DANIELIUS ALGIRDAS RALYS

Vilniuská univerzita

STROJOVÝ PŘEKLAD DO LITEVŠTINY¹

KLÍČOVÁ SLOVA: litevština, dějiny, počítačová lingvistika, strojový překlad, neuronové sítě, umělá inteligence.

ÚVOD

Dnes počítače překládají stále více textů. Takový automatický počítačový překlad se obvykle nazývá strojový překlad (MV). Strojový překlad se zpravidla provádí s cílem co nejrychleji se zorientovat v obrovském proudu vícejazyčných informací a také s cílem co nejšířeji šířit vlastní informace. Výměna elektronických informací mezi národy a jazyky se stává důležitou součástí každodenního života, otevírá našemu jazyku nové možnosti a přináší mu nové výzvy a problémy.

Termín „strojový překlad“ (angl. machine translation) použil jako první v polovině minulého století Warren Weaver, který navrhl využít právě vznikající počítače k překladu textů (Weaver 1949: 1). W. Weaver navrhoval pohlížet na text napsaný v jiném jazyce jako na šifrogram, který lze dekódovat. Kryptografické úspěchy britských a amerických odborníků v nedávno skončené druhé světové válce podněcovaly optimismus. Tehdy se upřímně věřilo, že elektronické stroje za několik let pomohou překonat prokletí babylonské věže.

Překlad se bohužel zdokonaloval pomalu a kvalita strojového překladu se ani zdaleka nevyrovnala kvalitě lidského překladu. Po sedmdesáti letech, po nepochybných úspěších i zklamáních a po mnoha vykonané práci v komunitě strojového překladu opět převládá optimistická nálada. Tentokrát se naděje vkládají do umělých neuronových sítí a rychlého pokroku ve vývoji umělé inteligence.

Strojový překlad neobešel ani litevštinu. Dnes snadno dostupné online nástroje pro strojový překlad překládají z nejrozšířenějších jazyků do litevštiny a naopak. Kvalita překladu většiny nástrojů je stále poměrně nízká, jejich překlady je nutné redigovat. Lepší kvalitou se vyznačuje pouze překladový nástroj Google Translate², v němž se začaly používat

¹ Článek byl připraven na základě příspěvku „Strojový překlad do litevštiny“, předneseného ve Vilniusu na 24. mezinárodní konferenci Jonase Jablonskise „Digitální jazykové zdroje, směry jejich rozvoje a možnosti využití“ dne 29. září 2017.

² Dostupné online https://translate.google.com.

BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 2

technologie neuronového překladu. Většina vět přeložených tímto nástrojem si zachovává význam, který měly v původním jazyce.

Strojový překlad se široce využívá k šíření informací v jiných jazycích. Výsledky strojového překladu se často nezodpovědně vkládají do elektronického prostoru zcela bez redakčních úprav. Důsledky takového jednání jsou již patrné: internet se jen hemží nekvalitními litevskými texty se zkreslenými informacemi, které automaticky vytvořil ten či onen program strojového překladu³. Postupně mohou takové texty proniknout i do korpusů. Strojový překlad se již stal každodenní realitou, někdy překvapivou a jindy do očí bijící, která si zaslouží nejen pozornější zájem jazykovědců, ale také jejich výraznější zapojení do rozvoje strojového překladu.

Tento článek stručně představuje dějiny strojového překladu (MV) a některé myšlenky, které ovlivnily jeho vývoj. Uvádí výsledky, jichž různé překladové technologie dosáhly u litevštiny. Analyzuje možnosti uplatnění strojového překladu pro litevštinu pomocí pravidlových, statistických a neuronových metod. Z důvodu nedostatku prostoru nejsou požadovány pokusy o spojení několika těchto metod v jednom překladovém systému.

1. POČÁTKY STROJOVÉHO PŘEKLADU

Dobrý překlad z jiného jazyka je pro člověka vždy určitou intelektuální výzvou a překládání nikdy nebylo snadnou činností. Není divu, že se lidé snažili překlad nějak automatizovat. V letech 1932–1935 vynalezl a sestrojil ve Francii inženýr Georges Artsrouni univerzální mechanické zařízení, které nazýval mechanickým mozkem (franc. cerveau mécanique); kromě jiných funkcí dokázalo překládat zadávaný text do několika jazyků (Hutchins 2004a: 12). V tomto elektromechanickém zařízení se otáčela dlouhá paměťová páska (až 40 metrů), vyrobená z pružného kartonu. Byl na ní zapsán vícejazyčný slovník, který mohl obsahovat i několik desítek tisíc slov. Francouzské slovo zadané na klávesnici se mechanicky zakódovalo a podle tohoto kódu se paměťová páska otočila na příslušné místo. Po několika sekundách zařízení zobrazilo překlad zadaného slova (Daumas 1965: 294–295). Zařízení bylo předvedeno na světové výstavě v Paříži v roce 1937, vzbudilo velký zájem a získalo Velkou cenu. Ve skutečnosti šlo o první na světě

³ Jonathan Swift ve svých Gulliverových cestách sarkasticky popisuje stroj skládající nesmyslné kombinace slov, které se neustále pečlivě zapisovaly do knih. Dnes lze stejně bezcenný výtvor vytvořit mnohem rychleji...

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 3

funkční mechanický slovník. G. Artsrouni své zařízení později dále zdokonaloval, avšak mechanické problémy a vypuknutí druhé světové války práci přerušily.

V roce 1933 získal v Sovětském svazu Pjotr Smirnov-Trojanskij autorské osvědčení na elektromechanický překladový stroj⁴. Ačkoli tento stroj nebyl nikdy vyroben, vynálezce formuloval mnoho cenných myšlenek o strojovém překladu, které byly realizovány až o mnoho let později, po nástupu počítačů. P. Smirnov-Trojanskij mluvil rusky, a dobře proto chápal vlastnosti flektivních jazyků. Navrhl rozdělit překladový proces do tří etap: v první etapě má člověk převést text na lemmata a opatřit je morfologicko-syntaktickými značkami (etapa analýzy); ve druhé etapě pak stroj automaticky vyhledá lemmata jednoho či více cílových jazyků a přiřadí jim stejné značky (etapa transformace); ve třetí etapě má redaktor podle překladových lemmat a jejich značek připravit plynulý překladový text (etapa generování). P. Smirnov-Trojanskij navrhoval také různé metody překladu synonym, homonym a idiomů. Myšlenky P. Smirnova-Trojanského nebyly v jeho vlasti doceněny a on sám se počítačové éry nedožil⁵, jeho vynálezecké myšlenky však neupadly v zapomnění a později se staly známými i na Západě.

