Статья: Охота с птицами или соколиная охота: ошибки автоматического перевода

Детально рассмотрев перевод, полученный при использовании онлайн- сервиса Яндекс.Переводчик, можно отметить, что количество переводческих ошибок имеет значительный вес, а их характер может быть совершенно разным -- лексические, стилистические, грамматические. Самыми частыми можно выделить именно лексические, так как система по большей части базируется на подборе дословного перевода или прямого значения, не ориентируясь на языковые нормы языка, на который осуществляется перевод, следовательно, перевод не всегда выполнен корректно, а иногда в некоторых случаях и вовсе способствует потере смысла того или иного предложения или словосочетания. Также сразу стоит отметить схожесть переводов при помощи сервисов Яндекс.Переводчик и Google Translate. Основной причиной данного сходства является тот факт, что оба сервиса были основаны на системе PROMT, но с недавнего времени базируются на системе нейронного машинного перевода. Мы наблюдаем в данном варианте те же лексические переводческие ошибки, которые допущены в готовом варианте перевода сервисом Яндекса (on the black market, the endangered species list, «Arab countries», one houbara bustard и т.д.).

Сервис Translate, базированный на системе PROMT, допускает глобальное количество переводческих ошибок, и самая основная причина -- это хранение в системе памяти установленных слов и словосочетаний, однако в целом не суммирующих и не складывающих значения слов в единую картину, как при работе с системой NMT.

Сервис SYSTRANet, основанный на системе SYSTRAN, как и сервис Translate.ru, основанный на системе PROMT, уступают сервису Яндекс.Переводчик (использование некорректных и несуществующих в ПЯ словоформ, некорректная передача информации из исходного языка в язык перевода в разрезе временных форм и причастий).

Можно сделать вывод, что полностью автоматический машинный перевод, -- это очень сложная задача, которую предстоит решить не только лингвистам, но и программистам, специалистам по кибернетике и многим другим представителям наук, которые затрагивает эта проблема. Очень сложно смоделировать сам процесс перевода с помощью компьютерной программы. Если человек, осуществляя перевод, мыслит образами и исходит из того, какую мысль в конечном итоге надо донести до слушателя, то научить этому программу невозможно (на данном этапе развития компьютерных технологий).

Современные программы машинного перевода очень далеки, от того идеала к которому стремятся их разработчики. Но они уже без сомнений могут служить хорошим подспорьем переводчику в его рутинной работе. Хотя бы тем, что без проблем могут за несколько секунд сделать подстрочный перевод любого по сложности и объёму текста. Естественно, полностью отдать текст в руки машины нельзя. Системы нового поколения могут «запоминать» уже переведенные однажды конструкции и впоследствии уже не требовать повторного их перевода. Системы эффективны в помощи пользователям еще и потому что есть возможность создавать «пользовательский» словарь, что существенно облегчает перевод по определенной тематике.

Для наглядности определения наиболее оптимального сервиса онлайн- перевода можно систематизировать практическую часть данного исследования и представить выходные данные в следующей таблице.

Таблица 1 Результаты работы сервисов онлайн-перевода

Источник: анализ автора

В данной таблице наглядно видно, что преобладающей группой переводческих ошибок являются лексические ошибки, они составляют 51% от общего количества ошибок. Наименее допускаемые -- пунктуационные (11%). Также, исходя из статистических данных этой таблицы, можно определить, что в данном исследовании на базе анализа 3 публицистических статей наиболее предпочтительным является использование Google Translate, так как при его использовании в тексте было выявлено наименьшее количество ошибок. При использовании сервиса Translate.ru допущено наибольшее количество ошибок, поэтому постредактирование перевода с применением этого сервиса займет наибольшее количество времени. Также наглядно можно убедиться в том, что использование системы нейронного машинного перевода гораздо более предпочтительно, чем использование системы памяти переводов, так как наибольшее количество лексических ошибок говорит о невозможности выбора нужного эквивалента в ПЯ. Причины возникновения переводческих ошибок в любой из систем достаточно взаимосвязаны между собой, поэтому исправление одной ошибки без учета общей ситуации может привести только к ухудшению эффективности работы СМП, необходим детальный анализ для выявления всех возможных ошибок и синтез в полноценный текст, который передает смысл, задуманный автором, в сходном стилистическом отражении ИТ. Таким образом, можно подвести итог по работе данных сервисов и по работе сервисов онлайн-перевода в целом. Значительное количество переводческих ошибок носят именно лексический характер, однако достаточное множество приходится и на долю грамматических ошибок. Также можем сделать вывод, что системы, базированные на системе памяти перевода, такие как PROMT, SYSTRAN, предполагают после получения выходного текста в ПЯ более трудоемкий процесс постредактирования за счет гораздо большего количества переводческих ошибок, вплоть до потери смысла предложения, его целостности и связности с контекстом. Системы нейронного машинного перевода более предпочтительны в данном вопросе, так как в их работе используется искусственная нейронная сеть, что позволяет смоделировать процессы работы человеческого мозга при выполнении переводческой деятельности.

Литература

1. Воронов В.В. Машинный перевод. Конспект лекций для студентов 5-го курса специальности «Современные иностранные языки». Минск, 2013 -- 39 с.

2. Евдокимов А.С. Искусство машинного перевода // Hard'N'Soft. -- 2005. -- №7. -- С. 86-91.

3. Леонтьева Н.Н. Автоматическое понимание текстов. Системы, модели, ресурсы. - Москва: ACADEMIA, 2006. 7. Google Translate начал использовать нейроперевод. [Электронный ресурс]

4. Нейронный машинный перевод. Вводный курс. [Электронный ресурс]

5. Максименко О.И., Чинина Д.С. Обзор системы машинного перевода «Google Переводчик» (на примере финского языка). // Science Time, 2014, №5 (5), С.133-139.

6. Википедия: Яндекс.Переводчик [Электронный ресурс]

7. Hovy E., Gerber L. MT at the paragraph level: Improving English Synthesis in SYSTRAN. In Proceedings of TMI-97, Santa Fe, 1997, pp. 47-54.

8. Борисова И.А. К опыту постредактирования на материале англорусского перевода с помощью автоматических систем Google translate и Prompt // Вестник МГЛУ. 2014. №13 (699) С.53-59.

9. Статья «Pakistan stops bid to smuggle endangered falcons» [Электронный ресурс]

10. Статья «Coronavirus: Police get access to NHS Test and Trace selfisolation data» [Электронный ресурс]

11. Статья «Famed Roman statue 'not ancient'» [Электронный ресурс]