Neden insanlarla karşılaştırılabilir olmasın? Microsoft'un yeni yapay zeka çeviri sisteminin dört sırrının derinlemesine yorumlanması
Leifeng.comun Yapay Zeka Teknolojisi Yorumu: 15 Mart tarihli "Makine Çevirisinde Yeni Atılım, İnsan Düzeyine Kadar Microsoft Çince-İngilizce Haber Çevirisi" başlıklı makalede, Microsoft Research Asia ve Redmond Research Institute tarafından ortaklaşa geliştirilen yeni bir makine çevirisini tanıttık System, Microsoft, en yeni 2017'nin Çince-İngilizce test setinde insan çevirisi ile karşılaştırılabilir bir seviyeye ulaştığını iddia ediyor.
Bu haber sadece merakımızı uyandırmakla kalmadı, aynı zamanda editör ve muhabirlerimize "yapay zekanın bir sonraki şehre bu kadar kısa sürede geri döndüğüne" yemin ederken, bazı okuyucuların sorularını da uyandırdı. Sonuçta, genellikle yeni modellerin halka açık testlerde insanlarla aynı puanları alabildiğini görüyoruz, ancak özellikle esnek ve değişken insan dili için bir veri setini değiştirerek insanlarla karşılaştırılamayabilirler; Öte yandan Google, Sogou ve Baidu gibi internet devlerinin kendi sinir ağı çeviri sistemleri var.Herkes az çok tecrübe etti.En son modeller genel olarak dikkat mekanizmasını kullansa da çeviri kalitesi hala tatmin edici değil. Sık sık olur, peki büyük adımlar atmaya devam etmek ne kadar kolay?
Resmi Microsoft blogunda belirtildiği gibi, yeni çeviri sisteminde dört teknoloji kullanılıyor: İkili öğrenme , Ortak eğitim , Ağı inceleyin ile Tutarlılık düzenleme İlgili makale de yayınlandı. Leifeng.com AI Technology Review, kağıda ve önceki ilgili araştırmalara dayanarak bu dört teknolojinin yeni çeviri sisteminde ne kullanıldığını ayrıntılı olarak tartışacak.Bu dört teknoloji aynı anda kullanıldığında, insan standartlarına ulaşabilirler. "Makul" kabul edilebilir mi? Makalenin sonunda, Microsoft tarafından sağlanan bazı Çince-İngilizce çeviri sonuçlarını da yayınlayacağız. Herhangi bir şüpheyi tamamen ortadan kaldırabilir miyiz bilmiyorum.
1. İkili Öğrenme
Derin öğrenme modellerinin eğitimi, yalnızca sahada sağduyu değil, aynı zamanda daha fazla senaryoda derin öğrenmenin kullanımını sınırlamanın önünde büyük bir engel olan çok fazla veri gerektirir. İkili öğrenme, esas olarak verilere olan bağımlılığı azaltmak için önerilmiştir. Etiket yayma (Etiket Yayma), çoklu görev öğrenme (Çok görevli Öğrenme), veri benzerliği çözümlerinin kullanımı gibi aktarım öğrenme (Transfer Öğrenme) ile karşılaştırıldığında, ikili öğrenme (İkili Öğrenme) yapay zeka görevlerinde doğal olarak görünen simetriyi kullanır Seks. gibi:
-
Makine çevirisi İngilizce-Çince ve Çince-İngilizce simetrisine sahiptir;
-
Konuşma işleme, konuşmadan metne (konuşma tanıma) ve metinden sese (konuşma sentezi) görevlerini gerektirir;
-
Görüntü anlama, resim yazısı oluşturma ve görüntü oluşturma simetrik bir süreçtir;
-
Diyalog görevleri, soru cevaplama ve soru oluşturma;
Geleneksel denetimli öğrenme paradigmasına göre, bu simetrik görevlerin ayrı ayrı eğitilmesi gerekir ve her yön, büyük miktarda etiketlenmiş veri gerektirir. Daha sonra görevin simetrisine bakıldığında, bir İngilizce cümle İngilizceye çevrilip daha sonra Çince'den İngilizceye çevrilmişse ve orijinal cümleye çok benziyorsa, "İngilizce'den Çince'ye" ve "Çince'den İngilizceye" olarak kabul edilebilir. Tüm çevirmenler çok iyi performans gösterdi. Bu aynı zamanda insanların sağduyularına da uygundur.