Éra praktického strojového překladu začala s nástupem počítačů. V roce 1947 se W. Weaver dopisem obrátil na geniálního lingvistu a tvůrce počítačů Norberta Wienera s otázkou, zda lze nejnovější poznatky kryptografie a právě vzniklé počítače⁶ využít k překladu jazyků. W. Weaver tvrdil, že jakýkoli ruský text lze považovat za anglickou zprávu zakódovanou cyrilicí. Zdálo se mu, že počítače mohou tuto zprávu jednoduše rozluštit. Odpověď N. Wienera byla bohužel skeptická.

V roce 1949 rozeslal W. Weaver širšímu okruhu adresátů memorandum, v němž navrhl využít počítače k překladu textů (Weaver 1949: 7)⁷. V té době v různých amerických a britských laboratořích převládaly představy o jednoduchém doslovném strojovém překladu. Vědec byl přesvědčen, že počítače mohou překládat mnohem lépe. V memorandu W. Weaver navrhl čtyři směry řešení a výzkumu překladatelských problémů. Především navrhl statisticky analyzovat bezprostřední okolí překládaného slova, a tak řešit problémy polysémie. Tento postřeh dnes tvoří základ statistického strojového překladu. Druhý návrh vycházel z předpokladu, že v jazyce

⁴ V autorském osvědčení se toto zařízení nazývá „stroj pro výběr a tisk slov při překladu z jednoho jazyka do jiného nebo do několika jazyků současně“.

⁵ P. Smirnov-Trojanskij zemřel v roce 1950.

⁶ První britský elektronický počítač Colossus začal fungovat na začátku roku 1944, první americký elektronický digitální počítač ENIAC byl dokončen na konci roku 1945. První sovětský počítač MESM byl vyroben v roce 1950.

⁷ V tomto memorandu W. Weaver použil termín strojový překlad (angl. machine translation), který se brzy vžil.

BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 4

obsahuje logické prvky, a proto by při použití modelů neuronových sítí (McCulloch, Pitts 1943: 115–133) mělo být možné dedukovat překlad z předpokladů obsažených v původním jazyce. Čas ukázal genialitu tohoto postřehu – dnes překládá nejkvalitněji metoda neuronového strojového překladu. Třetí směr řešení problémů by mělo představovat použití kryptografických metod při překladu mezi jazyky. O čtyřicet let později se to uskutečnilo v algoritmech statistického strojového překladu. Čtvrtý návrh W. Weaver ilustroval alegorickým obrazem, na němž lidé žijí ve vysokých uzavřených věžích symbolizujících různé jazyky. Lidem se jakž takž daří komunikovat voláním přes silné stěny věží. Naštěstí mají věže společný základ a podzemí; stačí tam sestoupit a komunikace by pak měla být snazší. W. Weaver tvrdil, že v jazycích světa se skrývá určitá společná hlubinná struktura, kterou bude ještě třeba odhalit. Tento poslední návrh vědce podnítil k hledání a vytváření univerzálního jazyka – interlingvy strojového překladu⁸.

Po memorandu W. Weavera se strojový překlad záhy rozběhl. V roce 1954 byl v New Yorku veřejně předveden systém strojového překladu vytvořený ve spolupráci společnosti IBM a Georgetownské univerzity. Překládalo se z ruštiny do angličtiny. Systém obsahoval pouze šest gramatických pravidel a k překladu se používalo přibližně 250 slov (Hutchins 2004b: 102). Systém byl zaměřen na tematiku organické chemie a příklady překladů byly předem pečlivě promyšleny. Po experimentu se doufalo, že za několik let budou stroje překládat dokonale, a na pokračování prací bylo přiděleno štědré financování. Strojový překlad se začal rychle rozvíjet ve Spojených státech amerických (USA) a Sovětském svazu ve snaze získat strategickou výhodu ve studené válce. Nejoblíbenějšími překládanými jazyky byly ruština a angličtina.

2. PRAVIDLOVÝ STROJOVÝ PŘEKLAD

V polovině padesátých let minulého století se objevily systémy strojového (počítačového) překladu, kterým se začalo říkat pravidlové (angl. rule-based). Vycházely z předpokladu, že jazyk lze popsat pomocí souboru určitých pravidel (včetně gramatických). Při použití této metody se věta ve výchozím jazyce analyzuje do určité zvolené úrovně, určí se její struktura, která se podle vytvořených pravidel transformuje na ekvivalentní strukturu v cílovém jazyce, podle níž se vygeneruje věta v cílovém jazyce. Struktury vět v různých jazycích se mohou značně lišit a mít různé vlastnosti, které musí být v systému strojového překladu zohledněny.

⁸ Nemělo by se zaměňovat s interlingvami přirozených jazyků – esperantem, idem, volapükem apod.

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 5

systému. Problematikou znázornění syntaktických struktur litevské věty způsobem vhodným pro strojový překlad se zabývala Daiva Šveikauskienė (2005: 411–417). Existují různé varianty pravidlových systémů strojového překladu, které se liší hloubkou analýzy (obr. 1⁹). Čím hlubší je analýza věty, tím jednodušší je transformace. V ideálním případě by při analýze textu až na úroveň interlingvy nebyla nutná žádná transformace – interlingvní reprezentace textu by měla být ve všech jazycích stejná.

OBR. 1. Vauquoisův trojúhelník pravidlového strojového překladu

Problémy pravidlového strojového překladu se řešily jak empirickými, tak lingvistickými metodami. V empirickém táboře byla nejrozšířenější metoda přímého překladu. Při tomto způsobu překladu se mezi dvěma jazyky používá pouze slovník a jednoduchá programová pravidla; analýza jazyků ani syntaktická reorganizace se prakticky neprovádí (tato metoda odpovídá nejnižší úrovni na obr. 1). Ve Spojených státech v padesátých letech minulého století vytvářela výzkumná skupina vedená Erwinem Reiflerem speciální slovníky pro strojový překlad, v nichž byly vedle lexikálních ekvivalentů uvedeny také místní pravidla změny slovosledu. Uváděly se také překlady mnoha frází a obecné pojmy (angl. cover terms), které měly pomoci řešit problémy polysémie. V roce 1964 byl uveden do provozu Mark II, systém přímého překladu z ruštiny do angličtiny vytvořený na zakázku amerického letectva. Využíval slovník E. Reiflera obsahující více než 170 000 slov (Reifler 1960: 312).

