بدون تجاهل أي لغة: التوسع القائم على الإنسان في الترجمة الآلية

بسبب الهدف المتمثل في القضاء على الحواجز اللغوية على المستوى العالمي، أصبحت الترجمة الآلية حجر الزاوية في بحوث الذكاء الاصطناعي اليوم. ومع ذلك، تركز هذه الجهود على مجموعة صغيرة من اللغات، مما يترك وراءه الغالبية العظمى من اللغات التي تُعد منخفضة الموارد. ما الذي يتطلبه كسر حاجز اللغات الـ200 مع ضمان نتائج آمنة وعالية الجودة، مع أخذ الاعتبارات الأخلاقية بعين الاعتبار؟ في مشروع "لا تترك لغة وراءها" (No Language Left Behind)، تناولنا هذا التحدي من خلال أولاً توضيح الحاجة إلى دعم الترجمة للغات منخفضة الموارد، وذلك من خلال مقابلات استكشافية مع الناطقين الأصليين. ثم قمنا بإنشاء مجموعات بيانات ونماذج موجهة إلى تقليل الفجوة في الأداء بين اللغات منخفضة الموارد واللغات الغنية بالموارد. وبشكل أكثر تحديدًا، طوّرنا نموذجًا يعتمد على حساب مشروط يستند إلى "مزيج خبراء نادر التفعيل" (Sparsely Gated Mixture of Experts)، تم تدريبه على بيانات تم جمعها باستخدام تقنيات مبتكرة وفعالة لاستخراج البيانات مخصصة للغات منخفضة الموارد. واقترحنا تحسينات معمارية وتدريبية متعددة للحد من ظاهرة التخصّص الزائد (Overfitting) أثناء التدريب على آلاف المهام. وتحديدًا، قمنا بتقييم أداء أكثر من 40,000 اتجاه ترجمة مختلف باستخدام معيار ترجمة بشرية معيارية (Flores-200)، ودمجنا التقييم البشري مع معيار جديد لتقييم السُمية (Toxicity Benchmark) يغطي جميع اللغات المدرجة في Flores-200 لتقييم سلامة الترجمة. حقق نموذجنا تحسينًا بنسبة 44% في معيار BLEU مقارنة بأفضل نموذج سابق، مما يُعد خطوة أساسية نحو تحقيق نظام ترجمة عالمي. وأخيرًا، قمنا بالإفصاح عن جميع المساهمات المذكورة في هذا العمل عبر المصدر المفتوح، ويمكن الوصول إليها عبر الرابط التالي: https://github.com/facebookresearch/fairseq/tree/nllb.