Gandrīz ikviens ir izmantojis kādu no mašīntulkošanas servisiem vai tas būtu Google Translate, Tildes tulkotājs vai arī kāds cits mākoņtulkošanas pakalpojums. Reizēm tulkošanas rezultāti ir visai apmierinoši, bet dažkārt tekstu nākas rūpīgi vai pat pilnībā pārstrādāt, lai tulkojums būtu izmantojums. Pīters Norvigs (Peter Norvig), Google Inc. Izpētes direktors un Stenfordas Universitātes doktors, atklāj dažus noslēpumus, kā līdz mums nonāk mašīntulkojums.
Lai noskatītos video materiālu ar subtitriem latviešu valodā, piespiediet pogu "CC" (video loga apakšējā daļā), pavelciet uz leju sānjoslas pogu (tumši sarkanā krāsā) un izvēlieties "Latvian - Latvian via dotsub", kā tas redzams zemāk pievienotajā attēlā.
Video materiāla transkripcija latviešu valodā:
Mēs jau esam iepazinušies ar Mākslīgā intelekta (MI) kursa ievaddaļu. Dzirdējuši par dažādām vides īpašībām, kā arī aplūkojuši atsevišķu aģentu uzbūvi. Tagad es jums vēlētos nedaudz pastāstīt par MI pielietojumu praksē. Man un Sebastianam Tranam (P.N. līdzstrādnieks) šajā jomā ir uzkrāta liela pieredze strādājot tādās vietās kā Google, NASA un šeit Stenfordā, un es vēlētos nedaudz ar jums padalīties savās zināšanās. Viena no lielākajām MI tehnoloģijas pielietošanas veiksmēm Google vēsturē ir bijusi mašīntulkošanas sistēmas izveide. Ekrānā redzams teksts, kurš automātiski pārtulkots no itāļu valodas angļu valodā. Šobrīd šīs sistēmas ir pieejamas lietošanai 50 dažādām valodām, un mēs varam veikt tulkošanu no jebkuras no šīm valodām jebkurā citā valodā. Kopā pastāv vairāk nekā 2,500 sistēmas, un mēs tās esam izveidojuši, drīzāk izmantojot mašīnu mācīšanās tehnikas jeb MI tehnikas, nekā šīs sistēmas būvējot manuāli.
Mēs to darām sekojoši. Mēs paņemam viena teksta paraugu 2 valodās. Piemēram, atrodam avīzi, kura tiek drukāta itāļu un angļu valodā, tādā veidā iegūstot nepieciešamos tulkojumus. Ja kāds izsūtīs pieprasījumu pēc šī konkrētā raksta tulkojuma, mēs to interesentam varēsim nodrošināt. Tomēr šāda sakritība būs retums. Visticamāk, ka pieprasījuma atbilstība būs tikai daļēja. Šeit ir daži vārdi, ar kuriem mēs jau esam sastapušies iepriekš, un mums ir jāizlemj, kuri jau zināmie vārdi atbilst vārdiem tulkojamajā tekstā. Pārbaudot daudzus miljonus vārdu abās valodās un mēģinot noteikt atbilstību, mēs varam salikt kopā tulkojumu. Ieraugot jaunu teksta paraugu pirmo reizi mēs varam veikt salīdzināšanu un meklēt atbilstību par pamatu ņemot pagātnē aplūkotos tekstus.
Līdz ar to uzdevums sastāv no divām daļām. Esot nesaistē (off-line), pirms redzam teksta paraugu, kuru jātulko, mēs vispirms izveidojam mūsu tulkošanas modeli. Mēs to darām analizējot mums pieejamos paraugus un cenšoties noskaidrot atbilstības likumības. Kad mēs saņemam pieprasījumu tulkot tekstu, mēs šo modeli izmantojam, lai piemeklētu visticamāko teksta tulkojumu.
Kā tas izskatās realitātē? Palūkosimies uz to, izmantojot par piemēru kāda teksta paraugu. Lai modeļa ideja būtu vieglāk uztverama, paņemsim kādu vienkāršāku piemēru. Šim nolūkam izmantosim ķīniešu valodas tekstu. Šeit ir redzams bilingvāls teksts. Dažādus tekstu paraugus var atrast tīmeklī. Šo piemēru Ādams Lopess atrada ķīniešu restorānā. Kā redzams šajā gadījumā, teksta rindiņa ķīniešu valodā atbilst teksta rindiņai angļu valodā. Šī atbilstība saglabājas visa teksta garumā. Pētot šos tekstus mēs varam noskaidrot atsevišķu ķīniešu vārdu vai nelielu frāžu atbilstību vārdiem vai frāzēm angļu valodā. Es šo procesu esmu uzsācis atzīmējot vārdu "wonton" angļu valodā. Tas tekstā parādās 3 reizes. Katrā no šī teksta rindiņām redzama arī atbilstoša rakstzīme, un tās ir vienīgās vietas ķīniešu tekstā, kur šī rakstzīme parādās. Tāpēc ar lielu varbūtību iespējams secināt, ka šī rakstzīme ķīniešu valodā atbilst vārdam "wonton" angļu valodā. Palūkosimies, vai mēs varam izsecināt ko vairāk. Mans jautājums ir: kura rakstzīme vai rakstzīmes ķīniešu valodā atbilst vārdam "chicken" angļu valodā? Vārds "chicken" tekstā parādās šajās vietās. Uzklikšķiniet uz rakstzīmes vai rakstzīmēm ķīniešu valodā, kuras atbilst vārdam "chicken".
