Difference between revisions of "Курсы машинного перевода для языков России/Раздел 8"

From Apertium
Jump to navigation Jump to search
Line 52: Line 52:
 
Work on the Spanish-Aragonese translator was begun by Apertium-developer Jim O'Regan, at the request of Aragonese-speaker Juan Pablo Martínez. After three weeks of initial effort, spread over the course of a year, a final week of concentrated effort lead to the release of the first prototype version, translating from Aragonese to Spanish only.
 
Work on the Spanish-Aragonese translator was begun by Apertium-developer Jim O'Regan, at the request of Aragonese-speaker Juan Pablo Martínez. After three weeks of initial effort, spread over the course of a year, a final week of concentrated effort lead to the release of the first prototype version, translating from Aragonese to Spanish only.
 
Работа над испанско-арагонским переводчиком была начата разработчиком Apertium Джимом O'Реганом, по просьбе носителя арагонского языка Хуан Пабло Мартинеса. Три недели первоначальных усилий растянутых в течение года и последняя интенсивная неделя работы привели к выпуску первой версии прототипа, переводчика с арагонского на испанский язык только.
 
Работа над испанско-арагонским переводчиком была начата разработчиком Apertium Джимом O'Реганом, по просьбе носителя арагонского языка Хуан Пабло Мартинеса. Три недели первоначальных усилий растянутых в течение года и последняя интенсивная неделя работы привели к выпуску первой версии прототипа, переводчика с арагонского на испанский язык только.
 
The first bidirectional version was completed after another 6 weeks of work by Juan Pablo, spread over the course of another year. The only available resource at the beginning of this work for Aragonese was the Aragonese edition of Wikipedia and a handful of verb templates on the English edition of Wiktionary. The Aragonese--Spanish dictionary was created by hand, but the Spanish morphological analyser/generator and part-of-speech tagger were taken from the Spanish--Catalan pair. No funding was received from any source towards the creation of the system.
 
 
 
 
Первая двунаправленная версия была завершена Хуаном Пабло после еще ​​6 недель работы, растянутых на год. Единственный доступный ресурс в начале этой работы на арагонском языке были арагонская версия Википедии и несколько шаблонов глаголов в английском издании Викисловаря. Арагонско-испанский словарь был создан с нуля, но морфологический анализатор испанского языка и маркировщик частей речи были взяты из испанско-каталонской пары. Создание системы никак не финансировалось.
 
Первая двунаправленная версия была завершена Хуаном Пабло после еще ​​6 недель работы, растянутых на год. Единственный доступный ресурс в начале этой работы на арагонском языке были арагонская версия Википедии и несколько шаблонов глаголов в английском издании Викисловаря. Арагонско-испанский словарь был создан с нуля, но морфологический анализатор испанского языка и маркировщик частей речи были взяты из испанско-каталонской пары. Создание системы никак не финансировалось.
   
  +
== Способствующие факторы ==
== Contributing factors ==
 
   
  +
=== Существующие ресурсы ===
=== Existing resources ===
 
   
  +
Когда языковые ресурсы, такие как корпуса, словари, грамматики, морфологические анализаторы, списки лемм и т.д. находятся в свободном доступе / с лицензией на возможность свободного использования они могут быть использованы повторно и сократить время разработки. Тем не менее, количество времени, необходимого для переработки не следует недооценивать.
When linguistic resources, for example corpora, dictionaries, grammars, morphological analysers, lists of lemmata etc. are available under free/open-source licences they can be reused and save development time. However, the amount of time taken for adaptation should not be underestimated.
 
   
  +
Морфологический преобразователь, предназначенный для проверки орфографии, может быть очень хорошим для проверки орфографии, но его может быть не так-то легко адаптировать для анализа / генерации в системе машинного перевода. Различные применения имеют различные требования, и это должно быть учтено при принятии решения повторного использования существующих ресурсов, стоит ли адаптировать имеющийся ресурс или создать его с нуля.
A morphological transducer designed for spell checking might make a great spell checker, but it might not be so easy to adapt it for analysis/generation in a machine translation system. Different applications have different requirements, and this should be taken into account when deciding to reuse an existing resource, to adapt it, or to start from scratch.
 