Lingvistické metody se ve větší míře uplatňovaly na Georgetownské univerzitě, kde se soustředily početné týmy výzkumníků strojového překladu rozdělené do několika skupin používajících různé metody.

⁹ Taková znázornění se často nazývají Vauquoisův trojúhelník; tuto metodu znázornění navrhl francouzský průkopník strojového překladu Bernard Vauquois (1976: 335).

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 6

skupin. Ve skupině vedené Michaelem Zarechnakem byl vytvořen systém Georgetown Automatic Translation (angl. GAT – Georgetown Automatic Translation). Prováděla se v něm analýza na třech úrovních: morfologická (zahrnující také identifikaci idiomů), syntaktická a syntagmatická. Upravený systém GAT se začal úspěšně používat v Euratomu (v Ispře v Itálii) v roce 1963 a v Komisi pro atomovou energii USA v roce 1964. Vytvoření systému strojového překladu založeného na interlingvě trvalo mnohem déle. Systém strojového překladu KANT s komerční hodnotou se objevil až v posledním desetiletí minulého století (Mitamura et al. 1991: 105–118). Systém se používal k překladu některých technických textů. Interlingva k vyjadřování obecného jazyka vytvořena nebyla.

Po celé desetiletí následující po prezentaci systému strojového překladu IBM–Georgetown se usilovalo o zásadní zlepšení kvality strojového překladu¹⁰, avšak pokrok byl velmi malý. V roce 1966 byl v USA založen výbor ALPAC (angl. Automatic Language Processing Advisory Committee), který rozhodl, že strojový překlad nemá v blízké budoucnosti perspektivu, protože jeho kvalita je nízká a překladatel jej musí ještě redigovat, což zabere více času než překlad bez použití strojů. Výbor ALPAC opomněl skutečnost, že strojový překlad pomáhá překládat obrovské množství informací a že mnoha uživatelům vyhovuje nekvalitní překlad, který jen přibližně vystihuje smysl. Po negativních závěrech výboru bylo financování projektů strojového překladu v USA na několik desetiletí prakticky zastaveno a financování pokleslo i v dalších zemích.

Navzdory skeptickému postoji ke strojovému překladu v této oblasti neustále docházelo k pokroku. Systém strojového překladu SYSTRAN založený na pravidlech, jehož vývoj začal v USA v roce 1968 (Toma 1977: 569–581), byl průběžně zdokonalován a později se stal komerčním. Systém se začal používat na Ministerstvu obrany USA, v NASA, v Euratomu, v Evropské komisi a na mnoha dalších místech. Na základě obchodní dohody z roku 1975 získala Evropská komise právo systém zdokonalovat pro vlastní potřeby. Systém překládal poměrně dobře texty z některých oborů do mnoha jazyků. Od roku 2010 začal SYSTRAN využívat hybridní technologie. Dobře fungující systémy strojového překladu vznikly i v dalších zemích: ARIANE (v Grenoblu ve Francii), podobný systém MU (v Kjótu v Japonsku) a také SUSY (v Saarbrückenu v Německu). Evropský projekt EUROTRA (1982–1992), který stál více než 50 000 000 ECU¹¹, skončil neúspěchem – stovky odborníků nedokázaly vytvořit fungující systém strojového překladu. Tím začala vážná krize strojového překladu založeného na pravidlech. Po mnoho dalších let se pak přešlapovalo na místě.

¹⁰ V USA bylo během tohoto období na vývoj a zdokonalování systémů strojového překladu vynaloženo přibližně 20 milionů dolarů.

¹¹ Ve zprávě Komise Evropských společenství z roku 1994 (angl. CEC – Commission of the European Communities) byly uvedeny údaje o financování projektu EUROTRA – Komise na něj v letech 1982–1992 vyčlenila 37,5 milionu ECU (CEC 1994: 3.10), vlády různých zemí poskytly šestnácti centrům EUROTRA navíc více než 20 milionů ECU (CEC 1994: A4.2).

BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 7

Strojový překlad založený na pravidlech se v Litvě objevil až v tomto století. V letech 2003–2004 byl systém strojového překladu Česilko (Hajič et al. 2000: 10–12) přizpůsoben litevštině (Homola, Rimkutė 2004: 77–81). V tomto období Petras Homola a Erika Rimkutė zkoumali možnosti strojového překladu tohoto systému mezi češtinou a litevštinou. V letech 2005–2007 realizovala Univerzita Vytautase Velikého projekt „Internetový nástroj pro překlad informací“, financovaný ze Strukturálních fondů Evropské unie. Strukturu navrhovaného systému strojového překladu popsal Vidas Daudaravičius (2006: 7–18). Byl vytvořen veřejně dostupný internetový nástroj pro překlad z angličtiny do litevštiny¹². Překladový engine dodala ruská společnost PROMT. Část jazykových komponent systému byla připravena v Litvě. Systém výborně překládal pouze některé typy vět; kvalitní překlady tvořily menšinu. V roce 2007 bylo provedeno jazykové hodnocení tohoto systému strojového překladu (Rimkutė, Kovalevskaitė 2008: 257–264). Audronė Daubarienė a Greta Ziezvytė (2013: 55–61) posoudily, zda překlady systému strojového překladu Univerzity Vytautase Velikého splňují standardy textuality (De Beaugrande, Dressler 1981: 3). Ve své práci autorky zjistily, že zkoumané strojově překládané texty různých žánrů v důsledku četných sémantických chyb nesplňovaly požadavky koherence a některých dalších standardů textuality, a proto takové překlady nemohou být pro čtenáře přijatelné ani informativní.

S přibývajícími desetiletími a v podstatě přešlapováním na místě začalo být zřejmé, že jazyk je mimořádně složitý jev, který lze jen velmi obtížně popsat pomocí pravidel. K řešení problémů víceznačnosti a překladu anafor se navrhovalo využívat extralingvistické informace o uspořádání světa a jeho logice (Bar-Hillel 1958: 197–207). Takové systematizované informace však jednoduše neexistovaly a formální popis významu textu se jevil jako obtížnější úkol než samotný překlad. Bylo zřejmé, že problémy strojového překladu vyžadují revoluční řešení.

2. STATISTICKÝ STROJOVÝ PŘEKLAD

V roce 1988 navrhla skupina vědců IBM (Brown et al. 1988: 71–76), aby se při strojovém překladu využívaly informace obsažené v paralelních korpusech při hledání nejpravděpodobnějších variant překladu. Navržený model překladu vychází z předpokladu, že v zašuměném kanálu dochází ke změně věty v původním jazyce f na větu e v cílovém jazyce. Šum v kanálu statisticky zkresluje větu v původním jazyce f, takže na výstupu kanálu můžeme získat různé věty e nejrůznější délky, které mají v cílovém jazyce ten či onen význam, případně nemají žádný. Protože se kanál snaží překládat správně, správné varianty překladu stále častěji pronikají přes šum.

