Çeviri iş akışında makine çevirisi sistemleri ve sohbet robotlarının bütünleşik kullanımı

Yıl 2023, Sayı: Ö12, 739 - 757, 23.07.2023

Sevda Pekcoşkun Güner Edip Serdar Güner

https://doi.org/10.29000/rumelide.1330542

Cited By: 1

Öz

Son yıllarda, makine çevirisi sistemlerinde önemli gelişmeler kaydedilmiştir, ancak yine de söz konusu sistemler hatalı veya doğallıktan yoksun çeviriler üretebilmektedir. Bu çalışmada, sözü edilen sorunun üstesinden gelmek amacıyla, makine çevirisi sistemleri ve yapay zekâ tabanlı sohbet robotlarının kullanıcıya sunduğu avantajlardan yararlanarak kaliteli çevirilerin ortaya çıkmasını sağlayabilecek yenilikçi bir iş akışı önerilmektedir. Önerilen iş akışı dört temel adımdan oluşmaktadır: (1) makine çevirisi sistemi kullanılarak gerçekleştirilen ilk çeviri, (2) sohbet robotu ile yapılan art düzenleme ve son okuma, (3) erek dil odaklı otomatik dil bilgisi ve yazım denetimi, (4) sayısal ölçütler kullanılarak gerçekleştirilen son değerlendirme. İlk aşamada kaynak metin, makine çevirisi sistemi yardımıyla erek dile aktarılır. İkinci adımda, makine çevirisi çıktısı bir sohbet robotu tarafından gözden geçirilir. Doğal dili anlama becerilerine sahip bir sohbet robotu kullanılarak çeviri geliştirilebilir. Bu aşama, makine çevirisi sistemleri tarafından hemen kavranamayan anlam belirsizlikleri, kültüre özgü unsurlar ve terminoloji ile ilgili sorunların çözümlenmesine yardımcı olur. Üçüncü adımda, art düzenlemesi ve son okuması sohbet robotu tarafından yapılmış olan çevirinin dil bilgisi ve yazım denetimi otomatik olarak gerçekleştirilir. Bu aşamanın nihai hedefi, çevirinin dilsel hatalardan olabildiğince arınması ve erek dil kurallarına uygunluğu sağlanarak, okunabilirliğinin ve genel kalitesinin arttırılmasıdır. İş akışının son adımında, bir yazım denetim aracından elde edilen sayısal ölçütler kullanılarak, erek metnin kabul edilebilirliği ve insan çevirisine yakınlığı değerlendirilir. Çevirinin kalitesi hakkında çevirmene nicel geri bildirimler sağlayan bu ölçütler, iyileştirme alanlarını belirleme ve gelecek çeviri işleri için yol gösterme amaçlarıyla kullanılabilir. Önerilen çeviri iş akışı, makine çevirisi sistemlerinin başarımı ile sohbet robotlarının bağlam konusundaki farkındalığı ve doğal dili anlama becerilerini birleştirerek daha kaliteli çeviriler ortaya çıkmasını sağlayabileceği gibi, çevirmenin art düzenleme ve son okuma süreçlerindeki çabasını azaltabilecektir. Bu iş akışıyla, kaliteli ve doğal erek metinler üretmek için kapsamlı bir yaklaşım sunulmaktadır.

