기계 번역

한 언어에서 다른 언어로 텍스트를 자동으로 번역하는 것으로, 단어 정렬 모델을 통해 통계적 자연어 처리(NLP)를 이끌었으며 현재는 신경망 시퀀스-투-시퀀스 번역에 의존하는 분야입니다.

Definition

기계 번역은 원어(source language)의 텍스트나 음성을 대상 언어(target language)의 동등한 표현으로 자동 변환하는 것입니다.

Scope

언어 간 자동 번역을 다룹니다: 단어 및 구문 기반 통계 모델, 정렬 및 잡음 채널 프레임워크, 어텐션 및 트랜스포머를 이용한 신경망 기계 번역, 그리고 번역 품질 평가. 저자원 및 다국어 번역 문제도 다룹니다. 일반적인 트랜스포머 아키텍처는 관련 주제에서 다룹니다.

Core questions

• 잡음 채널 모델은 번역을 어떻게 탐색 문제로 구성하는가?
• 병렬 코퍼스에서 단어 및 구문 정렬은 어떻게 학습되는가?
• 신경망 기계 번역은 어떻게 구문 기반 시스템을 능가했는가?
• 번역 품질은 자동 및 인간 평가를 통해 어떻게 측정되는가?

Key concepts

• 병렬 코퍼스
• 단어 정렬
• 구문 기반 번역
• 잡음 채널 모델
• 신경망 기계 번역
• 하위 단어 단위
• BLEU
• 저자원 번역

Key theories

통계적 단어 정렬 모델

Brown과 동료들의 IBM 모델은 병렬 텍스트에서 단어 대응 관계를 학습하고 번역을 확률적으로 구성하여 통계적 기계 번역의 기반을 마련했습니다.

신경망 기계 번역

명시적인 정렬이나 구문 테이블 없이 번역하며, 희귀 단어를 처리하기 위해 하위 단어 단위를 사용하는 어텐션 기반의 종단간 인코더-디코더 모델입니다.

History

초기 규칙 기반 시스템의 실망 이후, Brown과 동료들의 1993년 IBM 모델은 통계적 기계 번역을 시작했으며, Koehn에 의해 문서화된 구문 기반 시스템으로 발전했습니다. 신경망 기계 번역은 2014-2016년경 등장하여 빠르게 표준이 되었고 널리 사용되는 번역 서비스의 기반이 되었습니다.

Debates

자동 평가의 적절성

BLEU와 같은 지표는 빠른 발전을 가능하게 했지만, 인간의 유창성 및 적절성 판단과 완벽하게 일치하지 않아 중요한 평가에서는 여전히 인간 평가가 필수적입니다.

Key figures

• Peter Brown
• Robert Mercer
• Philipp Koehn
• Rico Sennrich

Seminal works

• brown1993
• papineni2002
• sennrich2016

Frequently asked questions

기계 번역이 자연어 처리(NLP) 역사에서 왜 그렇게 중요했나요?

번역은 명확한 목표, 풍부한 병렬 데이터, 그리고 통계적 및 신경망 방법을 보상하는 어려운 문제를 제공했기 때문에, 기계 번역의 발전은 더 넓은 분야의 발전을 반복적으로 이끌었습니다.