Page - 198 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

198 B Anwendung Statistische Maschinelle Übersetzung (SMT) Im Jahr 2007 führte Google als einer der ersten Anbieter ein selbstlernendes Über- setzungssystem ein, das Datenbanken statistisch auswertete (Statistical Machine Translation, SMT) und so die wahrscheinlichsten Übersetzungen eruierte. Aktuell werden bei der statistischen Übersetzung jeweils eine Reihe von aufeinanderfolgen- den Wörtern gleichzeitig betrachtet (Phrase-based Machine Translation, PBMT) und damit auch die Häufigkeit von Wortkombinationen evaluiert, wodurch implizit auch der Kontext zu einem geringen Grad berücksichtigt wird, wenn die sinnrelevanten Wörter eng genug beisammenstehen. Probleme treten hier vor allem bei Sprachpaaren auf, bei denen sich die Wortreihen- folge und/oder die grammatikalische Struktur stark unterscheiden. Durch die Einbin- dung zusätzlicher Sprachmodelle, „Reordering“-(Umsortierungs-)Modellen und wei- terer unterstützender Algorithmen wird diesen Defiziten entgegengewirkt. Durch den statistischen Ansatz entsteht außerdem eine starke Abhängigkeit vom Trainings- material. Trainiert man etwa als Extrembeispiel einen Algorithmus ausschließlich mit Texten aus der Zoologie, wird in der anschließenden Übersetzung eines Berichts über ein Baseballspiel das englische Wort „bat“ trotzdem immer als „Fledermaus“, nicht aber als „Schläger“ wiedergegeben werden. Im ersten Hype um das damals neue Verfahren zitiert die Zeitschrift Computerbild (Hülsbörner, 2007) Philipp Köhn, einen der Mitentwickler der SMT: „Technische und politische Texte können wir völlig prob- lemlos übersetzen lassen – von Sportberichten und Kochrezepten lassen wir dagegen lieber die Finger“. Ursache dieser Einschätzung war die thematische Beschränkung der Themen, die in den frei verfügbaren und zum Training nutzbaren Texten der Ver- einten Nationen oder Europäischen Union existiert. Neuronale Maschinelle Übersetzung (NMT) Im November 2016 führte Google dann mit großer Medienresonanz das erste Über- setzungssystem ein, das sich eines neuronalen Netzes (Neural Maschine Translation, NMT) bediente und versprach, mit natürlicheren Sätzen die Lücke zwischen mensch- licher und maschineller Übersetzung zu schließen („Bridging the Gap between Human and Machine Translation“; (Yonghui Wu et al., 2016)). Bis dato gab es zwar vielver- sprechende Arbeiten zur Nutzung neuronaler Netze, die NMT-Systeme schnitten aber im Praxistest schlechter ab als ausgereifte SMT-Übersetzer. Google konnte erstmals verschiedene Schwächen, wie etwa die langsamere Trainingsgeschwindigkeit, die ineffiziente Behandlung von seltenen Wörtern oder das Problem, dass manchmal nicht alle Wörter des Ursprungssatzes übersetzt wurden, erfolgreich ausgleichen. Anders als bei der SMT wird bei der NMT immer ein vollständiger Satz gleichzeitig betrachtet. Mathematisch wird von einer linearen Abbildung zwischen Eingangs-