Egyéni Azure AI Translator-fordítás kezdőknek

Az egyéni fordítással olyan fordítási rendszert hozhat létre, amely tükrözi az üzleti, iparági és tartományspecifikus terminológiát és stílust. Az egyéni rendszerek betanítása és üzembe helyezése egyszerű, és nem igényel programozási készségeket. A testreszabott fordítási rendszer zökkenőmentesen integrálható a meglévő alkalmazásokba, munkafolyamatokba és webhelyekbe, és ugyanazon felhőalapú Microsoft Text Translation API szolgáltatáson keresztül érhető el az Azure-ban, amely naponta több milliárd fordítást biztosít.

Az egyéni fordítás lehetővé teszi, hogy olyan fordítórendszert hozzon létre, amely valóban rögzíti vállalkozása egyedi nyelvét, iparági terminológiáját és tartományspecifikus stílusát. Az intuitív kezelőfelülettel az egyéni modell betanítása, tesztelése és üzembe helyezése egyszerű, és nem igényel programozási szakértelmet. Zökkenőmentesen integrálhatja a testre szabott fordítási rendszert meglévő alkalmazásaiba, munkafolyamataiba és webhelyeibe – mindezt a felhőalapú Azure AI Translator Text Translation API szolgáltatás támogatja, amely naponta több milliárd fordítást biztosít.

A platform lehetővé teszi, hogy a felhasználók egyéni fordítási rendszereket építsenek ki és tegyenek közzé angol nyelven. A Custom Translator több mint 100 nyelvet támogat, amelyek közvetlenül a neurális gépi fordításhoz (NMT) elérhető nyelvekhez kapcsolódnak. A teljes listát a Translator nyelvi támogatásában találja.

Az egyéni fordítási modell a megfelelő választás önnek?

Egy jól betanított egyéni fordítási modell a korábban lefordított tartományon belüli dokumentumokból tanulva kiválóan biztosít pontos, tartományspecifikus fordításokat. Ez a megközelítés biztosítja, hogy a speciális kifejezések és kifejezések kontextusban legyenek használva, és folyékony, természetes fordításokat eredményeznek, amelyek tiszteletben tartják a célnyelv nyelvtani árnyalatait.

Ne feledje, hogy a teljes egyéni fordítási modell fejlesztéséhez jelentős mennyiségű betanítási adatra van szükség – általában legalább 10 000 párhuzamos mondatra. Ha nem rendelkezik elegendő adattal egy átfogó modell betanításához, érdemes lehet csak szótári modellt létrehoznia az alapvető terminológia rögzítéséhez, vagy támaszkodhat a Text Translation API által kínált kiváló minőségű, beépített fordításokra.

Végső soron, ha olyan fordításokra van szüksége, amelyek tükrözik az iparág nyelvét, és bőséges képzési forrásokkal rendelkezik, az egyéni fordítási modell ideális választás lehet a szervezet számára.

Mit jelent az egyéni fordítási modellek betanítása?

Egyéni fordítási modell létrehozásához a következőre van szükség:

• A használati eset ismertetése.

• A tartományon belüli lefordított adatok beszerzése (lehetőleg emberi fordítással).

• A fordítási minőség vagy a célnyelvi fordítások értékelése.

Hogyan kiértékelni a használati esetemet?

A használat és a sikeresség első lépése a jártas betanítási adatok beszerzése. Íme néhány szempont:

• Meg van adva a kívánt eredmény, és hogyan történik a mérés?

• Azonosította az üzleti tartományát?

• Rendelkezik hasonló terminológiával és stílusú tartományon belüli mondatokkal?

• A használati eset több tartományt is érint? Ha igen, létre kell hoznia egy fordítórendszert vagy több rendszert?

• Vannak olyan követelmények, amelyek hatással vannak a inaktív és az átvitel alatt lévő regionális adatokra?

• A célfelhasználók egy vagy több régióban vannak?

Hogyan kell forrásként használnom az adataimat?

A tartományon belüli minőségi adatok megkeresése gyakran kihívást jelentő feladat, amely a felhasználói besorolástól függően változik. Az alábbiakban néhány kérdést tehet fel saját magának, amikor kiértékeli, hogy milyen adatok állnak rendelkezésre az Ön számára:

• Rendelkezik a vállalata korábbi fordítási adataival, amelyeket felhasználhat? A vállalatok gyakran rengeteg fordítási adatot halmoztak fel az emberi fordítás több éve során.

• Rengeteg egynyelvű adata van? Az egynyelvű adatok csak egy nyelven lévő adatok. Ha igen, lekérheti az adatok fordítását?

