Terwyl ons by die Machine Translation-span die afgelope paar maande toenemende verkeer na ons verskillende aanbiedinge gesien het, het ons gister 'n skielike stamp in die verkeer opgemerk. Nadat ek op Agatha Christie en Sherlock Holmes grootgeword het, is sulke raaisels vir my onweerstaanbaar - en 'n aantal ander mense in die span was net so nuuskierig om uit te vind wat hierdie skielike stamp veroorsaak het. Ons het gereken dat die IE8 Aktiwiteit/VersnellerDie Boodskapper Bot, Soek vertalings, Kantoor vertalings het almal dieselfde opwaartse neiging getoon as die vorige dae en was dus nie die spesifieke rede vir hierdie bult nie.

Uiteindelik kon ons een moontlike rede identifiseer waarom ons hierdie piek gesien het. Ons gebruikersgemeenskap het 'n vreemdheid gevind in hoe die masjienvertalingsenjin die vertaling vir verskeie name van Engels na Duits verwerk het. Dit was te verwagte dat wanneer die enjin die naam van die kandidaat van een party na iemand van die ander party vertaal, gegewe die huidige politieke atmosfeer in die aanloop tot Amerikaanse verkiesings, dat dit as nuus sou eindig. Alhoewel ons beslis al die nuwe gebruikers verwelkom wat gekom het om hierdie verskynsel na te gaan, wou ons die rede waarom sulke dinge van tyd tot tyd met statisties opgeleide masjienvertalingstelsels van ons en ander gebeur, met ons gebruikers deel.

'N Statistiese masjienvertalingsenjin word opgelei op baie en baie parallelle data, dit wil sê data wat in beide 'n brontaal (byvoorbeeld Engels) en 'n doeltaal (byvoorbeeld Duits) bestaan, waar die bron en teiken vertalings van mekaar is. Ons enjin word opgelei op miljoene sinne vir elke taalpaar wat ons ondersteun. Om op 'n bepaalde korpus data op te lei—miskien 'n groot aantal nuusberigte in Engels wat in Duits vertaal is—moet ons eers daardie korpus in sinne opdeel. Nadat die korpus sin gebreek is, voer ons die resulterende sinne in 'n sinsbelyning, waarvan die uitsluitlike doel is om te vind watter sinne aan die bronkant ooreenstem met sinne aan die teikenkant. Dit is geen onbenullige taak nie, aangesien 'n sin aan die een kant denkbaar in lyn kan kom met een of meer sinne op die teiken (of moontlik glad nie!). Die aligner sal soms foute maak en een sin verkeerd belyn met 'n ander wat eintlik nie 'n vertaling is nie. Dit kan lei tot 'n paar verkeerde vertalings, veral as daar woorde in die bron en teiken is wat selde voorkom. Aangesien ons vertaalenjin statisties is, is dit baie afhanklik van mede-voorkomsfrekwensies tussen woorde in die bron- en teikendata. As sekere woorde selde voorkom - mense se name kan byvoorbeeld slegs 'n paar keer in 'n korpus van miljoene sinne voorkom - kan die gebrek aan frekwensie lei tot verkeerde vertalings as gevolg van verkeerde "raaiskote" tussen bron en teiken (dws lae waarskynlikhede wat aan spesifieke bron- en teikenwoorde toegeken word). Dit kan lei tot 'n paar komiese gaffes in ons vertaalstelsel.

So, dit is hoe die "masjien" besluit het om te vertaal op 'n manier wat uiteindelik by die gemeenskap beland het wat dit toegeskryf het aan die sin vir humor van ons span. Terwyl ons voortgaan om hard te werk om behoorlike belyning te verseker, is dit te verwagte van 'n statistiese stelsel wat gebou is op miljoene tot miljarde woorde wat so 'n situasie kan herhaal.

Die huidige probleem met belyning moet nou opgelos word, maar ons doen 'n beroep op ons gemeenskap van gebruikers om ons te help om sulke situasies te identifiseer deur ons via hierdie blog te kontak.

-Vikram

Vikram Dendi lei Besigheidstrategie en Produkbeplanning vir die Microsoft Translator-span