabe liefert, lernt es aus dem Fehler und nimmt Anpassungen vor, um beim nächsten Mal effizienter zu arbeiten. 

Was bedeutet das für maschinelle Übersetzungen?

Neuronale maschinelle Übersetzung ist noch eine neue Technologie. Obwohl es sich noch in einem frühen Stadium befindet, liefert es bereits Ergebnisse, die den besten statistischen maschinellen Übersetzungssystemen überlegen sind. Allerdings haben wir noch einen langen Weg vor uns, bis neuronale maschinelle Übersetzungen mit einem erfahrenen menschlichen Übersetzer konkurrieren können.

Lesen Sie:Künstliche Intelligenz vs. maschinelles Lernen vs. Deep Learning

Die Weiterentwicklung der neuronalen maschinellen Übersetzung wird nicht von einem einzigen Unternehmen kommen. Es wird das Ergebnis mehrerer Fortschritte von Forschern verschiedener Organisationen und auf der ganzen Welt sein. Mit der Weiterentwicklung der Technologie wird NMT zu einem wichtigen Werkzeug für menschliche Übersetzer. Da der Bedarf an komplexen Übersetzungen wächst, werden Fachleute diese Systeme nutzen, um präzise Übersetzungen in kürzerer Zeit zu liefern und so der wachsenden Nachfrage gerecht zu werden.