機械翻訳

機械翻訳の起源は、 9世紀のアラビア語暗号学者アル・キンディーの研究に遡ることができます。彼は、暗号解読、頻度分析、確率統計など、現代の機械翻訳で使用されている体系的な言語翻訳の技術を開発しました。^{[ 8 ]}機械翻訳のアイデアは、その後17世紀に現れました。1629年、ルネ・デカルトは、異なる言語で同等の概念が1つの記号を共有する普遍言語を提唱しました。^{[ 9 ]}

デジタル コンピュータを自然言語の翻訳に使用するというアイデアは、1947 年にイギリスのAD ブース^{[ 10 ]}とロックフェラー財団のウォーレン ウィーバーによって提案されました。「1949 年にウォーレン ウィーバーが書いた覚書は、機械翻訳の初期の頃においておそらく最も影響力のある出版物です。」^{[ 11 ] [ 12 ]}他にも同様の試みがありました。1954 年にバークベック カレッジ(ロンドン大学)のAPEXCマシンで、英語からフランス語への初歩的な翻訳のデモンストレーションが行われました。当時、このテーマに関する論文がいくつか発表され、一般向けの雑誌にも記事が掲載されました (例えば、1955 年 9 月号のWireless Worldに掲載された Cleave と Zacharov の記事)。当時バークベック カレッジで開拓された同様のアプリケーションは、コンピュータによる点字テキストの読み取りと作成でした。

イェホシュア・バー・ヒレルはMITで研究を開始した（1951年）。マイケル・ザレチャナク教授率いるジョージタウン大学のMT研究チームがこれに続き（1951年）、1954年にはジョージタウン大学とIBMの実験システムの公開デモンストレーションを行った。MT研究プログラムは日本^{[ 13 ] [ 14 ]}とロシア（1955年）でも立ち上がり、最初のMT会議はロンドンで開催された（1956年）^{[ 15 ] [ 16 ] 。}

デイビッド・G・ヘイズは「1957年にはすでにコンピュータ支援言語処理について書いており」、「1955年から1968年までランド研究所で計算言語学のプロジェクトリーダーを務めていた」 ^{[ 17 ]。}

機械翻訳と計算言語学協会が米国で設立され（1962年）、米国科学アカデミーが機械翻訳の研究のために自動言語処理諮問委員会（ALPAC）を設立した（1964年）ことで、研究者たちはこの分野に参入し続けた。しかし、実際の進歩ははるかに遅く、10年間の研究が期待に応えられなかったことが判明したALPACの報告書（1966年）の後、資金は大幅に削減された。 ^{[ 18 ]}国防研究開発局長（DDR&E）による1972年の報告書によると、大規模な機械翻訳の実現可能性は、その紛争中に軍事マニュアルをベトナム語に翻訳したLogos MTシステムの成功によって再確立された。

フランス繊維研究所も機械翻訳を用いてフランス語、英語、ドイツ語、スペイン語の要約を翻訳した（1970年）。ブリガム・ヤング大学は自動翻訳を用いてモルモン教の聖典を翻訳するプロジェクトを開始した（1971年）。

1960年代に「米国政府との契約の下でこの分野を開拓した」SYSTRAN ^{[ 19 ]}は、ゼロックス社が技術マニュアルの翻訳に使用しました（1978年）。1980年代後半から、計算能力が向上し、価格が下がるにつれて、機械翻訳の統計モデルへの関心が高まりました。コンピュータの登場後、MTはより普及しました。^{[ 20 ]} SYSTRANの最初の実装システムは、1988年にフランス郵政公社のオンラインサービスであるMinitelによって実装されました。^{[ 21 ]}また、さまざまなコンピュータベースの翻訳会社も設立され、その中には翻訳メモリ技術を最初に開発し販売したTrados（1984年）（1989年）も含まれていますが、これはMTとは異なります。ロシア語/英語/ドイツ語-ウクライナ語の最初の商用MTシステムは、ハリコフ州立大学で開発されました（1991年）。

1998年までに、「わずか29.95ドル」で、PC上で動作する「英語と選択した主要なヨーロッパ言語との間で一方向の翻訳を行うプログラム」を購入できるようになった。^{[ 19 ]}

ウェブ上の機械翻訳は、SYSTRANが短いテキストの無料翻訳を提供し始めたことから始まり（1996年）、その後AltaVista Babelfishを通じて提供され^{[ 19 ]}、1日に50万件のリクエストが集まった（1997年）^{[ 22 ]} 。ウェブ上の2番目の無料翻訳サービスは、Lernout & HauspieのGlobaLinkだった^{[ 19 ]} 。Atlantic Magazineは1998年に、「SystranのBabelfishとGlobaLinkのComprende」が「Don't bank on it」を「適切なパフォーマンス」で処理したと書いた^{[ 23 ] 。}

