기계 번역이 AI와 딥러닝을 사용하여 언어 장벽을 허물고 원활한 글로벌 커뮤니케이션과 접근성을 지원하는 방법을 알아보세요.
기계 번역(MT)은 한 자연어에서 다른 자연어로 텍스트나 음성을 자동으로 번역하는 데 중점을 둔 인공 지능(AI) 및 자연어 처리(NLP) 의 하위 분야입니다. 컴퓨터 언어학 및 기계 학습(ML) 알고리즘을 활용하여 사람의 개입 없이 서로 다른 언어 간의 커뮤니케이션 격차를 해소합니다. 단순히 단어 대 단어로 대체하는 것이 아니라 소스 텍스트의 의미와 의도를 대상 언어로 정확하고 유창하게 전달하는 것이 목표입니다. 이 기술은 초기 규칙 기반 시스템에서 복잡한 딥러닝(DL) 모델로 발전하면서 점점 더 정교해지고 있습니다.
초기 MT 시스템은 광범위한 문법 규칙 세트와 이중 언어 사전에 의존했습니다. 이후 대규모 병렬 말뭉치(번역과 쌍을 이루는 텍스트)에서 번역 패턴을 학습하는 통계적 기계 번역(SMT)이 등장했습니다. 그러나 현재 가장 최신의 기술은 신경망 기계 번역(NMT)입니다. NMT는 인공 신경망(NN) 을 사용하여 언어 간의 매핑을 학습합니다.
NMT 모델, 특히 시퀀스 간 모델에 기반한 모델은 순환 신경망(RNN), 특히 LSTM 또는 GRU와 같은 아키텍처를 사용하거나 지금은 트랜스포머 아키텍처를 사용하는 경우가 많습니다. 트랜스포머는 출력 시퀀스에서 각 단어를 생성할 때 입력 시퀀스에서 여러 단어의 중요도를 평가하는 자체 주의 메커니즘(Attention Is All You Need 논문)을 활용하여 장거리 종속성을 보다 효과적으로 포착합니다. 이러한 모델을 훈련하려면 방대한 양의 병렬 텍스트 데이터와 상당한 컴퓨팅 리소스가 필요하며, 효율적인 분산 훈련을 위해 GPU 또는 TPU를 활용하는 경우가 많습니다. 다음과 같은 주요 프레임워크 PyTorch 와 TensorFlow 과 같은 주요 프레임워크가 NMT 시스템 개발에 널리 사용됩니다.
현대 MT의 중심에는 몇 가지 개념이 있습니다:
다른 NLP 작업과 관련이 있지만 MT에는 특정한 초점이 있습니다:
기계 번역은 수많은 애플리케이션을 지원합니다:
상당한 진전에도 불구하고 뉘앙스, 관용구, 문화적 맥락, 자원이 부족한 언어 처리, 데이터에서 학습된 알고리즘 편향성 완화 등의 과제가 남아 있습니다. 향후 작업은 문맥 인식 개선, 모호성 처리, 더 높은 유창성 달성, 다중 모달 모델에서 컴퓨터 비전과 같은 다른 양식과 MT를 통합하는 데 초점을 맞추고 있습니다. Ultralytics HUB와 같은 플랫폼은 향후 맞춤형 MT 솔루션을 포함한 정교한 AI 모델의 훈련과 배포를 용이하게 합니다.
KO
EN
ZH
JA
RU
DE
FR
ES
PT
IT
AR
TR
VI
