俄語口譯人員

Google’s Transformer solves a tricky problem in machine translation
Transformer: A Novel Neural Network Architecture for Language Understanding

" data-reactid="23">可是在說話理解上，機器常常會晤臨一些語意的理解問題，像是「bank」同時有銀行、河岸等多種意思，在不同的文法句子中，人們很快就可以根據前後文推斷出代表的意義，但逐字翻譯的演算法很有可能出錯，因為它沒法確定哪個意思才是准確的。

這類毛病常常在機器翻譯出現，但若是只為了句子的語義問題就反覆點竄神經網路，實在不太有用率，因此 Google 團隊在進行研究後，直接推出一套搭載解決方案的新型翻譯系統「Transformer」。<br><br>這類毛病常常在機械翻譯出現，但假如只為了句子的語義問題就反覆點竄神經網路，其實不太有效率，是以 Google 團隊在進行研究後，直接推出一套搭載解決方案的新型翻譯系統「Transformer」。

只是在翻譯上，機械可能還有良多需要學習，畢竟語言老是有一些意義不明白的詞，像是英文的它（it），可所以街道、動物也許多事物，人的大腦會主動分辯並理解，但機械就還是需要「補習」了。

在 Google 團隊的測試中，Transformer 系統非論在「英文→德文」或是「英文→法文」的翻譯中，在 BLEU 評價都勝過運用 RNN 和卷積神經網路（CNN）的翻譯系統翻譯

其實不僅 Google，翻譯公司 DeepL 也正在開辟雷同的關注機制，結合創始人 Gereon Frahling 甚至認為，他們的版本將比 Google 的系統更好翻譯

<br><br>其實不但 Google，翻譯公司 DeepL 也正在開辟雷同的關注機制，聯合開創人 Gereon Frahling 乃至認為，他們的版本將比 Google 的系統更好。<br><br>有趣的是，在存眷機制之下，人們得以一窺翻譯系統的思慮邏輯：在 Google 團隊的設定中，Transformer 系統會針對每一個「單詞」與「單詞」間的相幹性賜與評分，因此你可以看到哪些它認為是相關的，哪些又認為是可有可無。" data-reactid="24">在 Transformer 系統中有設定所謂的「關注機制」（Attention Mechanism），在這個機制設定下，系統會將句子中每一個單詞配比較較，來查看個中是不是存在任何一個單詞，會以某種要害方式產生彼此影響，進而理解是「他」照樣「她」在措辭，又或「bank」代表河岸還是銀行翻譯

有趣的是，在關注機制之下，人們得以一窺翻譯系統的思慮邏輯：在 Google 團隊的設定中，Transformer 系統會針對每一個「單詞」與「單詞」間的相幹性賜與評分，是以你可以看到哪些它認為是相幹的，哪些又認為是可有可無。

機械進修（Machine learning）已證明是很有效的翻譯對象，但在人們利用說話的轉變多元環境下，傾向逐字逐句翻譯的機械仍可能泛起嚴重毛病，Google 負責研究的部分近日發文解釋了這個問題，和他們找到的解決方案。<br><br>Google 天然說話處理部分（NLU）的 Jakob Uszkoreit 暗示，目前說話理解義務首要都是透過神經網路進行，其中又以遞歸神經網路（RNNs）為首要焦點，像是確立說話模子、機械翻譯和問答都是基於此在成長。

翻譯

看更多 科技新報 的相幹文章：
離線也能重播經驗進修，DeepMind 讓 AI 學會「打打盹」
DeepMind 開辦人：AI 要揭示出真正潛力，得從人類聰明中取得更多靈感