Microsoft Asia Research'te kıdemli bir araştırmacı olan Dr. Tao Qin, bir zamanlar ekibi yayınlamaya yönlendirdi " İkili öğrenme "(Https://arxiv.org/abs/1611.00179) ve" Çift denetimli öğrenim "(Https://arxiv.org/abs/1707.00415) iki makale, denetimsiz öğrenme ve denetimli öğrenmenin iki modunda ikili öğrenmenin biçimini ve performansını tanıttı. Leifeng.com ayrıca Dr. Tao Qin'i önceki NIPS belgesini ayrıntılı olarak paylaşmaya davet etti.
İkili öğrenme
NIPS 2016 ikili öğrenim belgesinin paradigma diyagramı
Şekilde gösterildiği gibi, ikili öğrenme için, ana görev f, etiketlenmemiş İngilizce cümlesini Çince y'ye çevirir ve ikili görev g, Çince y'yi tekrar İngilizce x 'e çevirir. Model süreçten iki geri bildirim alır, geri bildirimin bir kısmı Çince'yi anlayan ve Çince'nin kalitesini değerlendiren bir temsilciden (örneğin, bu yumuşak bir Çince cümle mi); diğer geri bildirim İngilizceyi anlayan bir temsilciden alınır, x'i karşılaştırın X'gets geribildirim ile benzerlik. Bu şekilde, bir süreç bittikten sonra model tam bir geri bildirim alabilir.
Geri bildirimle, bazı pekiştirmeli öğrenme yöntemleri, f ve g modellerini eğitmek ve güncellemek için doğrudan kullanılabilir. Makalede kullanılan yöntem, ana görev f ve ikili görev g'de iyi davranış olasılığını artıran ve kötü davranış olasılığını azaltan politika gradyanıdır. Öte yandan, yalnızca tek bir girdi olduğu ve iki aracı kendi kendilerine geri bildirim ürettikleri için, çeviri sonucunu girdiye karşılık gelen etiketle karşılaştırmaya gerek yoktur, bu nedenle bu bir tür Denetimsiz öğrenme yöntemi .
Öğrenme etkileri açısından, 2016'da derin sinir ağlarına dayanan makine çeviri algoritmasına (NMT) kıyasla 12 milyon iki dilli etiketli cümle kullanan İngilizce-Fransızca çeviri deneyinde, çift öğrenmenin başarmak için iki dilli verilerin yalnızca% 10'una ihtiyacı vardır. NMT, eğitim doğruluğu için tüm verileri kullanır. Eğitim için gereken veri miktarı% 90 oranında azaltılabilir ve bu da beklenen sonuçlara iyi bir şekilde ulaşır.
Dr. Tao Qin'e göre, ikili öğrenmeyle ilgili bir sorun, soğuk başlangıç yapmanın zor olmasıdır, yani, ana görevin iki ajanı ve ikili görev, ortak geribildirim eğitimi için ikili öğrenmeyi kullanmadan önce eğitilmeleri gerekir, aksi takdirde model yakınlaşacaktır. çok yavaş.
Çift denetimli öğrenim
Çeviri görevini örnek olarak alırsak, denetimli öğrenmede, ana görev f'nin doğru çevirisinin y olması gerektiğini bildikten sonra, maksimum olabilirlik kriteri f'yi güncellemek için kullanılabilir, böylece y olasılığı ne kadar büyükse o kadar iyidir.