フランツ・ヨーゼフ・オッホ（後のGoogle翻訳開発責任者）は、DARPAのスピードMTコンテスト（2003年）で優勝した。^{[ 24 ]}この時期のその他のイノベーションには、オープンソースの統計的MTエンジンであるMOSES（2007年）、日本の携帯電話向けテキスト/SMS翻訳サービス（2008年）、英語、日本語、中国語の音声間翻訳機能を内蔵した携帯電話（2009年）などがある。2012年、GoogleはGoogle翻訳が1日で約100万冊の本を埋めるのに十分な量のテキストを翻訳すると発表した。

ルールベースの機械翻訳手法は、主に辞書や文法プログラムの作成に用いられてきた。しかし、その最大の欠点は、すべてを明示的に記述する必要があったことである。つまり、綴りのバリエーションや誤った入力に対処するためには、それらをソース言語解析器に組み込む必要があり、曖昧な箇所すべてに対して語彙選択ルールを記述しなければならなかった。

統計的機械翻訳は、カナダ議会の英語とフランス語の記録であるカナダ議会議事録コーパスや欧州議会の記録であるEUROPARLなどの二言語テキストコーパスに基づく統計的手法を使用して翻訳を生成しようと試みました。このようなコーパスが利用可能な場合、類似のテキストの翻訳で良好な結果が得られましたが、多くの言語ペアではこのようなコーパスはまれでした。最初の統計的機械翻訳ソフトウェアは、IBMのCANDIDEでした。2005年、Googleは、国連の資料から約2000億語を使用してシステムをトレーニングすることにより、社内の翻訳機能を向上させ、翻訳精度が向上しました。^{[ 25 ]}

SMTの最大の欠点は、膨大な量の並列テキストに依存していること、形態素が豊富な言語（特にそのような言語への翻訳）に問題があること、そして単一のエラーを修正できないことだった。

3つ以上の言語に翻訳されたテキストの集合であるマルチパラレルコーパスの利用に関する研究が行われています。これらの方法を使用すると、2つ以上の言語に翻訳されたテキストを組み合わせて使用​​することで、ソース言語の1つだけを使用した場合よりも、3番目の言語へのより正確な翻訳を提供できます。^{[ 26 ] [ 27 ] [ 28 ]}

機械翻訳に対する深層学習ベースのアプローチであるニューラル機械翻訳は、近年急速に進歩している。しかし、現在のコンセンサスは、達成されたいわゆる人間と同等の能力は、限られたドメイン、言語ペア、および特定のテストベンチマークに完全に依存しているため、実際には存在しないというものである^{[ 29 ]。}つまり、統計的有意性に欠けている^{[ 30 ] 。}

DeepL TranslatorのようなニューラルMTツールによる翻訳は、2022年時点では最高の機械翻訳結果をもたらすと一般的に考えられているが、通常は依然として人間によるポストエディットが必要である。^{[ 31 ] [ 32 ] [ 33 ]}

並列データセットで専門的な翻訳モデルをトレーニングする代わりに、GPTのような生成型大規模言語モデルに直接テキストを翻訳させることもできます。^{[ 34 ] [ 35 ] [ 36 ]}このアプローチは有望視されていますが、^{[ 37 ]}専門的な翻訳モデルよりもリソース集約的です。

語義曖昧性解消とは、単語が複数の意味を持つ場合に適切な翻訳を見つけることである。この問題は、1950年代にイェホシュア・バー・ヒレルによって初めて提起された。^{[ 40 ]}彼は、「普遍的な百科事典」がなければ、機械は単語の2つの意味を区別できないと指摘した。^{[ 41 ]}今日では、この問題を克服するために設計された数多くの手法が存在する。それらは大まかに「浅い」手法と「深い」手法に分類できる。

浅いアプローチはテキストに関する知識を前提としていません。曖昧な単語の周囲の単語に統計的手法を適用するだけです。深いアプローチは単語に関する包括的な知識を前提としています。これまでのところ、浅いアプローチの方が成功しています。^{[ 42 ]}

国連と世界保健機関の長年の翻訳者であるクロード・ピロンは、機械翻訳は最良の場合でも翻訳者の仕事の簡単な部分を自動化するに過ぎず、より難しく時間のかかる部分は、通常、原文の曖昧さを解消するための広範な調査を行うことであり、これは翻訳先の言語の文法的および語彙的な要件によって解決されなければならないと述べている。

