Maschinelle Übersetzung bezeichnet die automatische Übertragung von Text von einer natürlichen Sprache in eine andere und durchlief seit den 1950er Jahren drei grundlegend verschiedene technische Paradigmen: regelbasierte, statistische und neuronale Übersetzung.
Zusammenfassung
Frühe Systeme übersetzten anhand von Wörterbüchern und handgeschriebenen grammatischen Regeln, spätere Systeme lernten Übersetzungsmuster statistisch aus riesigen zweisprachigen Textkorpora, und heutige Systeme nutzen neuronale Encoder-Decoder-Architekturen, die eine Quellsatz-Repräsentation direkt in eine Zielsprachen-Sequenz übersetzen.
Begriffsgeschichte
Warren Weavers Memorandum von 1949 gilt als Gründungsdokument des Feldes und regte in den USA umfangreiche Forschungsförderung an. Das öffentlich vorgeführte Georgetown-IBM-Experiment von 1954 übersetzte mit einem Wörterbuch von nur 250 Wörtern und sechs Grammatikregeln russische Sätze ins Englische und weckte übertriebene Erwartungen an baldige praxistaugliche Systeme.
Der 1966 veröffentlichte ALPAC-Bericht kam zum ernüchternden Schluss, maschinelle Übersetzung sei langsamer, ungenauer und teurer als menschliche Übersetzung – ein Urteil, das die US-amerikanische Forschungsförderung für Jahre praktisch zum Erliegen brachte. Erst statistische Verfahren ab den 1990er Jahren und schließlich neuronale Verfahren ab 2014 stellten das Feld methodisch auf eine grundlegend neue Basis.
Methodische Grundlagen
Statistische Übersetzungssysteme lernten Wort- und Phrasenübersetzungen sowie deren Wahrscheinlichkeiten aus großen Mengen bereits übersetzter Textpaare, ohne explizite grammatische Regeln zu benötigen.
Der entscheidende methodische Bruch kam 2014 mit Sequence-to-Sequence-Learning: Ein neuronales Netz kodiert den gesamten Quellsatz in eine kontinuierliche Repräsentation, aus der ein zweites Netz Wort für Wort den Zielsatz erzeugt – dieselbe Encoder-Decoder-Grundstruktur, die später auch dem Transformer zugrunde liegt.
Anwendungsfelder
Neuronale Übersetzungssysteme bilden heute die Grundlage kommerzieller Dienste wie Google Translate und DeepL und erreichen bei vielen Sprachpaaren eine Qualität, die noch vor wenigen Jahrzehnten als unerreichbar galt. Techniken, die ursprünglich für die maschinelle Übersetzung entwickelt wurden – darunter Byte-Pair-Encoding zur Zerlegung seltener Wörter in Teilworteinheiten –, wurden später zu Standardbausteinen allgemeiner Sprachmodelle.
Kontroversen und Kritik
Auch heutige neuronale Systeme übersetzen kulturelle Nuancen, Mehrdeutigkeiten und seltene Sprachkombinationen weiterhin unzuverlässig, und die Qualität schwankt erheblich zwischen gut und schlecht dokumentierten Sprachen. Zudem bleibt umstritten, inwieweit maschinelle Übersetzung professionelle menschliche Übersetzer:innen ersetzen kann oder lediglich als Werkzeug zur Vorübersetzung dienen sollte, das anschließend menschlich nachbearbeitet wird.
Verwandte Begriffe
- Sepp Hochreiter – Miterfinder rekurrenter Architekturen, die frühe neuronale Übersetzungssysteme prägten
- Attention-Mechanismus – ursprünglich zur Verbesserung neuronaler Übersetzung entwickelte Technik, die später zum Kern des Transformers wurde
- Transformer – Architektur, die die Encoder-Decoder-Grundstruktur der maschinellen Übersetzung ablöste und heute dominiert
Quellenangaben
- Weaver, Warren, 1949. Translation. Memorandum, Rockefeller Foundation.
- Hutchins, John, 2004. The Georgetown-IBM Experiment Demonstrated in January 1954. In: Frederking, Robert E. / Taylor, Kathryn B. (Hrsg.), Machine Translation: From Real Users to Research. Springer, S. 102–114.
- Automatic Language Processing Advisory Committee (ALPAC), 1966. Language and Machines: Computers in Translation and Linguistics. National Academy of Sciences.