İkili denetimli öğrenme için, hem ana görev f hem de ikili görev g'nin y ve x doğru çevirilerine sahip olması gerekir, böylece ortak bir olasılık P (x, y) olacaktır. Hem f hem de g bu ortak olasılığı hesaplayabilir P (x, y) = P (x) P (y | x; f) = P (y) P (x | y; g). Ancak f ve g denetimli öğrenmeye göre ayrı ayrı eğitilirse, ayrı ayrı hesaplanan ortak olasılıkların aynı olacağının garantisi yoktur.
Bu problemi çözmek için, makale, f ve g iki görevinin kayıp işlevlerine dayalı olarak ikili denetimli öğrenme için bir düzenlileştirme terimi ekler. F ile P (x, y) = P (x) P (y | x; f) ortak olasılığını hesaplayın ve P (x, y) = P (y) P (x) ortak olasılığını hesaplayın | y; g) '' iki olasılık arasındaki farkı en aza indirin Böylece, iki simetrik görevin birlikte öğrenmesine izin vererek, yapının simetrisi yoluyla denetimli öğrenme sürecini güçlendirir. (Yukarıdaki şeklin ortasındaki formül) Bu ve SVM düzenleme terimi arasındaki fark, SVM'nin düzenlileştirme teriminin modelle ilgili olması ve verilerle hiçbir ilgisinin olmamasıdır; ancak ikili denetimli öğrenmede tartışılan düzenlileştirme terimi de verilerle ilgilidir. Böyle bir düzenleme öğesiyle, her eğitim verisi, düzenleme öğesine katılabilir ve ana görevin ve ikili görevin iki modeli birbirini etkileyebilir ve birlikte gelişebilir.
Makalede yer alan teste göre, ikili denetimli öğrenme modeli, makine çevirisi, görüntü sınıflandırması ve cümle duyarlılığı analizinin üç çift görevinde önemli iyileştirmeler elde etti. Özellikle etkileyici olan şey, cümle duyarlılığı analizinin görev çiftidir: ileri görev, bir cümlenin olumlu mu yoksa olumsuz mu olduğuna karar verir ve tersi görev, verilen olumlu / olumsuz duyguya göre cümleler oluşturur Görevdeki bilgi kaybı çok ciddidir. Yalnızca 1 bit bilgi kaldı. Test sonuçlarında, ileri görevler için duyarlılık sınıflandırmasının hata oranı sadece kıyaslama modelinin% 10,1'inden ikili denetimli öğrenme modelinin% 9,2'sine düşmüştür.Yazarlar bunun ciddi bir şekilde bilgi kaybıyla ilgili olduğuna inanmaktadır.
Bununla birlikte, ters yönde cümleler oluşturmaya gelince, ikili denetimli öğrenme modeli güçlü ifade gücü gösterir, basit kısa cümlelerin kullanımı azalır ve seçilen kelimeler, kelimeler ve cümle kalıpları daha güçlü ve daha spesifik duyguları ifade eder. Aşağıda gösterildiği gibi
Bu yeni makine çevirisi sisteminde, Hem tek dilli dil bütünlüğü ikili öğrenme hem de iki dilli topluluk temelli çift denetimli öğrenme, bütünlük eğitiminin etkinliğini artıran .
2. Ortak Eğitim
Veri kullanımının verimliliğini artırabilen ikili öğrenme gibi yöntemlerle bile, sonuçta, ne kadar yüksek kaliteli iki dilli eğitim verileri o kadar iyidir - ama aslında bu kadar çok veri yoktur. Bu nedenle, makale ayrıca iki çeviri modeli için Çince'den İngilizceye ve İngilizce'den Çince'ye yeni veriler oluşturmak için ortak eğitim sunmaktadır. Yeni oluşturulan verileri eğitim verileri olarak kullanın ve yinelemeli olarak eğitin .