   
=== Objectives ===
+
=== Цели ===
   
  +
При запуске проекта, важно ответить для себя на следующие вопросы и обозначить цели, например,
It is important when starting a project to ask questions and clearly define
 
objectives, for example,
 
   
  +
* Кто является целевой аудиторией?
* Who is the target audience ?
 
  +
** Система будет предназначена для пользования профессиональными переводчиками, переводчиками-любителями или просто обывателями ?
** Do we want the system to be used by professional translators, by lay-translators, by ordinary members of the public ?
 
  +
* Для чего будет использоваться система?
* What is the system intended to be used for ?
 
** Assimilation: For giving an idea of what a text is about
+
** Assimilation: получить общее представление о чем текст
** Dissemination: For producing draft translations
+
** Dissemination: получить примерный перевод
  +
** Domain: будет ли система использоваться для перевода новостей, энциклопедической информации, юридических текстов, погоды и т.д.?
** Domain: Will it be used for news texts, encyclopaedic texts, legal texts, the weather, etc. ?
 
  +
* Какие существующие языковые ресурсы могут быть повторно использованы?
* What existing linguistic resources can be reused ?
 
  +
** Есть ли уже в наличии хорошие бесплатные словари?
** Are there already good, free dictionaries available ?
 
  +
* Сколько у нас есть времени для построения системы?
* How long do we have to build the system ?
 
  +
** возможно 6 месяцев недостаточно чтобы создать идеальную многоцелевую систему машинного перевода дл всех языковых пар средней Волги....,
** Six months is probably not enough enough time to build your ideal wide-domain interlingua MT system between all the languages of the Middle Volga, ...
 
  +
*** ... но этого будет достаточно чтобы разработать прототип системы для перевода прогноза погоды.
*** ... but it might be enough to build some prototype systems for translating the weather forecast.
 
   
  +
Если система будет предназначаться для перевода текстов с государственной информацией для распространения, она обязательно будет иметь характеристики, отличные от системы для перевода статей в Википедии.
If a system is being planned to translate governmental texts for dissemination,
 
then it will necessarily have different features than if it is planned to translate
 
Wikipedia articles for assimilation.
 
   
  +
Создание системы с высоким охватом словаря, открытой системы для усвоения и распространения данных это хорошая идея, но практически это невозможно при ограниченных ресурсах.
Making a high-coverage, open domain system for assimilation and dissemination is a
 
nice idea, but practically is not possible given limited resources.
 
   
=== Time ===
+
=== Время ===
  +
Количество времени, необходимого для создания новой языковой пары на платформе Apertium
  +
во многом зависит от целей проекта, существующих ресурсов и опыты разработчиков. Прототип или proof of concept system может быть создана в период от 10 дней до 3 месяцев. В то время как полноценная работающая система может занять от 3 месяцев (как в случае пары нюнорск-букмол) до нескольких лет.
   
  +
В следующей таблице приведены данные развития языковых пар в Apertium за последние шесть лет.
The amount of time taken to make a new language pair based on the Apertium platform
 
depends greatly on the objectives of the project, the existing resources available
 
and the experience of the developers. A prototype or proof of concept system can be
 
created in anywhere from 10 days to 3 months. Whereas a production system can
 
take from 3 months (as in the case of Nynorsk-Bokmål) to several years.
 
   
The following table summarises the development of language pairs in Apertium over the last six years.
 
   
 
{|class="wikitable"
 
{|class="wikitable"
! Year !! Total pairs !! New pairs !! Language pairs
+
! Год !! Всего пар !! Новые пары !! Языковые пары
 
|-
 
|-
 
| 2005 || 3 || 3 || es-ca, es-gl, es-pt
 
| 2005 || 3 || 3 || es-ca, es-gl, es-pt
Line 118: Line 109:
 
|}
 
|}
   
=== Funding ===
+
=== Финансирование ===
   
  +
Как мы увидели на конкретных примерах, языковые пары в Apertium создавались и финансировались разными способами. В таблице приведены способы финансирования "стабильных" систем машинного перевода в Apertium. Самые популярные выделены жирным.
As we saw in the case studies, Apertium language pairs have been funded and created in many different ways. The following table summarises the ways in which development on the "stable" machine translation systems in Apertium was funding. The most used systems online are highlighted in bold face.
 