¹² Přístup online http://vertimas.vdu.lt/twsas/.

BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 8

V tomto modelu se předpokládá, že když je do kanálu vyslána věta f, nejvhodnější překladová varianta ê ze všech e je ta, jejíž podmíněná pravděpodobnost výskytu na výstupu kanálu p(e|f) je nejvyšší, tedy

ê = argmax_e p(e|f).

Zde se setkáváme s problémem, že pro nalezení nejlepší překladové varianty ê je třeba prohlédnout nejen všechny možné věty v cílovém jazyce, ale také nejrůznější permutace slov v nich. Spočítat takový počet pravděpodobností je velmi obtížné. Po aplikaci Bayesovy věty dostaneme ekvivalentní výraz, který lze snadněji vypočítat (Koehn a kol. 2003: 127):

argmax_e p(e|f) = argmax_e p(f|e) p(e)

Ši lygtis yra pamatinė statistinio mašininio vertimo lygtis (Brown ir kt. 1993). Joje sąlyginė tikimybė p(f|e) parodo tikimybę, kad kanalu buvo pasiųstas sakinys f, jei išėjime pasirodė sakinys e. Šis lygties narys vadinamas vertimo modeliu, kuris apskaičiuojamas iš dvikalbių tekstynų. Antrasis lygties narys p(e) parodo sakinio e tikimybę vertimo kalboje. Šis narys aprašo kalbos modelį, kuris apskaičiuojamas iš vienkalbių vertimo kalbos tekstynų¹³.

OBR. 2. Vauquoisův trojúhelník statistického strojového překladu

Metoda překladu navržená vědci z IBM začala z hlediska kvality překladu okamžitě konkurovat pravidlovému překladu. Vývojáře statistických systémů strojového překladu fascinovala možnost překládat do mnoha jazyků, aniž by měli znalosti o překladu nebo gramatice; stačilo systémy, které vyvíjeli, natrénovat na dostupných korpusech. Při klasickém statistickém překladu se neprovádí žádná

¹³ Jazykový model snižuje rozsah výpočtů, protože umožňuje okamžitě vyřadit věty, které se v korpusech nevyskytují, pomáhá vybrat nejplynulejší překlad a také nepřímo ukazuje, proč beletrii lépe překládá překladatel(ka), jehož (jejíž) rodným jazykem je cílový jazyk.

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 9

analýza vět ve zdrojovém jazyce ani syntéza vět v cílovém jazyce (obr. 2); překládá se pouze na základě pravděpodobností stanovených během trénování systému. Modely uspořádání pěti slov v překladech, které navrhli Peter Brown a jeho kolegové, nebyly dostatečně flexibilní: umožňovaly přeložit slovo ze zdrojového jazyka jedním nebo několika slovy, případně je nepřeložit vůbec. V roce 2003 byl navržen flexibilnější model strojového překladu (P. Koehn a kol. 2003: 127–133), který dokázal překládat i fráze ze zdrojového jazyka.

V tomto období se rychle zdokonalovaly metody automatického hodnocení kvality strojového překladu, protože bylo velmi důležité rychle zjistit, která verze dolaďovaného systému strojového překladu překládá nejlépe. Cílem bylo také, aby takové hodnocení umožnilo objektivně porovnat kvalitu překladu různých systémů. Postupem času se jednou z nejoblíbenějších metrik stala BLEU (akronym z anglického bilingual evaluation understudy) (Papineni a kol. 2002: 311–318), která automaticky porovnává, nakolik se text strojového překladu liší od lidského překladu. Tato metrika nezohledňuje srozumitelnost textu ani gramatickou správnost; počítá pouze přesně shodná slova nebo fráze. Při výpočtu metriky mají shodné fráze relativně vyšší statistickou váhu než jednotlivá shodná slova. V závislosti na úloze se k hodnocení kvality strojového překladu často používají i jiné metriky s různými žádoucími vlastnostmi: F-measure, METEOR (Banerjee, Lavie 2005: 62–72), NIST (Doddington 2002: 138–145), TER (Snover a kol. 2006: 223–231) a mnoho dalších.

Navzdory popularitě statistického strojového překladu se stále zřetelněji ukazovala omezení této metody při překladu do morfologicky bohatých (flektivních) jazyků. V paralelních korpusech flektivních jazyků obvykle nejsou zastoupeny všechny možné podoby frází, a dokonce ani méně časté tvary jednotlivých slov. Pokud některé možné tvary nebyly zahrnuty do trénování systému strojového překladu, nebudou se tyto tvary ani překládat. Tuto nevýhodu klasického strojového překladu způsobuje nedostatek dat, v jehož důsledku vzniká po natrénování systému řídká matice překladových pravděpodobností. Ve snaze tuto nevýhodu překonat navrhli Philipp Koehn a Hieu Hoang faktorizovaný statistický strojový překlad (Koehn, Hoang 2007a: 868–876). Navrhli do překladového systému začlenit další lingvistické informace tak, že se paralelní korpusy anotují značkami lingvistické analýzy a následně se použijí k natrénování systému. V roce 2007 představil P. Koehn se svými kolegy široké veřejnosti kompletní balík statistického strojového překladu Moses s otevřeným zdrojovým kódem (Koehn a kol. 2007b: 177–180). Použití faktorizovaného statistického strojového překladu mírně zlepšovalo kvalitu překladu flektivních jazyků, obvykle o 1–2 procentní body BLEU (Bojar 2007: 235–236; Skadinš a kol. 2010: 128–129).

Od 25. září 2008 začal statistický systém strojového překladu Google Translate překládat také do litevštiny. V letech 2012–2014 realizovala Vilniuská univerzita projekt Evropského unijního strukturálního fondu

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 10

financovaný projekt „Vytvoření systému strojového překladu mezi angličtinou, litevštinou a angličtinou a mezi francouzštinou, litevštinou a francouzštinou založeného na statistických metodách“. Většinu projektových prací provedla společnost UAB Tilde. Byl vytvořen systém strojového překladu ALPMAVIS a veřejnosti se zpřístupnila veřejná online služba statistického strojového překladu (https://www.versti.eu/)¹⁴. Podle údajů z testů provedených v roce 2014 překročily odhady kvality překladu textů obecného zaměření (v metrice BLEU) více než dvojnásobně výsledky litevského pravidlového překladu a prakticky se vyrovnaly výsledkům překladového systému Google Translate. ALPMAVIS dokáže obzvlášť dobře překládat právní texty.

