Jaringan Neural:Mendorong Perbatasan Berikutnya dalam Terjemahan Mesin
Artikel ini ditulis dan dikirimkan oleh Rachel Wheeler.
Ide terjemahan mesin sudah ada sejak beberapa dekade yang lalu. Pertama, ini hanyalah sebuah sistem untuk terjemahan mesin berbasis aturan. Kemudian pada tahun 1980-an, para peneliti mengembangkan terjemahan mesin statistik. Di abad ke-21, lompatan besar dalam teknologi terjemahan mesin akan datang dari pembelajaran mesin dan teknologi jaringan saraf.
Selama beberapa tahun terakhir, kami telah melihat beberapa perkembangan signifikan dari perusahaan penerjemahan yang menggunakan teknologi Kecerdasan Buatan ini untuk menyediakan terjemahan mesin yang lebih baik. Beberapa contoh paling mengesankan datang dari sistem seperti Google Neural Machine Translation (GNMT) dan Neural Translator Microsoft.
Apa itu Terjemahan Mesin Neural?
Terjemahan mesin sudah tersedia secara luas, dan sudah ada selama bertahun-tahun. Anda dapat menemukan sistem terjemahan mesin di sejumlah aplikasi populer, dan terdapat layanan online yang menawarkan layanan terjemahan mesin. Namun, terdapat perbedaan yang signifikan antara layanan yang sudah tersedia dan sistem yang sedang dikembangkan untuk menggunakan jaringan neural.
Sebagian besar sistem yang Anda temukan saat ini adalah terjemahan mesin statistik. Mereka menggunakan algoritme dan model statistik untuk membuat tebakan terbaik mengenai terjemahan yang tepat dari sebuah frasa. Ini dapat bekerja dengan baik untuk frasa pendek, namun mencapai batasnya ketika diminta untuk menerjemahkan sampel yang lebih panjang, seperti seluruh buku teks digital untuk terjemahan elearning. Hasilnya bisa berupa apa saja, mulai dari interpretasi yang cukup akurat hingga terjemahan yang sepenuhnya omong kosong.
Terjemahan mesin saraf mewakili pendekatan yang sangat berbeda dari sistem lama yang menggunakan terjemahan mesin statistik. Dengan sistem NMT, jaringan saraf dilatih dan dioptimalkan untuk melakukan layanan terjemahan.
Sistem ini menggunakan pembelajaran mendalam untuk menganalisis sejumlah besar terjemahan yang telah dilakukan oleh penerjemah manusia. Dengan menganalisis kumpulan data yang besar ini, ia dapat menjelaskan keseluruhan kalimat, memahami konteks dan variasi yang berbeda, serta menangani seluk-beluk linguistik yang tidak dapat diprogram ke dalam model berbasis statistik. Hasil akhirnya adalah sistem terjemahan mesin yang lebih lancar dan natural.
Bagaimana Jaringan Neural Bekerja?
Kunci untuk menyediakan kemampuan belajar bagi mesin adalah jaringan saraf. Ini adalah jenis teknologi komputasi yang dirancang untuk meniru cara kerja otak manusia. Di otak, jalur saraf terbentuk saat kita belajar. Jika jalurnya berguna dan bermanfaat, maka jalur tersebut akan menjadi lebih kuat. Jika tidak memberikan hasil yang benar, maka akan melemah.
Ide di balik jaringan saraf adalah untuk mensimulasikan sifat jalur saraf yang saling berhubungan di otak. Dengan desain ini, komputer dapat belajar, mengenali pola, dan mengambil keputusan dengan cara yang mirip dengan otak manusia.
Jaringan saraf tiruan mensimulasikan struktur ini dengan memiliki lusinan hingga jutaan neuron buatan yang dikenal sebagai unit. Unit-unit ini disusun berlapis-lapis. Di satu sisi, Anda memiliki unit masukan yang dirancang untuk menerima informasi. Di sisi berlawanan, Anda memiliki unit keluaran yang memberi sinyal respons terhadap informasi yang dipelajari.
Di antara lapisan unit masukan dan unit keluaran terdapat unit tersembunyi. Ini adalah lapisan yang menyusun sebagian besar jaringan neural dan juga digunakan untuk membentuk sebagian besar koneksi.
Setiap koneksi dalam jaringan saraf diberi bobot untuk menunjukkan kekuatan koneksi antara dua unit. Bobotnya bisa positif untuk sambungan yang menggairahkan unit lain, atau bisa juga bobot negatif untuk sambungan yang menekan aksi unit lain. Semakin tinggi bobotnya, semakin besar pengaruh satu unit terhadap unit lainnya dalam sambungan.
Jaringan saraf belajar dengan membandingkan keluaran yang dihasilkan dengan keluaran yang diinginkan. Informasi diumpankan ke sistem pada ujung input. Ini kemudian memicu koneksi di unit tersembunyi. Hal ini menyebabkan koneksi dengan ujung keluaran. Output yang sebenarnya dihasilkan jaringan kemudian dibandingkan dengan output yang diinginkan. Bobot tersebut kemudian dimodifikasi berdasarkan selisih antara keluaran yang dihasilkan dengan keluaran yang diinginkan.
Untuk terjemahan mesin, struktur jaringan saraf membuat sistem lebih adaptif dan mampu menangani model yang lebih kompleks dibandingkan sistem yang berdasarkan aturan dan statistik. Ia juga bisa belajar dari pengalamannya. Jika perusahaan tidak memberikan hasil yang tepat, perusahaan akan belajar dari kesalahan tersebut dan melakukan penyesuaian agar dapat bekerja lebih efisien di waktu berikutnya.
Apa Artinya bagi Terjemahan Mesin?
Terjemahan mesin saraf masih merupakan teknologi baru. Meski masih dalam tahap awal, namun sudah memberikan hasil yang lebih unggul dari sistem terjemahan mesin statistik terbaik. Meskipun demikian, perjalanan kita masih panjang sebelum terjemahan mesin saraf dapat bersaing dengan penerjemah manusia yang terampil.
Baca:Kecerdasan Buatan vs Pembelajaran Mesin vs Pembelajaran Mendalam
Kemajuan terjemahan mesin saraf tidak akan datang dari satu perusahaan. Hal ini merupakan hasil dari beberapa kemajuan yang dilakukan para peneliti di berbagai organisasi dan di seluruh dunia. Seiring berkembangnya teknologi, NMT akan menjadi alat penting bagi penerjemah manusia. Dengan meningkatnya kebutuhan akan terjemahan yang rumit, para profesional akan menggunakan sistem ini untuk menyediakan terjemahan yang akurat dalam waktu yang lebih singkat dan ini akan membantu mereka memenuhi permintaan yang terus meningkat.
