Page - 199 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 199 und Ausgangssprache in der SMT übergegangen zu einer nicht-linearen Abbildung in der NMT, basierend auf einer Vektordarstellung des Ein- und Ausgangssatzes über mehrere Zwischenstufen und mehrere Abstraktionsgrade. Dadurch kann jedes ein- zelne Wort jeweils in der Abhängigkeit von allen anderen Wörtern im Satz betrachtet werden. Zusätzliche Sprachmodelle sind hier nicht nötig. Durch die gleichzeitige Betrachtung eines vollständigen Satzes mit allen Abhängigkeiten können NMT-Algo- rithmen insbesondere besser mit sogenannten „long-distance dependencies“ umge- hen, d.  h. getrennten Satzteilen, die grammatikalisch und/oder inhaltlich voneinan- der abhängen und die Aussage stark beeinflussen können. Besonders im Deutschen sind solche „long-distance dependecies“ häufig: „Für die Geburtstagsfeier der drei- jährigen Lise brachte der Vater ein Kaninchen mit einer blauen Schleife mit/um.“ Auch Sprachpaare, bei denen die Wortreihenfolge stark unterschiedlich ist, beherrscht NMT besser. Die starke Abhängigkeit von Umfang, Qualität und Ausrichtung des Trainingsmaterials besteht jedoch auch hier. Allgemein erzeugen NMT-Systeme deut- lich natürlicher klingende, für den Menschen verständlichere Sätze als SMT-Systeme, die auch den Inhalt besser wiedergeben. Die Satzstruktur ist besser, es gibt weniger Syntaxfehler und weniger Fehler in der Wortreihenfolge. Auf der Webseite des Übersetzungsprogramms Microsoft Translator (Microsoft) kann der interessierte Nutzer selbst vergleichende Tests durchführen und ein Gefühl für die jeweilige Übersetzungsqualität bekommen. Die beiden Beispiele in Abbildung 10.2 demonstrieren einerseits das bessere Niveau der NMT-Übersetzung, andererseits aber auch die immer noch vorhandene Unzulänglichkeit bei Übersetzungen, die ein Ver- ständnis der Aussage erfordern. Auch wenn nach Google im Verlauf des Jahres 2017 fast alle großen Anbieter von Übersetzungswerkzeugen, wie Microsoft/Bing, Yandex, Systran, SDL oder Omniscien Technologies, die NMT-Technologie in ihre Systeme integriert haben, wurde dadurch der SMT-Algorithmus nicht automatisch ersetzt. Oftmals werden hybride Verfahren angeboten, die die Vorteile beider Ansätze nutzen. So lassen sich bei SMT-Algorith- men etwa leichter problem- bzw. anwendungsspezifische Datenbanken einbinden, die eine bestimmte fachspezifische Terminologie oder regelmäßig wiederkehrende Sätze und Formulierungen mit verifizierter Übersetzung (Übersetzungsspeicher) ent- halten. Anders als NMT kann dies dadurch auch sicherstellen, dass feste Bezeichnun- gen über einen Text hinweg konsistent übersetzt werden. Abhängig vom Anwen- dungszweck, der Anwendungsdomäne, dem verfügbaren Trainingsmaterial und auch dem betrachteten Sprachenpaar kann SMT auch die bessere Übersetzungsqua- lität liefern (siehe z.  B. M. Farajian et al.). Im August 2017 trat überraschend ein neuer Player auf den Markt. Das deutsche Unternehmen DeepL behauptet auf seiner Webseite (DeepL) unbescheiden, dass „im Blindtest […] DeepLs Resultate etwa drei Mal so häufig als beste Übersetzung gewählt