3. KVALITA STROJOVÉHO PŘEKLADU DO LITEVŠTINY

S nástupem nového jazykového jevu – litevských textů překládaných strojem – začalo být zajímavé hodnotit kvalitu takového překladu z hlediska spisovného jazyka. K hodnocení byl zvolen text obecného zaměření, protože lépe odráží spisovný jazyk, a k měření kvality překladu byla použita metrika BLEU.

K otestování kvality překladu byl zvolen text obecného zaměření zveřejněný na internetu¹⁵.

Výpočty BLEU byly provedeny na delším dokumentu, než jsou jeho níže uvedené ukázky, protože skóre BLEU na úrovni vět špatně koreluje s lidským hodnocením kvality (Kos, Bojar 2009: 140). Uvedené informace pomohou čtenáři pochopit, jak procentní skóre BLEU CI (vypočítávané bez rozlišování velkých a malých písmen) souvisí s kvalitou strojového překladu. Čtenář si na druhou stranu může i bez pohledu na čísla sám udělat představu o tom, jak překládají systémy strojového překladu fungující podle dříve popsaných modelů.

Níže jsou uvedeny varianty překladu téhož původního textu získané použitím různých překladových metod. Před přeloženým textem se uvádí překladová metoda, datum překladu na internetu a procentní skóre BLEU CI.

Původní text v angličtině:

Každý chce žít dlouhý, šťastný a zdravý život a vědci dělají vše pro to, aby to bylo možné. Zabývají se některými z hlavních současných zdravotních problémů i nově se objevujícími hrozbami, jako je rostoucí dopad Alzheimerovy choroby, cukrovky a „superbakterií“ odolných vůči antibiotikům. Investice do zdravotnického výzkumu a inovací nám pomohou zůstat aktivní, vyvíjet nové, bezpečnější a účinnější léčebné postupy a přispět k zachování našich zdravotnických a pečovatelských systémů

¹⁴ ALPMAVIS je rovněž dostupný prostřednictvím integrovaného informačního systému litevských jazykových a písemných zdrojů Raštija.lt (www.raštija.lt).

¹⁵ Iš programos HORIZON 2020. Europos Komisijos Mokslinių tyrimų ir inovacijų generalinis direktoratas 2014.

BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 11

životaschopné. Lékařům poskytne nástroje, které potřebují k personalizovanější medicíně, a posílí prevenci a léčbu chronických a infekčních onemocnění.

Překlad provedený překladatelem:

Každý chce žít dlouhý a šťastný život, být zdravý a vědci se ze všech sil snaží, aby to bylo možné. Pokoušejí se vyřešit některé z nejzávažnějších současných zdravotních problémů a hrozeb pro zdraví, například stále rostoucí problémy způsobené Alzheimerovou chorobou, cukrovkou a mikroorganismy odolnými vůči antibiotikům. Investice do zdravotnického výzkumu a inovací nám pomohou zůstat aktivní, vyvíjet nové, bezpečnější a účinnější způsoby léčby a udržet naše systémy zdravotní péče životaschopné. Lékařům poskytnou nástroje nezbytné k výběru léčiv podle individuálních potřeb pacientů; kromě toho přispějí k prevenci a léčbě chronických a infekčních onemocnění.

Pravidlový strojový překlad VDU, 19. 9. 2014, BLEU – 8,54:

Každý chce dlouhý, šťastný a zdravý život a vědci se snaží, aby to bylo možné. Řeší některé z hlavních aktuálních zdravotních problémů i nově se objevující hrozby, jako je rostoucí dopad Alzheimerovy choroby, cukrovky a antibiotikům odolných „superbacilů“. Investice do zdravotnického výzkumu a inovací nám pomohou zůstat aktivní, vyvíjet nové, bezpečnější a účinnější způsoby léčby a pomohou udržet naše zdravotnické systémy životaschopné. Lékařům poskytnou nástroje, které potřebují k personalizovanější medicíně, a posílí prevenci a léčbu chronických a infekčních onemocnění.

Statistický strojový překlad ALPMAVIS, 19. 9. 2014, BLEU – 17,59:

Každý chce dlouhý, šťastný a zdravý život a vědci se snaží, aby to bylo možné. Zabývají se některými z hlavních zdravotních problémů a nově se objevujícími hrozbami, například rostoucím dopadem Alzheimerovy choroby, cukrovky a antibiotikům odolných „superbugů“. Investice do zdravotnického výzkumu a inovací nám pomohou zůstat aktivní, vyvíjet nové, bezpečnější a účinnější způsoby léčby a pomohou udržet systémy zdravotní péče životaschopné. Lékařům poskytnou nástroje, které potřebují k personalizovanější medicíně, a podpoří prevenci a léčbu chronických a infekčních onemocnění.

Google statistický strojový překlad, 19. 9. 2014, BLEU – 17,10:

Každý z nás usiluje o dlouhý, zdravý a šťastný život a vědci se ze všech sil snaží, aby toho dosáhli. Zabývají se některými z hlavních zdravotních problémů i novými hrozbami, například rostoucím dopadem Alzheimerovy choroby, cukrovky a „superbacilů“ odolných vůči antibiotikům. Investice do zdravotnického výzkumu a inovací nám pomohou zůstat aktivní, vytvářet nové, bezpečnější a účinnější způsoby léčby a podporovat udržitelnost našich systémů zdravotní péče. Lékařům poskytnou nástroje potřebné k poskytování personalizovanější medicíny a umožní jim více se zaměřit na prevenci a léčbu infekčních a chronických onemocnění.

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351-7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 12

Microsoft Translator (Bing) statistický strojový překlad, 27. 9. 2017, BLEU −16,68:

Každý chce žít dlouhý, šťastný a zdravý život a vědci dělají vše pro to, aby to bylo možné. Bojují s některými hlavními současnými zdravotními problémy a také s novými hrozbami, jako jsou Alzheimerova choroba, diabetes a rostoucí dopad superbakterií odolných vůči antibiotikům. Investice do zdravotnického výzkumu a inovací nám pomohou zůstat aktivní, vyvíjet nové, bezpečnější a účinnější způsoby léčby a udržovat naše zdraví i systémy zdravotní péče životaschopné. Poskytují prostředky potřebné k rozvoji medicíny a posílí prevenci a léčbu chronických a infekčních onemocnění.