   
 
{|class="wikitable"
 
{|class="wikitable"
! Funder !! Type !! Language pair(s)
+
! Спонсор !! Вид !! Языковая пара(ы)
 
|-
 
|-
| Google Summer of Code || Competition || mk-bg, '''nn-nb''', sh-mk, sv-da, tr-az, tr-ky
+
| Google Лето кода || Конкурс || mk-bg, '''nn-nb''', sh-mk, sv-da, tr-az, tr-ky
 
|-
 
|-
| — || Volunteers || eo-fr, es-an, mk-en, ca-it, eo-en
+
| — || Волонтеры || eo-fr, es-an, mk-en, ca-it, eo-en
 
|-
 
|-
| Generalitat de Catalunya || Regional government || oc-ca, oc-es, en-ca,
+
| Generalitat de Catalunya || Местное правительство || oc-ca, oc-es, en-ca,
 
|-
 
|-
| — || Thesis / Dissertation || cy-en, fr-ca, pt-ca
+
| — || Диссертация || cy-en, fr-ca, pt-ca
 
|-
 
|-
| Universitat d'Alacant || Educational institution || eu-es, (br-fr), '''es-pt'''
+
| Universitat d'Alacant || Образовательное учреждение || eu-es, (br-fr), '''es-pt'''
 
|-
 
|-
| Ministry of Industry, Commerce and Tourism || National government || '''es-ca''', es-gl
+
| Министерство промышленности, торговли и туризма || Правительство страны || '''es-ca''', es-gl
 
|-
 
|-
| ABC Enciklopedioj || Company || eo-es, eo-ca
+
| ABC Enciklopedioj || Организация || eo-es, eo-ca
 
|-
 
|-
| imaxin<nowiki>|</nowiki>software || Company || en-gl, pt-gl
+
| imaxin<nowiki>|</nowiki>software || Организация || en-gl, pt-gl
 
|-
 
|-
| Universidá d'Uviéu || Educational institution || es-ast
+
| Universidá d'Uviéu || Образовательное учреждение || es-ast
 
|-
 
|-
| Prompsit || Company || es-it, (br-fr), (fr-es)
+
| Prompsit || Организация || es-it, (br-fr), (fr-es)
 
|-
 
|-
| Eleka Ingenieritza Linguistikoa || Company || fr-es
+
| Eleka Ingenieritza Linguistikoa || Организация || fr-es
 
|-
 
|-
| Icelandic Research Council || National government || is-en
+
| Исследовательский совет Исландии || Правительство страны || is-en
 
|-
 
|-
| Ofis ar Brezhoneg || Quasi non-governmental organisation || '''br-fr'''
+
| Ofis ar Brezhoneg || Quasi общественная организация || '''br-fr'''
 
|-
 
|-
  +
| Европейская ассоциация машинного перевода || Некоммерческая организация || eu-en
| European Assoc. Machine Translation || Non-governmental organisation || eu-en
 
 
|-
 
|-
 
|}
 
|}
   
  +
==Практика==
==Practical==
 
   
  +
* Найдите существующие языковые ресурсы для вашей языковой пары и отметьте, какими документами они регламентируются.
* Search for existing linguistic resources for your language pair, making a note of the licence they are under.
 
  +
* Разработайте реалистичный рабочий план для разработки нового переводчика для данной языковой пары в системе Apertium принимая во внимание:
* Define a realistic work/time-plan for making a new translator for a given language pair with Apertium taking into account:
 
  +
** Существующие ресурсы
** Existing resources
 
  +
** Цель переводчика
** What the translator will be used for
 
  +
** Человеческий ресурс
** Man power
 
  +
** Политическую финансовую и общественную поддержку
** Political, financial and community support
 
   
 
[[Category:Машинный перевод для языков России|Session 8]]
 
[[Category:Машинный перевод для языков России|Session 8]]

Revision as of 20:49, 14 January 2012

Основная задача данного раздела показать, что создание новой системы перевода с системой Apertium не обязательно должно стоить несколько миллионов евро и занимать несколько лет. Значительная доля систем Apertium была разработана несколькими людьми всего за несколько месяцев за счет использования существующих ресурсов, и подвижного движка системы.

While more time and money is often an effective way of making a better machine translation system, a lot can be said for realistic expectations, careful planning and effective contributions by volunteer developers. Хотя наличие денег и времени часто является предпосылкой для создания лучшей системы машинного перевода, многое можно сделать имея реалистичные ожидания, тщательного планируя и эффективно используя вклад добровольцев-разработчиков.