Spesifik yöntem şekilde gösterilmiştir. Mevcut iki dilli D korpusundaki cümle çiftleri (X, Y) için, X'i Y'ye ve Y'yi X''e çevirmek için önceden eğitilmiş bir çift çevirmen kullanın. İfade çifti (X ', Y'). Her yinelemede, yeni oluşturulan cümle çiftleri mevcut iki dilli eğitim verilerine eklenecek ve her iki yönde iki model eğitilmeye devam edecek; eğitilen model bir kez daha yeniyi çevirecek (X ', Y') Yeni eğitim verileri olarak. Bu arada ayrıca Yarı denetimli bir eğitim kaybı tasarlanır ve iki yönlü modelin performansı da dahil edilir, böylece bir modelin ilerlemesi diğer modelin performansına açıkça yardımcı olabilir. .
Bir sonraki eğitim turunda kullanılacak yeni oluşturulan cümle çiftlerinin kalitesini sağlamak için, oluşturulan cümlelerin en iyi kısmı seçilmeli ve seçilen cümlelerin sinir ağı çeviri modelinin çeviri olasılık ağırlığına göre puanlanması gerekir, böylece Kötü çeviri cümlelerinin olumsuz etkisini en aza indirin. Daha sonra, bir tur yinelemeli süreçte, iki yönde çevrilen cümlelerin kalitesi gittikçe artacak ve model daha iyi eğitilecektir.Bu yinelemeli eğitim süreci, performans artık iyileştirilemeyene kadar devam edecektir.
3. Müzakere Ağları
Eğitim verilerinin getirdiği sınırlamalara ek olarak, mevcut sinir ağı çeviri sistemi genel olarak aşağıdaki metnin çeviri sonuçlarının bir önceki metinle sınırlandırılması sorununa sahiptir. İnterneti incelemek bu sorunu çözmenin ilk yoludur.
Kasıtlı ağ tasarımı
Önceki çeviri modelleri girdi cümlesini bir dizi girdisi olarak kullandı ve ardından çeviri sonucu, soldan sağa bir sözcük üretmek için bir dizi olarak da kullanıldı.Bu yaklaşım, her sözcüğü oluştururken yalnızca ondan önce üretilen sözcükleri dikkate alacaktır. , Ondan sonra yaratılmamış kelimeleri dikkate almayacak. . İlk bakışta, yanlış olmayan kelimelerde yanlış bir şey yoktur, ancak bunun tersine, insanlar çoğu kez bağlamı birleştirir ve yazarken, bir paragrafın tamamını yazdıktan, tam metni gözden geçirdikten ve baştan gözden geçirdikten sonra bile kelimeleri tekrar tekrar inceler. , Metnin kalitesi artmaya devam etti. Çin Bilim ve Teknoloji Üniversitesi-Microsoft Doktora Ortak Eğitim Programından Xia Yingce, "oluşturma ve daha sonra genel durumu değiştirmek için gözden geçirme" fikri altında, NIPS 2017'de yine Leifeng.com GAIR'de "Müzakere Ağları: Tek Geçişli Kod Çözmenin Ötesinde Sıra Üretimi" adlı bir makale yayınladı. Konferans salonundaki çevrimiçi halka açık sınıf, ağın ayrıntılarını ayrıntılı olarak paylaştı.
Ağı inceleme uygulamasının ana hatları, kodlayıcıdan sonra yukarıdaki şekilde gösterilen iki aşamalı kod çözücüyü kullanmasıdır.İlk kod çözücü, kodlayıcıdan kaynak cümleyi gömer ve bunu doğrudan hedef dilde bir taslak cümleye çözer ve ardından ikinci Sahnenin kod çözücüsü az önce taslak cümleyi ayarladı ve güzelleştirdi.