Uvedené ukázky strojového překladu odrážejí typickou kvalitu strojového překladu při překládání textů obecného zaměření. Mnohem lepších překladů obecných textů lze dosáhnout pouze tehdy, pokud byl překládaný text někdy použit k trénování systému. Objektivní vyhodnocení kvality překladu systému strojového překladu je možné pouze s použitím textů, které nikdy nebyly součástí jeho trénování. Je třeba uznat, že v současnosti dostupné statistické a pravidlové systémy strojového překladu zatím překládají obecné texty do litevštiny špatně.

4. NEURONOVÝ STROJOVÝ PŘEKLAD

V roce 2013 navrhli Nal Kalchbrenner a Phil Blunsom využít pro strojový překlad neuronové sítě (Kalchbrenner, Blunsom 2013: 1700–1709). Myšlenka využít grafické procesory počítačů k výpočtům neuronových sítí otevřela možnosti řešit reálné úlohy, mimo jiné i provádět strojový překlad. K realizaci neuronového strojového překladu (NMV) se používají miliony umělých neuronů. Koncepce NMV je poměrně jednoduchá – kodér převádí celou větu ve výchozím jazyce ve vektorovém prostoru o několika stech dimenzích na takzvaný vektor myšlenky¹⁶, tvořený posloupností čísel, která tímto způsobem představuje význam věty. Ve skutečnosti je tento vektor vektorizovanou myšlenkou věty. Směry vektorů představujících příbuzné věci a myšlenky se liší jen málo¹⁷. Dekodér na základě vektoru myšlenky vytvoří překlad. Kodér i dekodér jsou konstruovány na základě rekurentních neuronových sítí (Sutskever a kol. 2014: 3104–3112; Cho a kol. 2014: 1724–1734).

¹⁶ Termín zpopularizoval Geoffrey Hinton, jeden z nejvýznamnějších tvůrců umělé inteligence.

¹⁷ Lze se o tom přesvědčit například experimentováním s nástrojem pro vektorizaci word2vec (Mikolov a kol. 2013: 3111–3119).

BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 13

OBR. 3. Vauquoisův trojúhelník neuronového strojového překladu

Schéma neuronového strojového překladu podle Vauquoisova trojúhelníku je znázorněno na obr. 3¹⁸. Je třeba upozornit, že vysoké úrovně analýzy, blížící se interlingvě, je dosaženo automaticky. Systém NMV se trénuje pomocí paralelních korpusů. Během trénování rekurentní neuronové sítě automaticky naprogramují morfologické, syntaktické a sémantické informace obsažené ve větách spolu s pravidelnostmi zjištěnými v různé míře. Konečně se strojový překlad stal neoddělitelnou součástí vývoje umělé inteligence. Neuronový strojový překlad se rychle zdokonaluje a dosahuje mnohem lepších výsledků než pravidlový nebo statistický strojový překlad.

Při zkoumání možností NMV se brzy objevil nový jev – neuronové sítě dokázaly překládat mezi jazykovými páry, pro které nebyly přímo trénovány. Pokud byl systém NMV natrénován k překladu z jazyka A do jazyka B a také z jazyka A do jazyka C, dokáže překládat i z jazyka B do jazyka C (Johnson 2017: 339–351), kvalita překladu je však o něco nižší. Tento jev lze označit jako překlad bez předchozího trénování (angl. zero-shot translation). To znamená, že neuronová síť systému strojového překladu si během trénování vytváří vlastní interlingvu, které rozumí pouze ona sama.

Na konci roku 2016 začal Google Translate (GT) používat neuronový překlad. Takto vypadá neuronový překlad našeho ilustračního příkladu (Google neuronový strojový překlad, 14. 9. 2017, BLEU CI – 25,94):

¹⁸ Znázornění neuronového strojového překladu podle Vauquoisova trojúhelníku bylo zveřejněno v internetové publikaci „Pure Neural Machine Translation“ společnosti SYSTRAN z roku 2016. Dostupné na internetu: http://www.systransoft.com/download/white-papers/systran-white-paper-PNMT-12-2016_2.pdf, (citováno 6. 11. 2017).

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 14

Všichni chtějí dlouhý, šťastný a zdravý život a vědci dělají vše pro to, aby to bylo možné. Řeší některé z nejzávažnějších současných zdravotních problémů i vznikající hrozby, například rostoucí dopady Alzheimerovy choroby, cukrovky a bakterií odolných vůči antibiotikům, takzvaných „superbugs“. Investice do zdravotnického výzkumu a inovací nám pomohou zůstat aktivní, vyvíjet nové, bezpečnější a účinnější způsoby léčby a zachovat udržitelnost našich zdravotnických a pečovatelských systémů. Lékařům poskytnou nástroje, které potřebují k individualizovanější léčbě, a tím zlepší prevenci a léčbu chronických a infekčních onemocnění.

Je třeba přiznat, že náš příklad neuronová síť přeložila nesrovnatelně kvalitněji než systémy strojového překladu založené na pravidlech či statistice. Zatím GT nepřekládá všechno stejně úspěšně; například při pokusu o překlad Beauty requires no ornaments vznikl překlad – Grožis nereikalingas papuošalams. Podobným experimentováním lze zjistit mnoho případů, kdy GT překládá velmi špatně, a je tedy stále co zlepšovat.

Vilniuská univerzita se v roce 2018 chystá začít zavádět neuronový strojový překlad nové generace pro angličtinu, litevštinu, polštinu, francouzštinu, ruštinu a němčinu. Do překladového systému bude integrován automatický převod textu na řeč a překlad textu diktovaného v litevštině.

5. ZÁVĚREČNÉ POZNÁMKY

Pokrok strojového překladu je dnes již neoddělitelný od pokroku ve vývoji umělé inteligence. Pokud jde o kvalitu překladu, všechny klasické metody strojového překladu je třeba zdokonalovat; jejich možnosti nejsou vyčerpány a není jasné, kde leží jejich hranice. Romantické období snadných úspěchů skončilo; heuristické matematické či inženýrské metody ne vždy pomáhají. Děti se učí jazyk jako by automaticky, bez námahy, avšak později se jejich jazyk zdokonaluje pouze studiem gramatiky a literatury. Zdá se, že bez významnějšího zapojení lingvistů bude další zdokonalování strojového překladu sotva možné. Toto zapojení usnadňují nástroje strojového překladu implementované na platformách s otevřeným zdrojovým kódem: například Apertium pro překlad založený na pravidlech (Forcada ir kt. 2011: 127–144); Moses (Koehn ir kt. 2007b: 177–180), LetsMT! (Vasiljevs ir kt. 2012: 43–48) pro statistický překlad; TensorFlow a OpenNMT pro neuronový překlad. Je třeba doufat, že litevští lingvisté spojí své úsilí při řešení moderních výzev počítačové lingvistiky, neboť některé z nich mají pro náš jazyk existenční význam.