Примеры из жизни Case studies

Следующие реальные примеры отражают 4 успешных но различных стиля создания систем The following case studies highlight four different successful development styles.

Испанский и каталонский

Долгосрочное государственное финансирование, несколько разработчиков. На каталонском говорят около девяти миллионов человек.

Переводчик с испанского на каталонский является старейшим переводчиком в Apertium. Он был переписан и расширен на основе переводчика interNOSTRUM разработанного в Университете d'Alacant. В общей сложности, он создавался в течение 12 лет. Начальная версия interNOSTRUM была выпущена в начале 2000 года и заняла около 72 человеко-месяцев (четыре человека, 18 месяцев) которые разработал как движок так и лингвистические данные. Он широко использовался, насчитывая около тысячи запросов в день.

В 2004 году Apertium, при финансовой поддержке Министерства науки, промышленности и торговли Испании, запустил проект по переписки кода для общего доступа, а также по преобразованию лингвистических данных. После одного человеко-года, была выпущена первая версия испано-каталонского переводчика.

Переводчик очень высокого качества, и выдерживает сравнение с коммерческими проектами - более 95% охвата словаря (около 5 неизвестных слов из 100), и процент ошибочных слов между 3-7% (из 100 слов около 3 - 7 нужно заменить для получения адекватного перевода). Это второй по популярности переводчик на сайте Apertium, и основной машинный переводчик для ряда университетов в Испании при работе с этой языковой парой.

Новонорвежский язык (нюнорск Nynorsk) и норвежский Bokmål

Краткосрочное финансирование на конкурсной основе, один разработчик. Нюнорск - считается предпочитаемым литературным языком для около 580,000 норвежцев.

The Nynorsk to Bokmål translator is the most-used translator on our webpage. It was started in 2008 by Francis Tyers and Trond Trosterud, using existing resources such as the Norsk Ordbank (a large full-form list of words in Nynorsk and Bokmål) and the Oslo-Bergen tagger (a constraint grammar based disambiguator for both varieties of Norwegian). Переводчик с языка Нюнорск на Bokmål - самый популярный на нашем сайте. Его начали разрабатывать в 2008 году Фрэнсис Таерз и Трунд Тростеруд, используя имеющиеся данные, такие как Norsk Ordbank (список полных слов на языках нюнорск и Bokmål) и маркировщик слов Осло-Берген (грамматика ограничений, основанная на инструменте разрешения неоднозначности для обоих видов норвежского языка).

The original implementation was never completed, but the project was taken up again in 2009 during the Google Summer of Code competition by Kevin Unhammer, a masters' student in computational linguistics at the University of Bergen. Over a period of three months, Kevin completely remade the conversion of both the Ordbank, and the constraint grammar, and wrote a series of transfer rules. Начальная версия не была завершено, но проект был подхвачен в 2009 году во время летних соревнований по коду Google Кевином Унхаммеров, студентом компьютерной лингвистики Университета Бергена. В течение трех месяцев, Кевин полностью переделал преобразование обоих списков Ordbank, грамматику ограничений и написал серию правила переноса.

Он потратил 2 недели на преобразование списков Ordbank в формат Apertium, затем еще неделю на преобразование маркировщика Осло-Берген. Три недели на правила переноса, а потом еще три недели на расширение словарей. Две недели затем были потрачены на проверку правильности работы задач, например, на проверку, что только слова из всех трех словарей были включены. И последняя неделя была посвящена оценке.

Итоговый охват системы составляет около 90%, например, из корпуса около 10 неизвестных слов из 100 в среднем. Ошибочное слово - около 17%, что означает, из 100 слов 17 должны быть изменены для получения адекватного перевода. Эта система выдерживает конкуренцию с другими имеющимися системы для перевода пары нюнорск-букмол (Nynorsk-Bokmål). На система сегодня приходится более трети всех переводов осуществляющихся на сайте Apertium.

Бретонский и французский

Среднесрочный волонтерский проект при очень коротком государственном и частном финансировании, несколько разработчиков. На бретонском говорят около 200,000 людей.

