Maschinelle Übersetzung (MÜ) ist eine Technologie der künstlichen Intelligenz, die Computer zur automatischen Übersetzung von einer natürlichen Sprache in eine andere einsetzt. Diese Technologie kombiniert Linguistik, statistische Modellierung und Deep-Learning-Methoden und ermöglicht es dem System, die semantische Information des Ausgangstextes zu analysieren und entsprechende Ausdrücke in der Zielsprache zu generieren. Sie zählt zu den wichtigsten Forschungsrichtungen im Bereich der natürlichen Sprachverarbeitung.

Die maschinelle Übersetzung blickt auf eine lange Geschichte zurück, deren Forschung bis in die Mitte des 20. Jahrhunderts reicht. Frühe Methoden basierten hauptsächlich auf regelbasierten Systemen, die manuell erstellte Sprachregeln und Wörterbücher nutzten. Um das Jahr 2000 etablierte sich die statistische maschinelle Übersetzung (SMT), die mithilfe umfangreicher zweisprachiger Korpora die Entsprechungen zwischen Wörtern und Phrasen lernt, als gängigste Methode. Mit der Entwicklung des Deep Learning hat sich die neuronale maschinelle Übersetzung (NMT) als neuer technologischer Ansatz etabliert. Im Jahr 2015 veröffentlichten Forscher der Universität Montreal und der Jacobs University eine Studie… Neuronale maschinelle Übersetzung durch gemeinsames Lernen von Ausrichtung und Übersetzung Die vorliegende Arbeit stellt ein neuronales maschinelles Übersetzungsmodell vor, das auf Encoder-Decoder- und Aufmerksamkeitsmechanismen basiert. Durch das gemeinsame Lernen von Wortausrichtungsbeziehungen und Übersetzungsprozessen zählt es zu den wichtigsten repräsentativen Studien auf dem Gebiet der neuronalen maschinellen Übersetzung.

Im Vergleich zu traditionellen statistischen Methoden kann neuronale maschinelle Übersetzung (NNMT) Kontextinformationen besser nutzen und so die Übersetzungsqualität in langen Sätzen und komplexen Kontexten verbessern. In den letzten Jahren haben sich Übersetzungssysteme schrittweise von der Entwicklung eines Modells für ein Sprachpaar hin zu umfangreichen, mehrsprachigen Modellen wie NLLB entwickelt, die über zweihundert Sprachen abdecken (darunter viele ressourcenarme Sprachen). Universelle, große Sprachmodelle übernehmen zunehmend direkt sprachübergreifende Übersetzungsaufgaben und sind nicht mehr auf das spezialisierte Training für bestimmte Sprachpaare angewiesen. Diese Technologie findet aktuell breite Anwendung in der mehrsprachigen Suche, der internationalen Kommunikation, dem grenzüberschreitenden E-Commerce, der Inhaltslokalisierung, der assistierten Übersetzung und der mehrsprachigen Informationsverarbeitung.