Anahtar Kelimeler

Makine çevirisi, büyük dil modelleri, sohbet robotları, art düzenleme, son okuma

Kaynakça

• Aikawa, T., Schwartz, L., King, R., Corston-Oliver, M. ve Lozano, C. (2007). Impact of controlled language on translation quality and post-editing in a statistical machine translation environment. Proceedings of Machine Translation Summit XI: Papers içinde, Kopenhag, Danimarka.
• Albergotti, R. (2023). The secret history of Elon Musk, Sam Altman, and OpenAI. https://www.semafor.com/article/03/24/2023/the-secret-history-of-elon-musk-sam-altman-and-openai (Erişim tarihi: 20.06.2023).
• Allen, J. H. (2003). Post-editing. Harold Somers (Ed.), Computers and translation: A translator’s guide içinde (ss. 297-317). Amsterdam: John Benjamins Publishing Company.
• Anderson, P. W. (1972). More is different: Broken symmetry and the nature of the hierarchical structure of science. Science, 177(4047), 393–396.
• Arnold, D. J., Balkan, L., Meijer S., Humphreys, R.L. ve Sadler, L. (1994). Machine translation: An introductory guide. Londra: Blackwells-NCC.
• Bentivogli, L., Bisazza, A., Cettolo, M. ve Federico, M. (2016). Neural versus phrase-based machine translation quality: A case study. Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing içinde, 257-267. Association for Computational Linguistics (ACL).
• Çetiner, C. (2019). Makine çevirisi sonrası düzeltme işlemine (post-editing) yönelik kapsamlı bir inceleme. RumeliDE Dil ve Edebiyat Araştırmaları Dergisi, Ö6, 462-472.
• Diño, G. (2017). 3 reasons why neural machine translation is a breakthrough, https://slator.com/3-reasons-why-neural-machine-translation-is-a-breakthrough/ (Erişim tarihi: 20.06.2023).
• do Carmo, F. ve Moorkens, J. (2020). Differentiating editing, post-editing and revision. Maarit Koponen, Brian Mossop, Isabelle S. Robert ve Giovanna Scocchera (Ed.), Translation Revision and Post-editing: Industry Practices and Cognitive Processes içinde (ss. 35-49), New York: Routledge.
• Doherty, S. ve Gaspari, F. (2013). Effective post-editing in human & machine translation workflows: Critical knowledge & techniques. Centre for Next Generation Localisation, Dublin City University.
• Ekin, S. (2023). Prompt engineering for ChatGPT: A quick guide to techniques, tips, and best practices. TechRxiv. Preprint.
• Haque, R., Hasanuzzaman, M. ve Way, A. (2020). Analysing terminology translation errors in statistical and neural machine translation. Machine Translation, 34(2-3), 149–195. Hutchins, W. J. (1986). Machine translation: Past, present, and future. Chichester: Ellis Horwood.
• Johnson, M., Schuster, M., Le, Q. V., Krikun, M., Wu, Y., Chen, Z., Thorat, N., Viégas, F., Wattenberg, M., Corrado, G., Hughes, M. ve Dean, J. (2017). Google’s multilingual neural machine translation system: Enabling zero-shot translation. Transactions of the Association for Computational Linguistics, 5, 339-351.
• Kaji, H. (1999). Controlled languages for machine translation: State of the art. Proceedings of Machine Translation Summit VII içinde, 37-39.
• KantanMT (2014). Post-editing machine translation, https://kantanmtblog.com/2014/08/20/post-editing-machine-translation/ (Erişim tarihi: 20.06.2023).
• Koponen, M. (2015). How to teach machine translation post-editing? Experiences from a post-editing course. Proceedings of the 4th Workshop on Post-editing Technology and Practice (WPTP4) içinde, 1-15.
• Massardo, I., van der Meer, J., O’Brien, S., Hollowood, F., Aranberri, N. ve Drescher, K. (2016). MT post-editing guidelines. Hollanda: TAUS Signature Editions.
• Mossop, B. (2020). Revising and editing for translators (4. Basım). New York: Routledge.
• Pekcoşkun Güner, S. (2020). Makine çevirisi sürecinde ön düzenleme. Ziya Tok (Ed.), Çeviride teknoloji: Süreç ve uygulamalar 1 içinde (ss. 205-261), Ankara: Grafiker Yayınları.
• Poliakova, T. ve Samarina, V. (2022). Foreign language for specific purposes: methodological aspects of teaching. Science and Education a New Dimension. Pedagogy and Psychology, IX(99), 39-41.
• Ramponi, M. (2023). The full story of large language models and RLHF, https://www.assemblyai.com/blog/the-full-story-of-large-language-models-and-rlhf/ (Erişim tarihi: 20.06.2023).
• Rico, C. ve Torrejón, E. (2012). Skills and profile of the new role of the translator as MT post-editor. Tradumàtica, 10, 166-178.
• Team Capacity (2023). Self-learning chatbot: The ultimate guide, https://capacity.com/learn/ai-chatbots/self-learning-chatbot/ (Erişim tarihi: 20.06.2023).
• Timothy, M. (2023), How to use ChatGPT as a language translation tool, https://www.makeuseof.com/how-to-translate-with-chatgpt/ (Erişim tarihi: 20.06.2023).
• Toury, G. (1995). Descriptive translation studies and beyond. Amsterdam/Philadelphia: John Benjamins Publishing Company.
• Villalobos, P., Sevilla, J., Besiroglu, T., Heim, L., Ho, A. ve Hobbhahn, M. (2022). Machine learning model sizes and the parameter gap. arXiv preprint arXiv:2207.02852.