なぜ翻訳者は5ページを翻訳するのに1時間や2時間ではなく丸一日かかるのでしょうか？.....平均的なテキストの約90%はこれらの単純な条件に当てはまります。しかし残念ながら、残りの10%があります。それはさらに6時間の作業を必要とする部分です。解決しなければならない曖昧さがあります。たとえば、原文の著者であるオーストラリアの医師は、第二次世界大戦中に「日本の捕虜収容所」で宣言された伝染病の例を挙げています。彼は日本人捕虜がいるアメリカの収容所について話していたのでしょうか、それともアメリカ人捕虜がいる日本の収容所について話していたのでしょうか？英語には2つの意味があります。したがって、調査を行う必要があり、場合によってはオーストラリアに電話をかける必要があるかもしれません。^{[ 43 ]}

理想的な深層アプローチでは、翻訳ソフトウェアがこの種の曖昧性解消に必要なすべての調査を自力で行う必要があるが、そのためには、現在までに達成されているよりも高度なAIが必要となる。ピロンが言及する曖昧な英語のフレーズの意味を単に推測する浅層アプローチ（例えば、特定のコーパスでどのタイプの捕虜収容所がより頻繁に言及されているかに基づく）では、かなり頻繁に間違った推測をする可能性がかなり高い。ピロンの見積もりでは、「各曖昧性についてユーザーに尋ねる」浅層アプローチでは、プロの翻訳者の仕事の約25%しか自動化できず、より困難な75%は依然として人間が行う必要がある。

機械翻訳の大きな欠点の1つは、標準言語と同じ精度で非標準言語を翻訳できないことです。ヒューリスティックまたは統計ベースの機械翻訳は、さまざまなソースから標準言語の形式で入力を受け取ります。ルールベースの翻訳は、その性質上、一般的な非標準的な用法を含みません。このため、方言からの翻訳や口語への翻訳でエラーが発生します。くだけた話し言葉からの翻訳の限界は、モバイルデバイスでの機械翻訳の使用において問題となります。

情報抽出において、固有表現とは、狭義には、ジョージ・ワシントン、シカゴ、マイクロソフトなど、現実世界に存在する人物、組織、企業、場所といった、固有名を持つ具体的または抽象的な実体を指します。また、2011年7月1日、500ドルといった、時間、空間、数量を表す表現も固有表現に含まれます。

「スミスはファブリオニクスの社長です」という文では、スミスとファブリオニクスはどちらも固有名詞であり、名前やその他の情報によってさらに修飾することができます。「社長」は固有名詞ではありません。なぜなら、スミスは以前ファブリオニクスで副社長などの別の役職に就いていた可能性があるからです。統計的機械翻訳における分析において、これらの用法を定義するのが「固定指定子」という用語です。

固有表現は、まずテキスト内で識別されなければなりません。識別されない場合、誤って普通名詞として翻訳される可能性があり、翻訳のBLEU評価には影響しない可能性が高いですが、テキストの人間による読みやすさが変わります。 ^{[ 44 ]}出力翻訳から省略される可能性があり、テキストの読みやすさとメッセージにも影響を及ぼします。

音訳には、原文の言語の名前に最も近い文字を翻訳先の言語で見つけることが含まれます。しかし、これは翻訳の質を悪化させる場合があると指摘されています。^{[ 45 ]}「Southern California」の場合、最初の単語は直接翻訳し、2番目の単語は音訳する必要があります。機械は、これらを1つのエンティティとして扱うため、両方を音訳することがよくあります。このような単語は、音訳コンポーネントを備えた機械翻訳機であっても処理が困難です。

同じ最終目標（翻訳ではなく音訳）を持つ「翻訳しない」リストの使用^{[ 46 ]}は、依然として固有表現の正しい識別に依存している。

3つ目のアプローチはクラスベースのモデルです。固有表現は、その「クラス」を表すトークンに置き換えられます。「Ted」と「Erica」はどちらも「person」クラストークンに置き換えられます。こうすることで、「Ted」と「Erica」の分布を個別に調べる代わりに、人名の統計的な分布と使用を一般的に分析できるため、特定の言語における特定の名前の確率が翻訳の割り当て確率に影響することはありません。スタンフォード大学によるこの翻訳分野の改善に関する研究では、トレーニングデータにおける各名前の出現回数が異なるため、英語をターゲット言語とした場合、「David is going for a walk」と「Ankit is going for a walk」に異なる確率が割り当てられる例が示されています。スタンフォード大学による同じ研究（および固有表現認識翻訳を改善するための他の試み）の残念な結果は、固有表現翻訳の手法を含めると、翻訳のBLEUスコアが低下することが多いということです。 ^{[ 46 ]}

機械翻訳アプリケーションは、携帯電話、ポケットPC、PDAなど、ほとんどのモバイルデバイス向けにもリリースされています。これらのデバイスは携帯性に優れているため、異なる言語を話すパートナー間のモバイルビジネスネットワーク構築を可能にしたり、人間の翻訳者を介さずに外国語学習や単独の海外旅行を容易にしたりするモバイル翻訳ツールとして位置づけられています。