• Bejárhatja az online portálokat a forrásmondatok gyűjtéséhez és a célmondatok szintetizálásához?

Mit kell használnom a tananyagokhoz?

Forrás	A teendők	Követendő szabályok
Kétnyelvű képzési dokumentumok	A rendszer terminológiáját és stílusát tanítja.	Legyen liberális. A tartományon belüli emberi fordítások jobbak, mint a gépi fordítások. Útközben is hozzáadhat és eltávolíthat dokumentumokat, és megpróbálhatja javítani a BLEU-pontszámot.
Dokumentumok hangolása	Beképzi a neurális gép fordítási paramétereit.	Legyen szigorú. Írjon nekik, hogy optimálisan reprezentatív, amit fog fordítani a jövőben.
Dokumentumok tesztelése	Számítsa ki a BLEU-pontszámot.	Legyen szigorú. A tesztdokumentumokat úgy kell összeállítani, hogy optimálisan reprezentálják azt, amit a jövőben le szeretne fordítani.
Kifejezésszótár	Az adott fordítást az idő 100%-ában kényszeríti.	Legyen korlátozó. A kifejezésszótár megkülönbözteti a kis- és nagybetűk használatát, és a felsorolt szavak vagy kifejezések a megadott módon lesznek lefordítva. Sok esetben jobb, ha nem használ kifejezésszótárat, és hagyja, hogy a rendszer tanuljon.
Mondatszótár	Az adott fordítást az idő 100%-ában kényszeríti.	Legyen szigorú. A mondatszótárak kis- és nagybetűket nem érzékenek, és a tartomány rövid mondataiban gyakran használják. Ahhoz, hogy egy mondatszótár egyezzen, a teljes beküldött mondatnak meg kell egyeznie a forrásszótár bejegyzésével. Ha a mondatnak csak egy része egyezik, a bejegyzés nem egyezik.

Mi az a BLEU-pontszám?

A BLEU (kétnyelvű kiértékelési alapművelet) egy algoritmus, amely az egyik nyelvről a másikra lefordított gépi szövegek pontosságát vagy pontosságát értékeli. Az egyéni fordítás a BLEU metrikát használja a fordítás pontosságának egyik módjaként.

A BLEU-pontszám nulla és 100 közötti szám. A nulla pontszám alacsony minőségű fordítást jelez, ahol a fordításban semmi sem felelt meg a hivatkozásnak. A 100-es pontszám tökéletes fordítást jelez, amely megegyezik a hivatkozással. Nem szükséges 100-ból álló pontszámot elérni – a 40 és 60 közötti BLEU-pontszám kiváló minőségű fordítást jelez.

További információ

Mi történik, ha nem küldöm el a hangolási vagy tesztelési adatokat?

A mondatok finomhangolása és tesztelése optimálisan reprezentálja a jövőben lefordítandó szöveget. Ha nem küld be hangolási vagy tesztelési adatokat, az egyéni fordítás automatikusan kiszűri a mondatokat a képzési dokumentumokból, hogy hangolási és tesztelési adatokként lehessen használni őket.

Rendszer által generált	Manuális kijelölés
Kényelmes.	Lehetővé teszi a jövőbeli igények finomhangolását.
Jó, ha tudja, hogy a betanítási adatok reprezentatívak a lefordítani kívánt adatokra.	Nagyobb szabadságot biztosít a betanítási adatok írásához.
A tartomány növekedésekor vagy zsugorításakor könnyen újra elvégezhető.	Több adatot és jobb tartománylefedettségeket tesz lehetővé.
Az egyes betanítási futtatásokat módosítja.	Statikus marad az ismétlődő betanítási futtatásoknál

Hogyan dolgozzák fel a képzési anyagokat egyedi fordítással?

A betanításra való felkészüléshez a dokumentumok feldolgozási és szűrési lépések sorozatán mennek keresztül. A szűrési folyamat ismerete segíthet megérteni a megjelenített mondatok számát, valamint a betanítási dokumentumok egyéni fordítással történő előkészítéséhez szükséges lépéseket. A szűrés lépései a következők:

• Mondatok igazítása

  Ha a dokumentum nem XLIFF, XLSX, TMX vagy ALIGN formátumban van, az egyéni fordítás mondatonként igazítja egymáshoz a forrás- és céldokumentumok mondatait. A Translator nem hajtja végre a dokumentumok igazítását – az ön elnevezési konvencióját követi, hogy a dokumentumok egyező dokumentumot találjanak a másik nyelven. A forrásszövegben az egyéni fordítás megpróbálja megtalálni a megfelelő mondatot a célnyelven. A dokumentumcímkéket, például a beágyazott HTML-címkéket használja az igazításhoz.