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 15

LITERATŪRA

Banerjee S., Lavie A. 2005: METEOR: An Automatic Metric for MT Evaluation with Improved Correlation with Human Judgments. – Proceedings of Workshop on Intrinsic and Extrinsic Evaluation Measures for MT and/or Summarization at the 43th Annual Meeting of the Association of Computational Linguistics (ACL-2005), Ann Arbor, Michigan, 62–72.

Bar-Hillel Y. 1958: Some linguistic obstacles to machine translation. – Proceedings of the Second International Congress on Cybernetics, Namur, 197–207.

Bojar O. 2007: English-to-Czech factored machine translation. – Proceedings of the Second Workshop on Statistical Machine Translation, Prague, Czech Republic, 232–239.

Brown P. F., Cocke J., Della Pietra S. A., Della Pietra V. J., Jelinek F., Mercer R. L., Roossin P. S. 1988: A statistical approach to language translation. – Proceedings of COLING 1988: The 12th International Conference on Computational Linguistics, Budapest, 71–76.

Brown P. F., Della Pietra S. A., Della Pietra V. J., Mercer R. L. 1993: Mathematics of statistical machine translation: Parameter estimation. – Computational Linguistics 19(2), 263–311.

Cho K., Bart van Merrienboer, Gulcehre C., Bougares F., Schwenk H., Bengio Y. 2014: Learning phrase representations using RNN encoder-decoder for statistical machine translation. – Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), Association for Computational Linguistics, Doha, Qatar, 1724–1734.

Commission of the European Communities 1994: Final Evaluation Of The Results Of Eurotra: A Specific Programme Concerning The Preparation Of The Development Of An Operational Eurotra System For Machine Translation. DIANE Publishing Company, 1995, 194.

Daubarienė A., Ziezytė G. 2013: Machine translation: translated texts in terms of standards of textuality. – Kalbų studijos 22, 55–61.

Daudaravičius V., 2006: Pradžia į begalybę. Mašininis vertimas ir lietuvių kalba. – Darbai ir dienos: Pažangos šuoliai 45, 7–18.

Daumas M. 1965: Les machines à traduire de Georges Artsrouni. – Revue d'histoire des sciences et de leurs applications, tome 18, n°3, 283–302.

BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 16

De Beaugrande R. A., Dressler W. U. 1981: Introduction to Text Linguistics, London: Longman, 270.

Doddington G. 2002: Automatic Evaluation of Machine Translation Quality Using Ngram Co-occurrence Statistics. – Proceedings of the Second International Conference on Human Language Technology Research, San Francisco, CA, USA., Morgan Kaufmann Publishers Inc., 138–145.

Forcada M. L, Ginestí-Rosell M., Nordfalk J., O'Regan J., Ortiz-Rojas S., Pérez-Ortiz J. A., Sánchez-Martínez F., Ramírez-Sánchez G., Tyers F. M. 2011: Apertium: a free/open-source platform for rule-based machine translation. – Machine Translation 25 (2), Free/Open-Source Machine Translation (June 2011), 127–144.

Hajič J., Hric J., Kuboň V. 2000: Machine Translation of Very Close Languages. – Proceedings of the 6th Applied Natural Language Processing Conference, Association for Computational Linguistics, 7–12.

Homola P., Rimkutė E. 2004: Artimų kalbų mašininis vertimas. – Kalbų studijos 6, 77–81.

Hutchins J. 2004a: Two precursors of machine translation: Artsrouni and Trojanskij. – International Journal of Translation 16(1), 11–31.

Hutchins J. 2004b: The Georgetown-IBM experiment demonstrated in January 1954. – Proceedings of the 6th Conference of the Association for Machine Translation in the Americas, AMTA, Washington, DC, 102–114.

Johnson M., Schuster M., Le V. Q., Krikun M., Wu Y., Chen Z., Thorat N., Viégas F. B., Wattenberg M., Corrado G., Hughes M., Dean J. 2017: Google's Multilingual Neural Machine Translation System: Enabling Zero-Shot Translation. – Transactions of the Association of Computational Linguistics 5 (1), 339–351.

Kalchbrenner N., Blunsom P. 2013: Recurrent Continuous Translation Models. – Proc. of EMNLP, October, Association for Computational Linguistics, Seattle, Washington, USA, 1700–1709.

Koehn P., Hoang H. 2007a: Factored translation models. – Proceedings of the Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, ACL, 868–876.

Koehn P., Hoang H., Birch A., Callison-Burch C., Federico M., Bertoldi N., Cowan B., Shen W., Moran C., Zens R., Dyer C., Bojar O., Constantin A., Herbst E. 2007b: Moses: Open source toolkit for statistical machine

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351-7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 17

translation. – 45th Annual Meeting of the Association for Computational Linguistics (ACL), Companion Volume, 177–180.

Koehn P., Och F. J., Marcu D. 2003: Statistical phrase-based translation. – Proceedings of HLT-NAACL, 127–133.

Kos K., Bojar O. 2009: Evaluation of Machine Translation Metrics for Czech as the Target Language. – Prague Bull. Math. Linguistics 92, 135–148.

McCulloch W., Pitts W. 1943: A logical calculus of the ideas immanent in nervous activity. – Bulletin of Mathematical Biophysics 5, 115–133.

Mikolov T., Sutskever I., Chen K., Corrado G. S., Dean J. 2013: Distributed Representations of Words and Phrases and their Compositionality – Proceedings of the 26th International Conference on Neural Information Processing Systems, Lake Tahoe, Nevada, Vol. 2, 3111–3119.

Mitamura T., Nyberg E., Carbonell J. 1991: An efficient interlingua translation system for multi-lingual document production. – Proceedings of Machine Translation Summit III, Washington, DC. Perspausdinta: – Progress in Machine Translation, ed. S. Nirenburg, IOS Press, (1993), 105–118.

Papineni K., Roukos S. Ward T., Zhu W. J. 2002: BLEU: a method for automatic evaluation of machine translation. – ACL-2002: 40th Annual meeting of the Association for Computational Linguistics, 311–318.

