«`html
Машинный перевод литературных текстов: вызовы и решения
Машинный перевод (MT) совершил значительный прогресс благодаря глубокому обучению и нейронным сетям. Однако перевод литературных текстов остается сложной задачей для MT систем. Сложный язык, фигуративные выражения, культурные особенности и уникальный стиль создают проблемы, с которыми машины трудно справляются. Литературный перевод стал одной из самых сложных областей в машинном переводе, часто называемой «последним бастионом машинного перевода».
Применение крупных языковых моделей (LLM) в ИИ
Большие языковые модели (LLM) изменили область искусственного интеллекта. Они предварительно обучаются на огромном объеме текстовых данных, учатся предсказывать следующее слово в предложении. После предварительного обучения используется надзорное донастройка (SFT) или инструкционная донастройка (IT) для адаптации моделей к общим языковым знаниям. Кроме того, существуют многоагентные системы, в которых развиваются интеллектуальные агенты для понимания окружающей среды, принятия решений и реагирования соответствующими действиями. В последнее время MT достиг значительных прорывов, включая многозадачный MT, машинный перевод с низкими ресурсами, мультиязычный MT и неавторегрессивный MT.
TRANSAGENTS: мультиагентная система для литературного перевода
Исследователи из университетов Монаш, Макао и Tencent AI Lab представили TRANSAGENTS — мультиагентную систему для литературного перевода, способную справляться с комплексными деталями литературных произведений с помощью мультиагентных методов. Несмотря на плохую производительность по показателям d-BLEU, она предпочтительна для человеческих оценщиков и оценщика LLM перед человеческими ссылочными и GPT-4 переводами. TRANSAGENTS способна генерировать переводы с более детальными и разнообразными описаниями, и она в 80 раз дешевле профессиональных человеческих переводчиков при переводе литературных текстов.
Оценка качества переводов и сравнение с другими методами
Исследователи представили две стратегии оценки качества переводов: монолингвистическую предпочтительность человека (MHP) и билингвистическую предпочтительность LLM (BLP). MHP фокусируется на воздействии перевода на целевую аудиторию, уделяя внимание плавности и соответствию культуре, в то время как BLP сравнивает переводы непосредственно с оригинальными текстами с использованием передовых LLM. TRANSAGENTS сравнивается с другими методами, такими как REFERENCE 1 и GPT-4-1106-PREVIEW с использованием оценок монолингвистической предпочтительности человека. Результаты показывают, что человеческие оценщики предпочитают переводы, сгенерированные TRANSAGENTS, перед другими упомянутыми методами. Кроме того, модели оцениваются с использованием BLP, и результаты показывают, что GPT-4-0125-PREVIEW предпочитает переводы, произведенные TRANSAGENTS, демонстрируя свою устойчивую предпочтительность к детальным и разнообразным описаниям при оценке литературных переводов.
Заключение
TRANSAGENTS представляет собой мультиагентную виртуальную компанию, разработанную для литературного перевода, отражающую традиционный процесс публикации переводов. Две стратегии, MHP и BLP, представлены для оценки качества переводов. Несмотря на низкие показатели d-BLEU, переводы, сгенерированные TRANSAGENTS, предпочтительны перед человеческими ссылочными оценщиками и моделями языка, и они в 80 раз дешевле профессиональных человеческих переводчиков для литературного перевода. Однако определенные ограничения TRANSAGENTS указывают на проблемы в подходах к оценке машинного перевода, такие как плохие метрики оценки и надежность ссылочных переводов.
Подробнее см. статью. Вся заслуга за это исследование принадлежит его авторам. Также не забудьте подписаться на нас в Twitter. Присоединяйтесь к нашему Telegram-каналу, Discord-каналу и группе в LinkedIn.
Если вам нравится наша работа, вам понравится и наш бюллетень.
Не забудьте присоединиться к нашему подразделению по машинному обучению (ML) с более чем 42 тысячами подписчиков.