Seite - 205 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 205 Insgesamt ist der Einfluss des Trainingsmaterials und des Trainingsprozesses auf die Übersetzungsqualität enorm. Die Verfügbarkeit von geeignetem, hochwertigem Trai- ningsmaterial wird zukünftig entscheidend sein, um die Vision einer natürlichen, zuverlässigen Sprachübersetzung zu erreichen. Sprachenerweiterung und „Low-Resource languages“ Google bot im Februar 2018 die Möglichkeit, 103 Sprachen zu übersetzen, wobei noch nicht alle Sprachenpaare die NMT nutzen können, sondern mit dem SMT-Algo- rithmus auskommen müssen. DeepL unterstützte sieben Sprachen. Auf der Welt gibt es etwa 6.900 verschiedene Sprachen. Google deckt davon also weniger als 2 Pro- zent ab. Fast das gesamte Wissen liegt in ca. 1 Prozent der Sprachen vor (Carbonell 2016). Um das volle Potenzial des Internets für einen gerechten, barrierefreien Zugang zu Wissen und Informationen ausschöpfen zu können, muss sichergestellt werden, dass auch die Sprachbarriere fällt. Und zwar nicht nur für die 77 Sprachen, die mehr als zehn Millionen Menschen jeweils sprechen, sondern auch und gerade für diejenigen Sprachen, in denen sich nur kleine Gruppen verständigen. Für diese Sprachen steht oft nur wenig Trainingsmaterial für die maschinelle Übersetzung zur Verfügung („Low-resource languages“). Allein in Indien gibt es bis zu 400 linguistisch unter- schiedliche Sprachen und selbst dort, in der ehemaligen britischen Kolonie, die Eng- lisch als eine offizielle Amtssprache besitzt, ist es bei weitem keine Selbstverständlich- keit, dass Englisch – die Sprache des Internets – verstanden wird. Auch Soldaten oder internationale Hilfsorganisationen in Krisengebieten treffen häufig auf Vertreter der „Low-resource-languages“ und könnten von maschinellen Übersetzern profitieren. „Low-resource-languages“ und das Auffinden von nutzbarem Textmaterial für diese Sprachen stehen daher auch regelmäßig im Fokus der Ideenschmiede des US-Vertei- digungsministeriums DARPA. Grundsätzlich übersetzen derzeit SMT-Algorithmen „Low-resource languages“ bes- ser, da diese mit weniger Trainingsmaterial bessere Ergebnisse liefern als datenhung- rige neuronale Netze. Gleichzeitig sind gerade für diese Sprachen erst recht keine zweisprachigen Texte in beliebigen Zielsprachen vorhanden. Ein sprachenunspezifi- scher NMT-Algorithmus, der mit allen verfügbaren Sprachen gleichzeitig trainiert wird, Zero-Shot-Translation ermöglicht und gegebenenfalls durch einsprachiges Trai- ningsmaterial unterstützt werden kann, birgt hier großes Leistungspotenzial. Integration Die Vision, die Douglas Adams’ Babelfisch verkörpert, geht deutlich über das reine Übersetzen von Texten hinaus. Nachdem der Reisende den Babelfisch ins Ohr gesteckt