I begyndelsen af det 21. århundrede begyndte udviklingen af neurale netværk og dyb læringsteknologi at ændre landskabet for sprogoversættelse. Disse teknologier tillod maskiner at lære fra store datasæt bestående af paralleltekster – dvs. dokumenter, der er oversat fra et sprog til et andet af mennesker.
Paralleltekster giver de nødvendige eksempler på, hvordan sætninger oversættes mellem sprog, og de er afgørende for at lære maskinoversættelsessystemer at forstå og genskabe sproglige strukturer og betydninger. Et eksempel er Europarl Corpus, der består af transskriptioner af Europa-Parlamentets forhandlinger, som er oversat til de officielle EU-sprog. Europarl er særligt nyttigt for træning af oversættelsessystemer mellem europæiske sprog.
Databasen United Nations Parallel Corpus indeholder officielle FN-dokumenter, som er oversat til de seks officielle FN-sprog: engelsk, fransk, spansk, russisk, kinesisk og arabisk. Et tredje eksempel er OpenSubtitles der er en stor samling af undertekster fra film og tv-shows, som er oversat til mange forskellige sprog. Denne kilde er særlig nyttig for at træne mere uformelle, samtale-baserede oversættelsesmodeller.
Et centralt element i disse AI-systemer er transformer-modeller, der gør det muligt for AI at evaluere hele sætninger på en gang, hvilket markant forbedrer dens evne til at forstå og oversætte kontekst korrekt. Denne kapacitet har været afgørende for at opnå mere naturlige og præcise oversættelser, især i komplekse tekstpassager.
AI’s evne til selv-læring betyder også, at oversættelsessystemerne konstant forbedrer sig. Hver gang et system støder på en fejl eller modtager brugerfeedback, justerer det sine algoritmer for bedre at håndtere lignende udfordringer i fremtiden. Denne form for adaptiv læring er vital for at holde trit med de skiftende sprog og dialekter rundt om i verden.
En af de mest spændende anvendelser af AI i oversættelse er realtidsoversættelse af tale, som har revolutioneret internationale forretningsmøder, kundesupport og turisme. Med AI-drevne enheder kan brugere tale med mennesker fra hele verden i deres eget sprog, hvilket skaber en mere flydende og forståelig kommunikation.
Kvaliteten af maskinoversættelse varierer afhængigt af flere faktorer. Nogle sprog oversættes mere nøjagtigt end andre på grund af forskelle i grammatik, syntaks og tilgængelighed af træningsdata. For eksempel er oversættelser mellem tæt beslægtede sprog som spansk og italiensk ofte mere præcise end oversættelser mellem meget forskellige sprog som engelsk og kinesisk.
Maskinoversættelsessystemer er mest nøjagtige, når de arbejder inden for et specifikt domæne, hvor de kan trænes på domænespecifikke data. For eksempel vil et system trænet på juridiske dokumenter være mere præcist inden for juridisk terminologi, men kan underpræstere i mere generelle eller uformelle kontekster.
Kvaliteten af de data, som systemet er trænet på, spiller en afgørende rolle. Jo mere omfattende og højkvalitets træningsdata, desto bedre bliver systemets evne til at generere præcise oversættelser. Dette omfatter både mængden af data og dens relevans for de tekster, der skal oversættes.
Metaforer, humor og kulturelle referencer, kan være svære at overføre præcist fra et sprog til et andet – dette gælder både tekster der er oversat af mennesker og for maskiner. Oversættelsessystemer laver undertiden også grammatiske fejl eller misforstår kontekst. I mange praktiske scenarier er maskinoversættelser dog tilstrækkelige god til at give resultater, der er forståelige, selv om de ikke altid er perfekte.
Naturlig sprogbehandling. Natural Language Processing (NLP) er et studieområde inden for datalogi og kunstig intelligens, der beskæftiger sig med interaktionen mellem computere og mennesker, der bruger naturligt sprog. Målet med NLP er at gøre computere i stand til at forstå, fortolke og generere menneskeligt sprog præcist og meningsfuldt. Det involverer en kombination af datalogi, lingvistik og kognitive psykologiske teknikker og opgaver som tekstklassificering, tekstgenerering, maskinoversættelse, sentimentanalyse og genkendelse af navngivne enheder.
De seneste fremskridt inden for NLP, der til dels er drevet af deep learning-teknikker, har ført til betydelige forbedringer i NLP-systemernes nøjagtighed og ydeevne, hvilket gør dem stadig bedre i stand til at forstå og behandle menneskeligt sprog.
ChatGPT er en NLP-model designet til at generere tekst. I “ChatGPT” står GPT for “Generative Pre-trained Transformer”. Det er en type af kunstig intelligens, der er designet til at generere tekst baseret på de data, den har fået under sin træning. Ordet Generative refererer til systemets evne til at skabe indhold, “Pre-trained” indikerer, at den er forudtrænet på en stor mængde tekst før den specifikke træning, og “Transformer” er den specifikke type af model, der anvendes, kendt for sin effektivitet i at behandle sprog. En transformer-model behandler data ved at bruge selvopmærksomhed, som gør, at modellen kan fokusere på forskellige dele af data samtidigt. Den består af to dele: en encoder og en decoder. Encoderen tager ind data og skaber en række skjulte repræsentationer. Decoderen bruger disse repræsentationer til at generere output. Selvopmærksomheden i modellen gør, at den kan forstå sammenhænge i data bedre end traditionelle modeller. Transformer-modeller er gode til opgaver som oversættelse, tekstoprettelse og spørgsmål-svar, fordi de kan trænes effektivt på store mængder data.