O strojovém p°ekladu
Mgr. Martin Popel, Ph.D.
Ústav formální a aplikované lingvistiky, Matematicko-fyzikální fakulta, Univerzita Karlova
http://ufal.cz/martin-popel
source Great talkers are little doers.
Yandex Velké talkers jsou trochu £initelé.
Bing Velcí vysíla£ky jsou malí £initelé.
Google Velcí mluv£í jsou malí lidé.
TectoMT Velcí °e£níci jsou malí vrazi.
CUBBITT Velcí mluvkové jsou malí d°í£i.
ím se zabývá po£íta£ová lingvistika?
2Kontrola p°eklep· gramatiky
3Dívce ne²ly hodinky.
Chlapci ²ly.
Kdo kam co donesl?
Chlapec ²li do ²koly.
Kontrola p°eklep· gramatiky
3Dívce ne²ly hodinky. Chlapci ²ly.
Kdo kam co donesl?
Chlapec ²li do ²koly.
Kontrola p°eklep· gramatiky
3Dívce ne²ly hodinky. Chlapci ²ly.
Kdo kam co donesl? Chlapec ²li do ²koly.
Kontrola p°eklep· gramatiky
3http://ufal.cz/korektor
Automatické generování zpráv
4zpráv p°ibývá (FB, Twitter), noviná°· ubývá, zisky klesají,
£tená°i cht¥jí zprávy personalizované a hned
Automatické generování poezie
5Byl by to rytí°, kde v plán¥ h°ích vzlet,
V¥d¥ jsem jse seheldo na p°ídoutn¥ v sv¥t¥ si nezastavá:
Ukryjemné, chv¥la, milý nás jest Kolem jsou jest vyhrávaných A svítí co plá£em, rád pravil:
Ale plná jízdo zaporodilo se, vys.
jiº dávno vás poháru a vlanných rány, v jablon¥ní je pí²e je i v kristování,
srdce v své ºenských svém v obly p¥tky tam a vzíti, na kó¬ku je, milý sv¥ºek.
Automatické generování poezie
5I'll come a bit later on my own.
Sem £elist je²t¥ na své milé.
Automatické generování poezie
5I'll come a bit later on my own.
Sem £elist je²t¥ na své milé.
Kdyº robot pí²e (divadelní) hru
6MFF + DAMU + vandovo divadlo premiéra 26. 2. 2021 (100 let po R.U.R.)
https://www.theaitre.com
Detekce korupce £i emocí v textu
7Automatický v¥tný rozbor
8v¥tný rozbor dostupný pro 50 jazyk·
p°esnost pro £e²tinu asi 90% (85% v£etn¥ morfologie)
https://lindat.cz/services/udpipe/
Word embeddings
9Umíte s£ítat a od£ítat £ísla?
A co slova a obrázky?
Word embeddings
9král - muº + ºena = ?
Word embeddings
9král - muº + ºena = královna Tomá² Mikolov, 2012, word2vec
https://projector.tensorflow.org/
Word embeddings
9-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Country and Capital Vectors Projected by PCA
China
Japan
France Russia
Germany
Italy
Spain Greece
Turkey
Beijing
Paris Tokyo
Poland
Moscow
Portugal
Berlin
RomeAthens
Madrid Ankara
Warsaw
Lisbon
Strojový p°eklad angli£tina → £e²tina 20072019
102006 2008 2010 2012 2014 2016 2018
0 0.2 0.4 0.6 0.8 1
relativníkvalita
PC-Translator TectoMT
nejlep²í
nejhor²í
Strojový p°eklad angli£tina → £e²tina 20072019
102006 2008 2010 2012 2014 2016 2018
0 0.2 0.4 0.6 0.8 1
relativníkvalita
PC-Translator TectoMT
Moses
nejlep²í
nejhor²í
Strojový p°eklad angli£tina → £e²tina 20072019
102006 2008 2010 2012 2014 2016 2018
0 0.2 0.4 0.6 0.8 1
relativníkvalita
PC-Translator TectoMT
Moses Google
nejlep²í
nejhor²í
Strojový p°eklad angli£tina → £e²tina 20072019
102006 2008 2010 2012 2014 2016 2018
0 0.2 0.4 0.6 0.8 1
relativníkvalita
PC-Translator TectoMT
Moses Google Chimera
nejlep²í
nejhor²í
Strojový p°eklad angli£tina → £e²tina 20072019
102006 2008 2010 2012 2014 2016 2018
0 0.2 0.4 0.6 0.8 1
relativníkvalita
PC-Translator TectoMT
Moses Google Chimera
NMT
nejlep²í
nejhor²í
Hloubkov¥-syntaktický p°eklada£ TectoMT
11a-tree zone=en_src
ISb PRP
'dPred MD
rather AdvRB
beObj VB
aAuxA DT
hammer PnomNN
thanAuxP IN
aAuxA DT
nailAtr NN .AuxK .
t-tree zone=en_src
#PersPron ACT n:subj I
rather MANN adv rather
be.enunc PRED v:fin 'd be
hammer PAT n:obj a hammer
nailCPR n:than+X than a nail
t-tree zone=cs_tst
#PersPron ACT n:1 spíše
MANN adv Spíše
být.enunc PRED v:fin bych byl
kladivo PAT n:1 kladivo
hřebík CPR n:než+1 než hřebík
a-tree zone=cs_tst
Spíše
!!Dg bychAuxV Vc
byl!!
