Một lần nữa về dịch máy

Kvant 1971, số 12 tr. 11, 12, 13, 15 Thẻ CX3N

Bản dịch tự động sơ bộ, chất lượng thấp: có thể còn lỗi và câu chữ chưa tự nhiên. Bản này sẽ được thay bằng bản dịch tốt hơn. Bản gốc →

Chúng tôi đã viết về những khó khăn phát sinh trong quá trình dịch máy *). Nhờ những nỗ lực khôn ngoan của họ, nhìn chung, cỗ máy đã được dạy để đối phó với hầu hết những vấn đề đó.

Tuy nhiên, còn có mục tiêu “đặt” thành phố vào những khó khăn đáng kể hơn mà chúng tôi đã thảo luận trong bài viết này. Và tất cả chúng đều được kết nối với từ bí ẩn “ngữ nghĩa”.

Ngữ nghĩa - khoa học về ý nghĩa của từ

Khó khăn về ngữ nghĩa đầu tiên là cùng một từ có thể mang nhiều nghĩa khác nhau và trong các ngôn ngữ khác nhau theo những cách khác nhau: các nghĩa khác nhau được gán cho các từ không trùng nhau. Từ “bàn” trong tiếng Nga thường cần được dịch sang “bàn” tiếng Anh, nhưng đôi khi nó có nghĩa là “thức ăn” (“thức ăn”), và đến lượt “bàn” tiếng Anh đôi khi phải được dịch sang từ “bàn” tiếng Nga.
Ngoài ra, trong tất cả các ngôn ngữ đều có cái gọi là từ đồng âm - những từ được đánh vần giống nhau nhưng có nghĩa khác nhau:
“Đưa cây cung cho tôi!” - và để làm gì - để bắn hay để nấu súp?
Hơn nữa, trong các ngôn ngữ khác nhau, các từ có tải cảm xúc khác nhau và có khả năng sử dụng khác nhau theo nghĩa liệt kê. Trong tiếng Nga và nhiều ngôn ngữ châu Âu khác, từ “trái tim” có nghĩa là orran, mà ý thức phổ biến coi là điều chính và mang lại khả năng cảm nhận và trải nghiệm.
Nhưng trong ngôn ngữ Kabalaka (Tây Phi) chức năng này được thực hiện bằng từ “gan”; trong ngôn ngữ Jejonob (một loại ngôn ngữ Maya ở Guatemala), từ chỉ khoang bụng được dùng theo nghĩa này. Hãy tưởng tượng rằng

*) Xem «Kvant» Số 9, 1971

máy dịch từ ngôn ngữ Kabbalah sang tiếng Nga và đưa ra cho bạn cụm từ sau: “Cô ấy có một lá gan tốt”.
Rắc rối tiếp theo. Trong các ngôn ngữ khác nhau, “lượng ý nghĩa” được gán cho một từ nhất định là không giống nhau. Ví dụ: lấy khái niệm “anh” và “chị” rồi so sánh với khái niệm “anh, em”, ta được bảng sau:

Tiếng Hungary thể hiện từng khái niệm trong số bốn khái niệm bằng một từ riêng biệt, tiếng Nga “làm sạch” hai khái niệm đó cùng một lúc và tiếng Mã Lai bao gồm tất cả các khái niệm bằng một từ. Có thể dễ dàng dịch những từ này từ tiếng Hungary sang tiếng Mã Lai và nói chung là dịch theo hướng từ bên phải theo bảng. Ngược lại, điều gì sẽ xảy ra nếu bạn cần dịch từ “sudara” từ tiếng Mã Lai sang tiếng Hungary? Người dịch sẽ xem xét ngữ cảnh ở đây và cố gắng tìm ra giới tính và độ tuổi của người được chỉ định bởi từ này, sau đó chọn từ tương đương trong tiếng Hungary mong muốn. Nhưng làm thế nào để dạy thao tác khó khăn này cho máy?

Những từ dường như “giống nhau” trong tất cả các ngôn ngữ, chẳng hạn như đại từ nhân xưng, có thể có những ý nghĩa “bất thường” khiến việc dịch thuật trở nên khó khăn. Bạn sẽ thấy điều này ngay bây giờ.