Reifler E. 1960: The solution of MT linguistic problems through lexicography. – Proceedings of the National Symposium on Machine Translation, (February 2–5, 1960), ed. H.P. Edmunson, London: Prentice-Hall, (1961), 312–316.

Rimkutė E., Kovalevskaitė J. 2008: Linguistic Evaluation of the First English-Lithuanian Machine Translation System. – Proceedings of the Third Baltic Conference on Human Language Technologies (2007), Kaunas, 257–264.

Skadinš R., Goba K., Šics V. 2010: Improving SMT for Baltic Languages with Factored Models. – Proceedings of the Fourth International Conference Baltic HLT, Frontiers in Artificial Intelligence and Applications, Vol. 219, IOS Press, 125–132.

Snover M., Dorr B., Schwartz R., Micciulla L., Makhoul J. 2006: A Study of Translation Edit Rate with Targeted Human Annotation. – Proceedings of the 7th Conference of the Association for Machine Translation in the Americas, Morristown, NJ, USA, 223–231.

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 18

Sutskever I., Vinyals O., V. Le Q. V. 2014: Sequence to sequence learning with neural networks. – Proceedings of the 27th International Conference on Neural Information Processing Systems, Montreal, Canada, Vol. 2, MIT Press Cambridge, MA, USA, 3104–3112.

Šveikauskienė D. 2005: Graph Representation of the Syntactic Structure of the Lithuanian Sentence. – Informatica 16 (3), 407–418.

Toma P. 1977: Systran as a multilingual machine translation system. – Proceedings of the Third European Congress on Information Systems and Networks, Overcoming the language barrier, München, 569–581.

Vasiljevs A., Skadiņš R., Tiedemann J. 2012: LetsMT!: a cloud-based platform for do-it-yourself machine translation – Proceedings of the ACL, System Demonstrations, Jeju Island, Korea, 43–48.

Vauquois B. 1976: Automatic translation – A survey of different approaches. – COLING-76, Ottawa. Perspausdinta: – Readings in machine translation, eds. S. Nirenburg, H. L. Somers, Y. Wilks, MIT Press, (2003), 333–337.

Weaver W. 1949: Translation. – Perspausdinta: – Machine Translation of Languages, MIT Press, Cambridge, MA. (1955), 15–23.

Įteikta 2017 11 13

Priimta 2017 12 20

MACHINE TRANSLATION FOR LITHUANIAN LANGUAGE

Summary

The paper presents a historical overview as well as current state of the art of the machine translation. Translation from another language is always a certain intellectual challenge. In 1949 Warren Weaver suggested using computers to translate texts. The term "machine translation" (MT) appears. Machine translation has been rapidly developing during the first decades in order to gain a strategic advantage in the Cold War. Most popular translated languages were Russian and English. Word-to-word translation and large bilingual dictionaries covering more than 170,000 words prevailed.

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351–7204

DANIELIUS ALGIRDAS RALYS. Masininis vertimas lietuvių kalbai | 19

In the 1950s and 1960s, machine translation systems appeared which could be called rule-based. They are based on the assumption that a language can be described using a set of rules (including grammatical). It was a rather optimistic period – it was expected to create a perfect machine translation in a few years. But a computer hardly "understands" grammar. Highly inflected languages require tens of thousands thoroughly hand-tuned and mutually consistent rules. Nobody has done this properly yet. The most advanced systems were the SYSTRAN MT system, launched in the European Commission and the Russian PROMT translation system. Subsequently, the rule-based MT progress slowed down. The EUROTRA project (1982–1992), by some estimates costing more than 50,000,000 ECU, fails – even hundreds of recruited specialists failed to create a functioning MT system. This marked a serious rule-based MT crisis. Development simply stalled for many forthcoming years.

The question was raised: if we cannot write so many rules, can it be translated without grammar at all? In 1990 a new breakthrough emerges – the research team at the IBM Thomas J. Watson Research Center formulates the basics of statistical machine translation. The translation process has been considered as a transmission of a certain message over a noisy channel. Decoding then has been performed on the basis of the Bayesian theorem. Translation is based on text corpora, especially on large parallel bilingual text corpora. There was a rapid improvement of statistical MT. The EuroMatrix project, supported by the European Commission, has created a universal open source machine translation software package MOSES, based on industry-level MT systems. Good results have been obtained – it turns out that you can translate without any dictionary or grammar! This method has greatly facilitated the translation of highly inflected languages too.

The achievements of machine translation today are effectively applied to the Lithuanian language as well. During 2005–2007 Vytautas Magnus University has carried out an EU-funded project "Internet Information Translator". The result was a public online translation service from English to Lithuanian. (http://vertimas.vdu.lt/twsas/). The rule-based translation engine was provided by the Russian company PROMT, while other linguistic resources were prepared in Lithuania. The overall quality of text translation in BLEU metrics (in percent) is about 10. In practice, this means that only every third sentence can be adequately understood. This translation tool still has considerable potential for improving, for example by expanding phrase dictionary. Since September 25, 2008 Google Translate also supports Lithuanian. According to the results of the tests (2014), the BLEU translation quality was estimated to be around 17.

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351-7204

DANIELIUS ALGIRDAS RALYS. Mašininis vertimas lietuvių kalbai | 20

2012–2014 Vilnius University implemented the EU-funded project "Creation of English-Lithuanian-English and French-Lithuanian-French machine translation system based on statistical methods". The result was a public online translation service (https://www.versti.eu/). According to the tests carried out in 2014, the BLEU estimates of the translation quality exceeded more than twice the rule-based translation results and were practically equivalent to the Google translation system. When translating the documents of certain domain (such as law) the achieved BLEU score is roughly twice as high as translating general texts and far exceeds Google's results (19-09-2014). However, even the best machine translations often require human intervention and final editing in order to get the perfect translation. So, can machines ultimately translate fine?

The last few years promise new breakthroughs using a neural machine translation. Neural networks themselves construct transformation rules. It is likely that in the near future the neural MT systems will translate better than an average translator. In 2018 Vilnius University is preparing to launch the EU-funded project of a new generation neural machine translation of English, Lithuanian, Polish, French, Russian and German.

Thus, the latest achievements in machine translation apply to the Lithuanian language as well.

KEYWORDS: Lithuanian, machine translation, computational linguistics, history, neural networks, artificial intelligence.

DANIELIUS ALGIRDAS RALYS

Vilniaus universiteto Taikomųjų mokslų institutas

M. K. Čiurlionio g. 29, 03100 Vilnius

[email protected]

BENDRINĖ KALBA 90 (2017)

www.bendrinekalba.lt

ISSN 2351-7204