VpYSXRA kladivo
!!NNNS1
nežAuxP J,
hřebík
!!NNIS1 .AuxK Z:
I'd rather be a hammer than a nail. Spí²e bych byl kladivo neºh°ebík/nehet.
& blocks
source language (English) target language (Czech) morphological layer
analytical layer tectogramatical layer
a-layer
m-layer w-layer
ANALYSIS TRANSFER SYNTHESIS
t-layer
tokenization lemmatization tagger (MorphoDiTa)
dependency parser (MST) analytical functions
mark edges to contract build t-tree
fill formems grammatemes use
HMTM query dictionary
fill morphological categories impose agreement
add functional words generate wordforms
concatenate
rule based statistical
segmentation
Co je to?
1240 GPU (GeForce GTX 1080 Ti, 12 miliard tranzistor·)
12Um¥lá inteligence a její podobory/vývoj
13um¥lá inteligence
∼1950
strojové u£ení
∼1980 hluboké u£ení
∼2010
Um¥lá inteligence a její podobory/vývoj
13um¥lá inteligence
∼1950
strojové u£ení
∼1980 hluboké u£ení
∼2010
Neuronová sí´
14jednoduchá architektura (16 parametr·)
https://playground.tensorflow.org
Neuronová sí´
14jednoduchá architektura (16 parametr·)
https://playground.tensorflow.org
Neuronový p°eklada£ CUBBITT
15architektura Transformer (213 milion· parametr·)
Neuronový p°eklada£ CUBBITT
15sí´ se sama u£í d·leºité vztahy mezi slovy (díky self-attention)
Vyhodnocení anglicko-£eského p°ekladu
1656 % v¥t p°eloºil p°esn¥ji ná² p°eklada£ CUBBITT 34 % profesionální p°ekladatelská agentura
Zkuste si CUBBITT sami:
https://lindat.cz/cubbitt (En↔Cs, Fr, Pl)
Rizika strojového p°ekladu
17zdroj:The Guardian (2017)
denn¥ p°es 100 miliard slov (Google, Microsoft, Baidu, Amazon,...) velikost trhu za rok 2020: 650 milion· dolar·
Rizika strojového p°ekladu
17zdroj:The Guardian (2017)
denn¥ p°es 100 miliard slov (Google, Microsoft, Baidu, Amazon,...) velikost trhu za rok 2020: 650 milion· dolar·
Document-level translation
18Source Jana je ºena. Pracuje jako pr·vod£í.
Google Jana is a woman. He works as a guide.
Bing Jana is a woman. He works as a conductor.
CUBBITT Jane is a woman. He works as a conductor.
CUBBITT-doc Jana is a woman. She works as a conductor.
DeepL Jana is a woman. She works as a conductor.
Source Nikdo nedokáºe pochopit, pro£ Pavla d¥lá to, co d¥lá.
Pracuje jako pr·vod£í.
CUBBITT-doc No one can understand why Pavla does what she does.
She works as a conductor.
DeepL No one can understand why Paul does what he does.
She works as a conductor.
Ukázky p°ekladu
19source As good be an addled egg as an idle bird.
Bing Jako dobrý být popletený vejce jako ne£inný pták.
Google Jako dobrá být v£len¥ná vejce.
T2009 Dobré je fe´ácké vejce jako £inný pták.
T2018 Dob°í bu¤te plete vejce jako ne£inný pták.
CUBBITT Stejn¥ dobré je být pomateným vejcem jako zahálejícím ptákem.
source A miss by an inch is a miss by a mile.
Bing Miss o palec je Miss o míli.
Yandex Sle£na tím, ºe palec je vedle o míli.
Google Chyb¥jící palcem je míle vzdálená míle.
T2009 Sle£na palec je sle£na miliónu.
T2018 Sle£na palce je sle£na míle.
CUBBITT Minutí o centimetr je o kilometr.
Birds of a feather ock together.
Ptáci pe°í stáda dohromady.
Vrána k vrán¥ sedá.
Vrána k vrán¥ sedá.
Ptáci v bederním hejnu spolu.
Ptáci pé°ového hejna spolu.
Vrána k vrán¥ sedá.
Zkuste si CUBBITT sami: https://lindat.cz/cubbitt