Work on the Breton--French translator was started in 2008 by Francis Tyers in his spare time. After three months, a proof-of-concept system, using transfer rules from the French--Spanish pair was presented at Ofis ar Brezhoneg in December. It was decided that funding would be found to support another month of development to finish a prototype system which would be useful for assimilation purposes. Работа над бретоно - французским переводчиком была начата в 2008 году Фрэнсисом Таерзом в его свободное время. После трех месяцев, систем подтверждения концепции, используя правила переноса из пары французский - испанский была представлена ​Офис ар Брежонег в декабре. Было решено, что будет найдено финансирование для доработки в течение месяца прототипа системы, которая была бы полезна для усвоения целей.

В конце концов, финансирование поездки носителя бретонского языка в Алакант была организована Офис ар Брежонег, университет d'Alacant оплатил месячную зарплату бретонского носителя и компания инженерной лингвистики Промпзит оплатила работу Фрэнсиса Таерза. Еще на два месяца. В общей сложности стоимость проекта составила около € 3000. Первая версия переводчика был выпущена в мае 2009 года. In the end, funding for the travel of a Breton speaker to Alacant was arranged by Ofis ar Brezhoneg, the Universitat d'Alacant paid for a month's wages of the Breton speaker, and Prompsit Language Engineering paid for a month of Francis Tyers' time. A further two months. In total, the monetary cost was around €3,000. The first version of the translator was released in May of 2009.

Первая версия имела охват около 85%, и высокий процент ошибочных слов, что все же позволяло переводчику быть полезным для ассимиляции. Сегодня система available на главной странице Офис ар Brezhoneg, и обновляется сотрудниками Офис, в том числе его директором, Фулупом Якезом.

Испанский и арагонский

Среднесрочный волонтерский проект без государственного финансирования, два разработчика. На арагонском говорит около 10,000 человек.

Work on the Spanish-Aragonese translator was begun by Apertium-developer Jim O'Regan, at the request of Aragonese-speaker Juan Pablo Martínez. After three weeks of initial effort, spread over the course of a year, a final week of concentrated effort lead to the release of the first prototype version, translating from Aragonese to Spanish only. Работа над испанско-арагонским переводчиком была начата разработчиком Apertium Джимом O'Реганом, по просьбе носителя арагонского языка Хуан Пабло Мартинеса. Три недели первоначальных усилий растянутых в течение года и последняя интенсивная неделя работы привели к выпуску первой версии прототипа, переводчика с арагонского на испанский язык только.

Первая двунаправленная версия была завершена Хуаном Пабло после еще ​​6 недель работы, растянутых на год. Единственный доступный ресурс в начале этой работы на арагонском языке были арагонская версия Википедии и несколько шаблонов глаголов в английском издании Викисловаря. Арагонско-испанский словарь был создан с нуля, но морфологический анализатор испанского языка и маркировщик частей речи были взяты из испанско-каталонской пары. Создание системы никак не финансировалось.

Способствующие факторы

Существующие ресурсы

Когда языковые ресурсы, такие как корпуса, словари, грамматики, морфологические анализаторы, списки лемм и т.д. находятся в свободном доступе / с лицензией на возможность свободного использования они могут быть использованы повторно и сократить время разработки. Тем не менее, количество времени, необходимого для переработки не следует недооценивать.

Морфологический преобразователь, предназначенный для проверки орфографии, может быть очень хорошим для проверки орфографии, но его может быть не так-то легко адаптировать для анализа / генерации в системе машинного перевода. Различные применения имеют различные требования, и это должно быть учтено при принятии решения повторного использования существующих ресурсов, стоит ли адаптировать имеющийся ресурс или создать его с нуля.

Цели

При запуске проекта, важно ответить для себя на следующие вопросы и обозначить цели, например,

  • Кто является целевой аудиторией?
    • Система будет предназначена для пользования профессиональными переводчиками, переводчиками-любителями или просто обывателями ?
  • Для чего будет использоваться система?
    • Assimilation: получить общее представление о чем текст
    • Dissemination: получить примерный перевод
    • Domain: будет ли система использоваться для перевода новостей, энциклопедической информации, юридических текстов, погоды и т.д.?
  • Какие существующие языковые ресурсы могут быть повторно использованы?
    • Есть ли уже в наличии хорошие бесплатные словари?
  • Сколько у нас есть времени для построения системы?
    • возможно 6 месяцев недостаточно чтобы создать идеальную многоцелевую систему машинного перевода дл всех языковых пар средней Волги....,
      • ... но этого будет достаточно чтобы разработать прототип системы для перевода прогноза погоды.