Özellikle, model mimarisi, Transformer ağ mimarisine bir inceleme ağı eklemektir. Standart Transformer ağı gibi, kodlayıcı ve birinci aşama kod çözücü D1, bir dikkat mekanizmasıyla birbirine bağlanan çok katmanlı sinir ağlarıdır. Burada kodlayıcı (original), orijinal kelime gömülmesine ve kelimeler arasındaki sıraya göre bağlamsal bilgilere dayalı olarak kaynak cümlenin her bir T kelimesi için kelime temsilleri üretecektir.Bu temsiller, H dizisini oluşturur. Kodlayıcı , x cümlesini okuduktan sonra, H dizisini kendi kendine dikkat ederek gizli durumda çıkarabilir.
İlk aşamadaki kod çözücü D1 H'yi girdi olarak alır, kod çözmenin ilk aşamasını gerçekleştirir ve softmax'tan önce örtük durum S ^ ve taslak cümle y ^ elde eder. İkinci aşama kod çözücü D2 de çok katmanlı bir sinir ağıdır, ancak D1'den çok farklıdır ve giriş olarak kodlayıcıdan () ve kod çözücüden (D1) örtük durumu alacaktır. D2 gizli durumu D1'den çözüldüğünden, D2'nin çıktısı D1 tarafından üretilen taslak cümleye y ^ bağlıdır. Bu şekilde, genel bilgi kaynak cümleden elde edilebilir ve cümleleri oluştururken kullanılmak üzere doğru bağlamsal bilgi mevcuttur.
Ağ ve ikili öğrenmenin birleşik kullanımını düşünün
İki teknolojinin nasıl birleştirileceği ile ilgili olarak, Microsoft araştırmacıları önce denetimsiz ve denetimli ikili öğrenme yoluyla Çince'den İngilizceye ve İngilizce'den Çince'ye iki Transformer çeviri modeli eğitti. Daha sonra, İngilizce bütünce cümlesi y, İngilizceden Çince'ye çeviri modeli aracılığıyla Çince bir cümle x'e çevrilir ve cümle çifti (x ', y) sözde-iki dilli bir korpus olarak kullanılır ve mevcut iki dilli korpusa eklenir. Genişletilmiş külliyat daha sonra yukarıda açıklanan Transformer üzerine inşa edilen inceleme ağını eğitmek için kullanılabilir. Kod çözücü ve birinci aşama kodlayıcı, ilk adımda eğitilen Çince'den İngilizce'ye çeviri modeli kullanılarak başlatılır.
Dördüncüsü, Anlaşmanın Düzenlenmesi Anlaşmasının Düzenlenmesi
Tutarlılığın düzenlenmesi, maruz kalma yanlılığını önlemenin başka bir yoludur. Araştırmacılar, soldan sağa çeviri modelinin ürettiği cümlelerin arkasındaki kelimelerin kalitesinin iyi olmadığını, bu nedenle sağdan sola çeviri modeliyle oluşturulan cümlelerde ilk kelimelerin kalitesinin yüksek olmadığını bulmuşlardır. Soldan sağa ve sağdan sola tutarlılık, nöral makine çeviri modelinin kayıp işlevine dahil edilir, böylece çeviri modeli mümkün olduğunca tutarlı çeviriler üretebilir.
Önceki ortak eğitime benzer şekilde, kayıp terimi aynı anda iki modelin performansını içerecek şekilde tasarlandığından, modellerden birinin performans iyileştirmesi diğer modeli de görüntüleyebilir ve yukarıdaki şekilde gösterildiği gibi ilerleme yinelemeli olarak güncellenebilir.
