Развитие машинного перевода

Академию Наук СССР с изобретённой им «машиной для подбора и

печатания слов при переводе с одного языка на другой». Машина была крайне проста: большой стол, печатная машинка с лентой и плёночный фотоаппарат. На столе лежали карточки со словами и их переводами на четырёх языках. Машина Троянского впервые на практике реализовала тот самый «промежуточный язык» (interlingua).

(все переводчики получат одинаковый результат) и возможность обучить специальным терминам

под предметную область.
Минусы:
исключения из правил языка - неправильные глаголы в английском, плавающие приставки в немецком, суффиксы в русском
омонимия. Одно и то же слово может иметь разный смысл зависимости от контекста, а значит отличается и его перевод.

А что если не пытаться каждый раз переводить заново, а

использовать уже готовые фразы?

подход — делим всё на слова и считаем статистику. Никакого

учёта порядка или перестановок. Из хитростей Model 1 умела разве что переводить одно слово в несколько. Der Staubsauger (пылесос) легко превращался в Vacuum Cleaner, но обратно уже как повезет.

слов в языках стало проблемой для Model 1. В некоторых

он очень важен. Потому в Model 2 стали запоминать на каком месте появляется в переведённом предложении. Добавили промежуточный шаг — после перевода машина пыталась переставить слова местами так, как она думала будет звучать более естественно.

которых не было в оригинальном тексте. В немецком языке внезапно

вылезают артикли, в английском вставляют глагол do где не попадя. «Я не хочу хурмы» → «I do not want persimmons. Чтобы решить эту проблему в Model 3 добавили два промежуточных шага:
Вставка маркеров (NULL-слов) на те места, где машина подозревает необходимость нового слова
Подбор нужного артикля, частицы или глагола под каждый маркер

Model 4: перестановки слов
Model 2 хоть учитывала порядок слов в предложении, но ничего не знала про перестановки слов между собой. Часто при переводе надо, например, поменять существительное и прилагательное местами. Тут сколько ни запоминай их порядок по всему предложению — лучше не станет. Потому в Model 4 стали учитывать еще и так называемый «относительный порядок». Если при переводе два слова постоянно менялись друг с другом — модель это запоминала.

текст не только на слова, но и на целые фразы.

Точнее N-граммы или фраземы — пересекающиеся наборы из N слов подряд. Машина училась переводить устойчивые сочетания слов, что заметно улучшило точность.

которое обрабатывало фото в стиле известного художника? Там не было

особой магии — нейросеть обучили распознавать картины художника, а потом «оторвали» последние слои, где она принимает решение. Получившиеся наброски, по сути промежуточное представление сети, и было той самой стилизованной картинкой.

вторая только декодировать их обратно в текст. Обе понятия не

имеют друг о друге, каждая знает только свой язык.

слов на клавиатуре , генерация музыки и даже чатботы.

языков между собой, в 2017 был добавлен и русский. Google

разработал собственную систему под нехитрым названием Google Neural Machine Translation (GNMT), состоявшую аж из 8-слойного RNN на входе и такого же на выходе и системы согласования контекста под названием Attention Model.

Главным отличием они заявили гибридность. Переводчик Яндекса переводит предложение сразу

двумя методами — статистическим и нейросетевым, а потом с помощью их любимого алгоритма CatBoost находит наиболее подходящий.

синхронного перевода речи на лету. Google делала шаг в этом

направлении, когда анонсировала Pixel Buds, но на поверку всё оказалось плохо. Синхронный перевод на лету отличается от обычного, ведь нужно знать места, когда начать переводить, а когда сидеть и слушать. Подходов к решению этой задачи найти не удалось.