Если система будет предназначаться для перевода текстов с государственной информацией для распространения, она обязательно будет иметь характеристики, отличные от системы для перевода статей в Википедии.

Создание системы с высоким охватом словаря, открытой системы для усвоения и распространения данных это хорошая идея, но практически это невозможно при ограниченных ресурсах.

Время

Количество времени, необходимого для создания новой языковой пары на платформе Apertium во многом зависит от целей проекта, существующих ресурсов и опыты разработчиков. Прототип или proof of concept system может быть создана в период от 10 дней до 3 месяцев. В то время как полноценная работающая система может занять от 3 месяцев (как в случае пары нюнорск-букмол) до нескольких лет.

В следующей таблице приведены данные развития языковых пар в Apertium за последние шесть лет.


Год Всего пар Новые пары Языковые пары
2005 3 3 es-ca, es-gl, es-pt
2006 6 3 es-ca, es-gl, es-pt, en-ca, fr-ca, oc-ca
2007 8 2 es-ca, es-gl, es-pt, en-ca, fr-ca, oc-ca, es-ro, fr-es
2008 18 10 es-ca, es-gl, es-pt, en-ca, fr-ca, oc-ca, es-ro, fr-es, oc-es, en-gl, cy-en, eo-ca, eo-es, eu-es, pt-gl, eo-en, en-es, pt-ca
2009 21 3 es-ca, es-gl, es-pt, en-ca, fr-ca, oc-ca, es-ro, fr-es, oc-es, en-gl, cy-en, eo-ca, eo-es, eu-es, pt-gl, eo-en, en-es, pt-ca, nn-nb, sv-da, br-fr
2010 23 2 es-ca, es-gl, es-pt, en-ca, fr-ca, oc-ca, es-ro, fr-es, oc-es, en-gl, cy-en, eo-ca, eo-es, eu-es, pt-gl, eo-en, en-es, pt-ca, nn-nb, sv-da, br-fr, es-ast, mk-bg
2011 33 10 es-ca, es-gl, es-pt, en-ca, fr-ca, oc-ca, es-ro, fr-es, oc-es, en-gl, cy-en, eo-ca, eo-es, eu-es, pt-gl, eo-en, en-es, pt-ca, nn-nb, sv-da, br-fr, es-ast, mk-bg, is-en, ca-it, eo-fr, mk-en, es-an, eu-en, es-it, sh-mk, tr-az, tr-ky

Финансирование

Как мы увидели на конкретных примерах, языковые пары в Apertium создавались и финансировались разными способами. В таблице приведены способы финансирования "стабильных" систем машинного перевода в Apertium. Самые популярные выделены жирным.

Спонсор Вид Языковая пара(ы)
Google Лето кода Конкурс mk-bg, nn-nb, sh-mk, sv-da, tr-az, tr-ky
Волонтеры eo-fr, es-an, mk-en, ca-it, eo-en
Generalitat de Catalunya Местное правительство oc-ca, oc-es, en-ca,
Диссертация cy-en, fr-ca, pt-ca
Universitat d'Alacant Образовательное учреждение eu-es, (br-fr), es-pt
Министерство промышленности, торговли и туризма Правительство страны es-ca, es-gl
ABC Enciklopedioj Организация eo-es, eo-ca
imaxin|software Организация en-gl, pt-gl
Universidá d'Uviéu Образовательное учреждение es-ast
Prompsit Организация es-it, (br-fr), (fr-es)
Eleka Ingenieritza Linguistikoa Организация fr-es
Исследовательский совет Исландии Правительство страны is-en
Ofis ar Brezhoneg Quasi общественная организация br-fr
Европейская ассоциация машинного перевода Некоммерческая организация eu-en

Практика

  • Найдите существующие языковые ресурсы для вашей языковой пары и отметьте, какими документами они регламентируются.
  • Разработайте реалистичный рабочий план для разработки нового переводчика для данной языковой пары в системе Apertium принимая во внимание:
    • Существующие ресурсы
    • Цель переводчика
    • Человеческий ресурс
    • Политическую финансовую и общественную поддержку