Aslında, Çince'den İngilizce'ye ve İngilizce'den Çince'ye çevirinin iki yönündeki çeviri modelleri iki girdi dizisi modeline ayrılabilir: soldan sağa ve sağdan sola. Toplam dört model vardır ve daha sonra bu dört model birleşik bir eğitim çerçevesine göre ortaklaşa eğitilebilir. Eğitim sürecinde, tutarlılık düzenlenmesi yardımıyla soldan sağa ve sağdan sola Çince'den İngilizce'ye iki model eğitmek için kullanılan İngilizce'den Çince'ye modelden soldan sağa ara sözde külliyat üretilir; sonraki, Eğitilmiş ve geliştirilmiş soldan sağa Çince-İngilizce modeli, soldan sağa ve sağdan sola iki İngilizce-Çince modeli eğitmek için sözde bir külliyat oluşturacaktır. Bu dört model birbirini destekler ve sonunda birleşene kadar yinelemeli olarak eğitilir.
Bazı örnekleri dene
İkili öğrenme, ortak eğitim, inceleme ağı ve tutarlılık düzenleyici dört teknoloji tanıtıldı. Bunların tümü sağduyu geliştirmeleridir. Önceki raporumuzdaki test verileri de gözle görülür gelişmeler göstermiştir.
Aslında, testte araştırmacılar ikili öğrenme + inceleme ağı, tutarlılık düzenleme + ortak eğitim, WMT veri seti + daha fazla ek veriye vb. Dayalı birçok farklı sistemi yapılandırdılar ve test yoluyla her bir iyileştirme projesini doğruladılar. Öte yandan, daha iyi çeviri sonuçları elde etmek için birden fazla sistemin farklı sonuçları da entegre edilebilir. Aslında, insan çeviri düzeyine ulaştığını iddia eden makalenin sonuçları ve 28 puanın üzerinde BLEU puanları, 6 ila 8 model sonuçlarını içeren kapsamlı bir modelden elde edilmiş ve en kapsamlı model 28,46 puana sahiptir. (Referans olarak, WMT 2017 yarışmasında en iyi sonucu kazanan Sogou Translation, birden fazla modeli entegre ederek 26,40'a ulaştı)
Resmi Microsoft bloguna göre, bu çeviri sisteminin Çince'den İngilizce'ye çeviri deneyimi sayfası https://translator.microsoft.com/neural/ adresinde açılmıştır ve çeviri tek bir sistem tarafından sağlanmaktadır (bu nedenle bu sistem henüz en iyi performans değildir, Birden fazla modelin entegrasyonu daha iyi sonuçlar sağlayacaktır) Bu sistemin BLEU puanı 27,60 puandır. Sayfa ayrıca, referans için Microsoft testi tarafından kullanılan WMT 2017 en yeni veri kümesinden bazı Çin haber külliyatını da doğrudan sağlar. Doğrusu, bu Çince cümleler gerçekten o kadar basit ve zorlayıcı değil; kendiniz de cümleleri yazmayı deneyebilirsiniz. Ek olarak, deneyiminiz için sayfada iki farklı çeviri sağlanmıştır.
Aşağıda, çeviri kalitesini hissetmek için test setinden üç Çin külliyatını ve diğer iki zor test cümlesini çıkarıyoruz. Ve unutmayın, bu yeni çeviri sisteminin (kapsamlı model) tam gücü değildir.
Haikou Deniz Mahkemesi, Lingao balıkçı teknesinin batmasına karışan tarafların hak ve menfaatlerini sağlamak için sabah erken saatlerde bir dava açtı.
-
Lingao balıkçı teknesinin batması olayının çıkarlarını sağlamak için Haikou Deniz Mahkemesi sabahı erken saatlerde
-
Haikou deniz mahkemesi, Lingao balıkçı teknesinin batmasına karışan tarafların hak ve menfaatlerini güvence altına almak için sabah erken saatlerde dava açtı.
İnsani yardım grupları mahkemeye, bu dükkanların ve restoranların son derece önemli olduğunu, çünkü devlet destekli dernekler ve diğer gruplar tarafından sağlanan ücretsiz yiyeceklerin kamptaki mültecilerin artan ihtiyaçlarını karşılayamadığını söyledi.
