Tłumaczenie maszynowe: szybciej, więcej, lepiej?

Koncepcja tłumaczenia maszynowego (MT, ang. machine translation) została sformułowana w 1947 r. przez Warrena Weavera, amerykańskiego kryptografa, który w liście do cybernetyka Norberta Wienera po raz pierwszy wspomniał o możliwości zastosowania dopiero co powstałych komputerów do tłumaczenia tekstów. 70 lat później dziedzina ta może się poszczycić wieloma osiągnięciami.

Ostatnio jakość przekładów maszynowych uległa znacznej poprawie dzięki pojawieniu się neuronowego tłumaczenia maszynowego (NMT, ang. neural machine translation), bazującego na technologii uczenia głębokiego (ang. deep learning). Działająca w branży tłumaczeniowej firma Translated opublikowała raport, z którego wynika, że jakość tłumaczeń maszynowych szybko zbliża się do poziomu tych wykonywanych przez człowieka i w ciągu najbliższych sześciu lat dorówna przekładom wykonywanym przez wysoko wykwalifikowanych tłumaczy.

Miara efektywności

Przez lata eksperci firmy doskonalili narzędzia oceny i monitorowania jakości tłumaczeń maszynowych, by w 2011 roku ostatecznie ustandaryzować swoją metodologię i ustalić wskaźnik, który nazwali „Time to Edit” (TTE), czyli czas na edycję obliczany jako całkowity czas, jakiego potrzebują najlepsi na świecie profesjonalni tłumacze na sprawdzenie i poprawienie tłumaczenia segmentu sugerowanego przez MT, podzielony przez liczbę słów składających się na ten segment. „Uważamy, że TTE jest najlepszym miernikiem jakości tłumaczenia – czytamy w raporcie. – W porównaniu z innymi metodami oceny jakości MT, TTE pozwala lepiej ocenić wysiłek kognitywny tłumacza podczas postedycji tłumaczonych treści”.

Specjaliści z Translated przez lata śledzili średni TTE. Badacze tłumaczenia maszynowego nie mieli wcześniej okazji pracować z tak dużymi ilościami danych zebranych w warunkach roboczych, obejmujących zapisy czasu potrzebnego do zredagowania ponad 2 miliardów propozycji MT przez dziesiątki tysięcy profesjonalnych tłumaczy na całym świecie. Tłumaczenia dotyczyły wielu dziedzin tematycznych, od literatury po tłumaczenia techniczne, a także tych, z którymi MT wciąż gorzej sobie radzi, jak transkrypcja mowy. Wniosek? Ilość czasu poświęcana przez tłumaczy na postedycję tłumaczeń maszynowych stale się zmniejsza.

Coraz bliżej perfekcji

Według opublikowanego raportu tłumaczenie „idealne” (czyli niewymagające żadnej postedycji) powinno mieć TTE równy jednej sekundzie, uwzględniając czas potrzebny tłumaczowi na przeczytanie i przetworzenie treści. W 2017 r. średni TTE dla MT wynosił około trzech sekund, jednak liczba ta systematycznie spada i wynosi obecnie nieco ponad 2 sekundy (jest to spadek o nieco ponad jedną dziesiątą sekundy rocznie). Eksperci z Translated przewidują, że jeśli ta tendencja się utrzyma, średni TTE dla tłumaczeń maszynowych osiągnie 1 sekundę około 2027 lub 2028 roku.

(źródło: https://translated.com/speed-to-singularity)

Czy sztuczna inteligencja zastąpi tłumaczy?

Eksperci z Translated kładą raczej nacisk na wzrost jakości wykonywanych tłumaczeń: dzięki rozwojowi technologii generującej przekłady z coraz mniejszą ilością błędów, tłumacze będą dokonywali mniejszej ilości poprawek, co pozwoli im wychwycić kwestie, których mogliby nie zauważyć w tekście w większym stopniu wymagającym korekty. „Maszyny nigdy nie zastąpią ludzi – uspokajają autorzy raportu – Sztuczna inteligencja już teraz stanowi cenne narzędzie pracy dla specjalistów zajmujących się tłumaczeniami, pomagając generować więcej treści na wyższym poziomie”.

Spory językowe  

W wielu sytuacjach tłumaczenie maszynowe nie zastąpi człowieka, na przykład jeśli chodzi o egzekwowanie prawa. Gdy na parkingu przed jednym z amerykańskich supermarketów doszło do szarpaniny, przypadkowy przechodzień wyciągnął broń (jak później twierdził, w dobrej wierze), aby zapobiec dalszej eskalacji. Liczył, że nastraszy uczestników bójki, którzy się rozejdą, ci jednak wezwali policję. Po przybyciu na miejsce zdarzenia funkcjonariusze chcieli przesłuchać samozwańczego rozjemcę, lecz ten nie mówił dobrze po angielsku. Mimo to policjanci posłużyli się darmową aplikacją do tłumaczenia maszynowego i na podstawie uzyskanych odpowiedzi stwierdzili, że mają wystarczające dowody, aby go aresztować i postawić przed sądem.

Do uniewinnienia oskarżonego przyczynił się David Utrilla, dyrektor generalny firmy US Translation Company z siedzibą w Salt Lake City, wezwany na rozprawę jako ekspert. Zwrócił on uwagę sądu na pułapki tłumaczenia maszynowego, wyjaśniając, że tłumaczenie z wykorzystaniem technologii rozpoznawania mowy odbywa się w dwóch etapach: w pierwszym dane wejściowe są transkrybowane w języku źródłowym, a dopiero potem tłumaczone na język docelowy. Jeśli słowo w języku źródłowym nie zostanie prawidłowo transkrybowane, tłumaczenie nieprawidłowo odda sens zamierzony przez mówiącego. Co więcej, nawet bezbłędna transkrypcja nie gwarantuje bezbłędnego tłumaczenia. Utrilla podzielił się swoim doświadczeniem w poście na portalu LinkedIn – według niego przywołany przypadek stanowi doskonały dowód na to, że pomimo rewolucyjnych zmian w branży tłumacze nigdy nie przestaną być potrzebni.