Nhiệm vụ 1. Trong ngôn ngữ Hanuno (một trong những ngôn ngữ của Philippines) có các đại từ sau (và chỉ chúng):

dah - họ tah - tôi và chúng tôi
kuh - tôi tam - chúng tôi (trong đó có tôi)
mih - chúng tôi (không có tôi) yah - anh ấy, cô ấy
muh - chúng tôi yuh - bạn

Những đại từ này nên được phân loại theo ý nghĩa của chúng theo tiêu chí nào? Đại từ tiếng Nga được phân loại theo các tiêu chí sau: số lượng (đặc điểm này có hai nghĩa: số ít và số nhiều), giới tính (ba nghĩa: nam tính, nữ tính và trung tính), pitso (ba nghĩa).

Hệ thống các đặc điểm này không phù hợp để phân loại các đại từ của ngôn ngữ Hanuno, vì các đại từ đã cho không khác nhau (tiếng Nga “anh ấy” và “cô ấy” tương ứng với cùng một đại từ “yah”); Đối với người và số, trong ngôn ngữ Hanuno có nhiều sự khác biệt tinh tế hơn so với tiếng Nga (ví dụ: cùng với một đại từ tiếng Nga, ngôi thứ nhất số nhiều có ba).

Trong trường hợp này, có thể tìm thấy những đặc điểm phân loại phù hợp hơn để thỏa mãn tất cả những khác biệt về ngữ nghĩa của các đại từ đã cho.

Cho và e. Chọn các đặc điểm ngữ nghĩa như vậy (và phải có số lượng tối thiểu trong số chúng và mỗi đặc điểm có chính xác hai nghĩa) sao cho các đại từ đã cho thể hiện tất cả các tổ hợp nghĩa có thể có và sao cho không có hai tổ hợp nào được lặp lại.

Nhưng đó không phải là tất cả. Mọi ngôn ngữ đều có những cụm từ ổn định không có nghĩa chính xác là gì, hoặc thậm chí không hề có nghĩa gì, những từ tạo nên chúng có nghĩa riêng biệt. Đây được gọi là các đơn vị cụm từ: “đánh bại baklish”, “đừng suy nghĩ kỹ”, “chơi ngu”, v.v.

Hãy tưởng tượng rằng chúng ta đã dạy chiếc máy vượt qua tất cả những khó khăn được mô tả ở trên. Hãy lấy một cụm từ tiếng Anh:

«The President said that the article was red herring».
Hạnh phúc, chúng tôi đang chờ đợi bản dịch. Và chúng tôi nhận được:

“Tổng thống nói rằng Stamya là cá trích đỏ.”
Ừm… Hiểu chưa? Không tốt. Nhưng hãy hỏi bất kỳ dịch giả nào và họ sẽ ngay lập tức xua tan sự nhầm lẫn của bạn, bởi vì cụm từ thực sự dịch như thế này:
“Tổng thống nói rằng câu chuyện này là một con vịt (nói dối, vớ vẩn).”
Ngay lập tức mọi thứ rơi vào vị trí. Vì vậy, chúng tôi thêm một quy tắc nữa vào máy (có bao nhiêu quy tắc đã được viết ở đó?!): thay cụm từ “cá trích đỏ” bằng từ “vịt” (hoặc thậm chí tốt hơn, vì vịt không chỉ là báo mà còn chiên - “nói dối” hoặc “vô nghĩa”). Nhưng có rất nhiều lối diễn đạt, có thực sự có thể viết từng chữ không?
Nhưng một người biết ngoại ngữ lại dịch dễ dàng và đơn giản đến thế!

Để khắc phục những khó khăn này và các khó khăn khác về ngữ nghĩa (và không chỉ ngữ nghĩa), để chọn chính xác từ tương đương trong ngôn ngữ đích, tức là để thực hiện bản dịch, máy phải nhớ nghĩa của từ. Một trong những chuyên gia nổi bật nhất về dịch máy, nhà ngôn ngữ học người Mỹ V. Yngve viết:

“Công việc dịch máy đã gặp phải rào cản ngữ nghĩa. Chúng tôi phải nhận ra rằng chúng tôi sẽ chỉ nhận được bản dịch tự động có mục tiêu khi máy có thể “hiểu” những gì nó đang dịch và điều này thực sự khó khăn bài toán.”
Và để máy hiểu được nó đang dịch gì, nhà ngôn ngữ học phải cung cấp cho nó thông tin về nghĩa của từ, đưa ra một bản ghi ngữ nghĩa chính xác, được định dạng và rõ ràng mà máy có thể xử lý giống như với từ điển và các quy tắc xử lý. Bản dịch máy của hiện tại đòi hỏi ngôn ngữ học để ghi lại điều này. Nhưng…các nhà ngôn ngữ học vẫn chưa thể khóc về điểm này.