-
İnsani yardım topluluğu mahkemeye, devlet destekli dernekler ve diğer gruplar tarafından sağlanan ücretsiz yiyeceklerin mülteci kampındaki mültecilerin artan ihtiyaçlarını karşılayamayacağı için bu dükkanların ve restoranların son derece önemli olduğunu söyledi.
-
Ancak insani yardım grupları mahkemeye, dükkanların ve restoranların son derece önemli olduğunu çünkü Devlet destekli dernekler ve diğer gruplar tarafından sağlanan ücretsiz yiyeceklerin kamptaki mültecilerin artan ihtiyaçlarını karşılayamadığını söyledi.
Basında çıkan haberlere göre, İnternet tıbbına daha önceki büyük ölçekli sermaye akışı nedeniyle, mevcut ürün homojenliği sorunu ciddidir, yatırım patlaması azalmakta ve sermaye bir bekle-ve-gör dönemine girmiştir.
-
Medyada yapılan açıklamaya göre, İnternet tıbbına önceki büyük sermaye akışı nedeniyle, mevcut ciddi ürün homojenizasyonu sorunuyla sonuçlanan yatırım patlaması yavaş yavaş geriledi, sermaye bekle-gör dönemine girdi.
-
Medyadan yapılan açıklamaya göre, İnternet tıbbından önceki büyük sermaye akışı nedeniyle, ürünlerin homojenleşmesi sorunuyla sonuçlanan yatırım patlaması, sermaye bekle ve gör dönemine çekiliyor.
Bebeğin yöneticisi bebeğin bebeğiyle yattı ve artık bebek, bebeğin bebeğinin bebeğin kendi bebeği olup olmadığını bilmiyor
-
Bebeğin temsilcisi, bebeğin bebeğiyle yattı ve şimdi bebek, bebeğin bebeğinin bebeğin biyolojik bebeği olup olmadığını bilmiyor
-
Bebeğin ajanı Uyuyor bebeğin bebeği, şimdi bebek bebeğin bebeğinin bebeğin bebeği olmadığını bilmiyor
Koridordaki ışıkları kapatın, okul çantalarınızı koyun, oda penceresine doğru yürüyün ve dışarıya bakın, yeni satın aldığınız kitabı hatırlayın, Bandao Tiehe
-
Koridor ışıklarını söndürdü, okul çantaları koydu, odanın penceresinden dışarı bakmaya gitti, Yarımada Demir Kutusu adında bir kitap aldığını hatırladı
-
Koridorun ışığı kapanır, çanta koyar, odaya yürür, pencereye bakar, kitabı yeni satın aldığınızı hatırlar, Yarımada demir kutusu adı
Sayfanın aynı anda iki çeviri vermesi için ve kullanıcıların daha tatmin edici olanı seçebileceğini umuyoruz, Microsoft'un hala daha fazla külliyat kullanmaya ve bu çeviri sistemini geliştirmeye devam etmek için daha fazla kişiden sezgisel geri bildirim eklemeye çalıştığını düşünüyoruz. Daha az külliyata sahip alanlarda iki dilli çeviriyi, sistemin çalışma hızını ve birden çok alt sistemin eşdeğer performansla tüm modele nasıl entegre edileceğini dahil etmeyi dört gözle beklemeye değer diğer iyileştirmeler.
Ayrıca Microsoft'un İngilizce'den Çince'ye çeviri deneyimini mümkün olan en kısa sürede açabileceğini umuyoruz, böylece herkes yeni çeviri sisteminin cazibesini test aşamasında daha fazla hissedebilir. Üretim düzeyinde bir çeviri sistemi olsaydı en iyisi olurdu.
Çeviri sistemi test adresi: https://translator.microsoft.com/neural/
Kağıt adresi: https://www.microsoft.com/en-us/research/uploads/prod/2018/03/final-achieving-human.pdf. Leifeng.com AI Teknolojisi İnceleme Raporu