  Ha nagy eltérést tapasztal a forrás- és a céldokumentumok mondatainak száma között, a forrásdokumentum nem lehet párhuzamos vagy nem igazítható. A dokumentum mindkét oldalán nagy különbséggel (>10%) rendelkező mondatpárok garantálják a második pillantást annak érdekében, hogy valóban párhuzamosak legyenek.

• Adatkinyerés finomhangolása és tesztelése

  Az adatok finomhangolása és tesztelése nem kötelező. Ha nem adja meg, a rendszer eltávolítja a megfelelő százalékot a betanítási dokumentumokból a hangoláshoz és teszteléshez. Az eltávolítás dinamikusan történik a betanítási folyamat részeként. Mivel ez a lépés a betanítás részeként történik, a feltöltött dokumentumokra nincs hatással. Az egyes adatkategóriák – betanítás, finomhangolás, tesztelés és szótár – utolsó használt mondatszámát a Modell részletei oldalon láthatja, miután a betanítás sikeres volt.

• Hosszszűrő

  • Eltávolítja azokat a mondatokat, amelyen mindkét oldalon csak egy szó található.
  • Eltávolítja a több mint 100 szót tartalmazó mondatokat mindkét oldalon. A kínai, a japán, a koreai kivételt képez.
  • Eltávolítja a három karakternél kevesebb karakterből álló mondatokat. A kínai, a japán, a koreai kivételt képez.
  • Eltávolítja a 2000 karakternél több karaktert tartalmazó mondatokat kínai, japán, koreai nyelven.
  • Eltávolítja az 1%-nál kisebb alfanumerikus karaktereket tartalmazó mondatokat.
  • Eltávolítja az 50-nél több szót tartalmazó szótárbejegyzéseket.

• Üres terület

  • Lecseréli a térközök tetszőleges sorozatát, beleértve a tabulátorokat és a CR/LF sorozatokat egyetlen szóköz karakterre.
  • Eltávolítja a mondat kezdő vagy záró területét.

• Mondat végi írásjelek

  • Több mondatvégi írásjelet cserél egyetlen példányra. Japán karakter normalizálása.

  • A teljes szélességű betűket és számjegyeket félszélességű karakterekké alakítja.

• Nem kibontott XML-címkék

  A nem kibontott címkéket feloldott címkékké alakítja át:

  Címke	Lesz
  <	& Lt;
  >	& Gt;
  &	& Amp;

• Érvénytelen karakterek

  Az egyéni fordítás eltávolítja az U+FFFD Unicode karaktert tartalmazó mondatokat. Az U+FFFD karakter sikertelen kódkonvertálást jelez.

• Érvénytelen HTML-címkék

  A speciális fordítás eltávolítja az érvényes címkéket a tréning során. Az érvénytelen címkék kiszámíthatatlan eredményeket okoznak, ezért manuálisan kell eltávolítani őket.

Milyen lépéseket tegyek az adatok feltöltése előtt?

• Távolítsa el az érvénytelen kódolású mondatokat.
• Unicode-vezérlőkarakterek eltávolítása.
• Ha lehetséges, a mondatok (forrás–cél) igazítása.
• Távolítsa el a forrás- és célnyelvekkel nem egyező forrás- és célmondatokat.
• Ha a forrás- és célmondatok vegyes nyelvekkel rendelkeznek, győződjön meg arról, hogy a nem lefordított szavak szándékosak, például szervezetek és termékek nevei.
• A nyelvtan és a tipográfia helyességével elkerülheti a modell tanítási hibáit.
• Egy forrásmondat egy célmondatra van leképezve. Bár a betanítási folyamat több mondatot tartalmazó forrás- és célsorokat kezel, az egy-az-egyhez leképezés ajánlott eljárás.
• A betanítási adatok feltöltése előtt távolítsa el az érvénytelen HTML-címkéket.

Hogyan kiértékelni az eredményeket?

A modell sikeres betanítása után megtekintheti a modell BLEU-pontszámát és az alapmodell BLEU-pontszámát a modell részleteinek oldalán. Ugyanazt a tesztadatkészletet használjuk a modell BLEU-pontszámának és az alapszintű BLEU-pontszámnak a létrehozásához. Ezek az adatok segítenek megalapozott döntést hozni arról, hogy melyik modell lenne jobb a használati esethez.

Következő lépések

Projekt létrehozása