Language
Country/Area
No result found
Kisah sukses IBM: Bagaimana penerjemahan mesin statistik kembali mendapat perhatian pada tahun 1980-an?
Penerjemahan mesin statistik (SMT) adalah metode penerjemahan mesin yang mengandalkan model statistik untuk menghasilkan terjemahan. Parameter model ini diperoleh dari analisis korpus teks dwibahasa. Konsep dasar penerjemahan mesin statistik terus berkembang sejak Warren Weaver pertama kali mengusulkan ide-ide ini pada tahun 1949. Pada akhir tahun 1980-an, para peneliti di Pusat Penelitian Thomas J. Watson milik IBM sekali lagi membawa teknologi ini menjadi sorotan dan memacu pengembangan lebih lanjut. Kebangkitan kembali tahap ini terjadi karena mereka menggabungkan konsep teori informasi dan kemajuan teknologi komputer, yang memungkinkan SMT beradaptasi dengan rentang bahasa yang lebih luas.
Penerjemahan mesin statistik dapat memanfaatkan sejumlah besar data dwibahasa dan monolingual untuk meningkatkan kelancaran dan keakuratan penerjemahan.
Keunggulan SMT adalah model yang digunakan untuk penerjemahan tidak didasarkan pada aturan bahasa yang eksplisit, tetapi secara otomatis mempelajari konversi antarbahasa melalui analisis statistik dari sejumlah besar korpus. Oleh karena itu, metode ini menggunakan sumber daya manusia dan data secara lebih efisien daripada sistem penerjemahan berbasis aturan tradisional. Selain itu, karena sistem SMT biasanya tidak dioptimalkan untuk pasangan bahasa tertentu, hal ini membuatnya lebih fleksibel dan dapat diskalakan dalam penerapannya.
Kelancaran penerjemahan mesin statistik sering kali berasal dari model bahasa yang berjalan di belakangnya.
Namun, penerjemahan mesin statistik tidaklah sempurna. Korpus mahal untuk dibuat, kesalahan tertentu sulit diprediksi dan diperbaiki, dan hasil penerjemahan terkadang tampak mulus di permukaan tetapi menyembunyikan masalah penerjemahan yang mendasarinya. Terutama antara pasangan bahasa dengan perbedaan besar dalam struktur bahasa, efek SMT mungkin tidak sebaik yang diharapkan. Hal ini terutama terlihat jelas pada pasangan bahasa lain selain bahasa Eropa Barat.
Model penerjemahan berbasis kata yang paling awal menjadikan unit dasar penerjemahan sebagai satu kata dalam bahasa alami. Dengan kompleksitas struktur kata, panjang kalimat yang diterjemahkan sering kali tidak konsisten, yang membuat "tingkat kesuburan" yang sesuai dengan kata tersebut sulit ditangani secara fleksibel. Metode penerjemahan berbasis kata ini tidak dapat secara efektif menangani situasi kesuburan tinggi antarbahasa karena tidak dapat memetakan dua kata bahasa Inggris ke satu kata bahasa Prancis, meskipun hal itu mungkin masuk akal secara harfiah dalam beberapa kasus.
Penerjemahan berbasis frasa berupaya mengatasi keterbatasan penerjemahan berbasis kata dan melakukan konversi yang lebih fleksibel dengan menerjemahkan seluruh rangkaian kata.
Metode penerjemahan yang bergantung pada frasa memperkenalkan arsitektur inovatif lain yang menggunakan metode statistik untuk menerjemahkan "frasa" yang diekstrak dari korpus. Metode ini lebih fleksibel dan dapat secara efektif mengurangi pembatasan kata dan urutan kata. Dengan cara ini, frasa dapat langsung dipetakan melalui tabel terjemahan dan dapat disusun ulang selama proses penerjemahan, sehingga meningkatkan kualitas hasil terjemahan.
Dari tahun 1980-an hingga 1990-an, penelitian IBM terus berkembang, dengan mempertimbangkan struktur sintaksis dan mengintegrasikan konteks untuk penerjemahan. Model penerjemahan mesin statistik periode ini secara bertahap membangun pemahaman bahasa multilevel, yang menandai perubahan kualitatif dalam teknologi penerjemahan.
Model bahasa merupakan bagian integral dari sistem penerjemahan mesin statistik, yang membantu meningkatkan kelancaran penerjemahan.
Seiring berjalannya waktu, banyak sistem penerjemahan terkenal, seperti Google Translate dan Microsoft Translate, mulai meningkatkan teknologi dasar mereka dan bertransformasi menjadi penerjemahan mesin saraf pembelajaran mendalam, yang menandai usangnya penerjemahan mesin statistik secara bertahap. Namun, signifikansi historis SMT masih ada, karena ia meletakkan dasar bagi kemajuan teknologi berikutnya dan mencapai perkembangan pesat di bidang penerjemahan.
Sekarang, ketika kita melihat kembali proses historis teknologi ini, kita tidak dapat tidak berpikir tentang, dengan perkembangan kecerdasan buatan yang pesat, bagaimana teknologi penerjemahan mesin di masa depan akan berkembang lebih jauh?