例えば、Google翻訳アプリでは、スマートフォンのカメラを使って翻訳されたテキストを周囲のテキストに重ね合わせる拡張現実により、外国人が周囲のテキストを素早く翻訳できます。 ^{[ 51 ]}また、音声を認識して翻訳することもできます。 ^{[ 52 ]}

固有の限界があるにもかかわらず、MTプログラムは世界中で使用されています。おそらく最大の機関ユーザーは欧州委員会です。2012年、ルールベースのMTをより新しい統計ベースのMT@ECに置き換えることを目的として、欧州委員会は307万2000ユーロを拠出しました（ISAプログラムを通じて）。^{[ 53 ]}

機械翻訳はウィキペディアの記事の翻訳にも使用されており、特に機械翻訳の能力が向上するにつれて、将来的に記事の作成、更新、拡張、および全体的な改善においてより大きな役割を果たす可能性がある。編集者が複数の選択された言語間で記事をより簡単に翻訳できる「コンテンツ翻訳ツール」がある。^{[ 54 ] [ 55 ] [ 56 ]}英語の記事は、通常、他の言語の翻訳されていない同等の記事よりも包括的で偏りが少ないと考えられている。^{[ 57 ]} 2022年現在、英語ウィキペディアには650万以上の記事があるが、たとえばドイツ語とスウェーデン語のウィキペディアにはそれぞれ250万以上の記事しかなく、^{[ 58 ]}それぞれがはるかに包括的ではないことが多い。

9.11を含む西側諸国でのテロ攻撃の後、米国とその同盟国は アラビア語の機械翻訳プログラムの開発に最も関心を示してきたが、パシュトー語とダリー語の翻訳にも関心を示してきた。これらの言語では、重要なフレーズと、携帯電話アプリを使用した軍関係者と民間人の間の迅速なコミュニケーションに重点が置かれている。^{[ 59 ]} DARPAの情報処理技術局は、TIDESやBabylon翻訳機などのプログラムをホストしていた。米国空軍は、言語翻訳技術の開発に100万ドルの契約を与えた。^{[ 60 ]}

近年のウェブ上でのソーシャルネットワーキングの著しい台頭は、機械翻訳ソフトウェアの新たな応用分野を生み出した。例えば、 Facebookのようなユーティリティや、Skype、Google Talk、MSN Messengerなどのインスタントメッセージングクライアントなどにおいて、異なる言語を話すユーザー同士がコミュニケーションを取ることが可能になっている。

1966年に米国政府が招集した自動言語処理諮問委員会によって人間の翻訳に劣る競争相手とレッテルを貼られたにもかかわらず、^{[ 62 ]}機械翻訳の品質は現在、オンラインコラボレーションや医療分野への応用が検討されるレベルまで向上している。人間の翻訳者がいない医療現場でのこの技術の応用は別の研究テーマであるが、医療診断における正確な翻訳の重要性から困難が生じる。^{[ 63 ]}

研究者らは、医療における機械翻訳の使用は、重大な状況で危険な誤訳のリスクを伴う可能性があると警告している。^{[ 64 ] [ 65 ]}機械翻訳は、医師が日常的に患者とコミュニケーションを取りやすくする可能性があるが、他に選択肢がない場合にのみ機械翻訳を使用することが推奨されており、翻訳された医療文書は正確性を確認するために人間の翻訳者によってレビューされるべきである。^{[ 66 ] [ 67 ]}

法律用語は、その厳密な性質と通常の単語の非典型的な使用のため、機械翻訳ツールにとって大きな課題となります。そのため、法律の文脈で使用するための専用アルゴリズムが開発されています。^{[ 68 ]}機械翻訳による誤訳のリスクがあるため、研究者は機械翻訳の正確性を確認するために人間の翻訳者によるレビューを推奨しており、一部の裁判所は正式な手続きでの使用を禁止しています。^{[ 69 ]}

法律分野での機械翻訳の使用は、翻訳エラーや依頼人の機密保持に関する懸念を引き起こしている。Google翻訳などの無料翻訳ツールを使用する弁護士は、翻訳ツールの提供者に個人情報を漏らすことで、意図せず依頼人の機密保持を侵害する可能性がある。^{[ 68 ]}さらに、機械翻訳で得られた警察の捜索に対する同意は無効であるという主張もあり、これらの主張が妥当かどうかについては、裁判所によって異なる判決が下されている。^{[ 64 ]}

近年の畳み込みニューラルネットワークの進歩と低リソース機械翻訳（トレーニングに利用できるデータと例が非常に限られている場合）により、アッカド語やその方言であるバビロニア語やアッシリア語などの古代言語の機械翻訳が可能になった。^{[ 70 ]}