Một trong những nỗ lực thú vị để nghiên cứu chính thức số nhiều ngữ nghĩa. Trong trường hợp này, cách tiếp cận là làm nổi bật cái gọi là số nhiều ngữ nghĩa, nghĩa của mỗi từ là sự kết hợp của chúng (tương tự như cách một số tự nhiên được phân tách thành các thừa số đơn giản hoặc một vectơ được chỉ định bởi tọa độ của nó). Ý tưởng này được minh họa bằng bài toán sau.

Bài toán 2. Cho 4 tập hợp từ, mỗi tập hợp từ được chia thành hai tập hợp con a và b:
1a) Thú, sâu, trùng, cỏ, tư thế;
b) cái bàn, mặt đất, cuốn sách, mặt phẳng, áo khoác.
2a) Cá voi, én, cá rô, hổ, kiến;
b) Vợ, người mới vào nghề, thợ làm tóc, chồng, nhân viên thu ngân.
3a) Chim sẻ, máy bay, Baba Yaga, bột mì, tên lửa;
b) cuốn sách, đường hầm, đã, à, điện thoại.
4a) Chó, ngựa, bồ câu, lừa, la;
b) gấu, chuột túi, rắn, hổ, cá rô.

dịch giả hoặc biên tập viên." Định nghĩa này được đưa ra trong cuốn sách nhằm cho thấy rằng dịch máy theo nghĩa này hoàn toàn không tồn tại. Văn bản mà máy tạo ra rất bất tiện và khó hiểu đến mức nó phải được “biên tập sau”, tức là phải được một người chỉnh sửa sau đó. 11% thời gian trong quá trình dịch máy được dành cho việc nhập tài liệu vào máy, 40% để soạn lại các cụm từ đầu ra, 31% cho việc chỉnh sửa sau và chỉ còn lại 18% thời gian cho bản dịch. Bản thân việc đánh giá chất lượng bản dịch (khảo sát bởi chuyên gia) theo các thông số sau: độ chính xác của bản dịch, tốc độ đọc, mức độ dễ hiểu, đưa ra các đánh giá tóm tắt sau (các chỉ số cho bản dịch do một người thực hiện bằng 0; câu hỏi về tất cả những “chỉ số” này dựa trên điều gì và may mắn thay, các chuyên gia đã chọn chúng như thế nào không liên quan gì đến vấn đề này):

| | Dịch máy | Dịch máy | Bản dịch của con người |
| :— | :— | :— | :— |
| “thô” | “đã được chỉnh sửa sau” | | |
| Sự chính xác | —16% | —5% | 0 |
| Tốc độ | —21% | —11% | 0 |
| Hiểu biết | —25% | —23% | 0 |

Khó khăn chính làm giảm cả ba tham số là cấu trúc cú pháp và trật tự từ không tự nhiên trong bản dịch máy “thô”, cũng như nhiều tùy chọn dịch cho một từ. Bây giờ tính toán một chút. Hãy ký hiệu bằng

$\mathcal{U}_\text{ч} = \mathcal{U}_\text{м} - N \cdot P \left( B_\text{м} - B_\text{ч} \right).$

Bản dịch hoàn thiện dành cho những chuyên gia dành thời gian đọc nó và thời gian là tiền bạc (tiền lương!), vì vậy công thức bao gồm giá trị $P$ . Hãy tính các giá trị của $\mathcal{E}$ và $N$ với dữ liệu thống kê trung bình.

Do bản dịch “thô” mất nhiều thời gian hơn để đọc nên chúng tôi có được một mẫu tuyệt vời:

| $N$ | 1 | 10 | 15 | 17 | 18 | 20 | 80 | 175 |
| :— | :— | :— | :— | :— | :— | :— | :— | :— |
| $\mathcal{E}$ | 13,17 | 5,97 | 1,97 | 0,37 | —0,43 | —2,03 | —40,13 | —127,03 |