Інтелектуальна інформаційна система перекладу штучних мов
DOI:
https://doi.org/10.18664/ikszt.v30i4.351489Ключові слова:
машинне навчання, штучний інтелект, LSTM, датасети, енкодер, декодер, послідовність у послідовністьАнотація
Стаття присвячена розробленню інтелектуальної інформаційної системи перекладу штучних мов із використанням методів штучного інтелекту і статистичних алгоритмів, пропонуючи інноваційний підхід для підвищення ефективності машинного перекладу в умовах динамічного розвитку сучасних технологій. Метою роботи є розроблення інтелектуальної інформаційної системи перекладу штучних мов. Дослідницькою складовою в запропонованій системі є оцінювання ефективності використання методів штучного інтелекту для перекладу штучних і звичайних мов, що може призвести до скорочення часових і ресурсних затрат, а також забезпечити високу точність і надійність результатів. У роботі досліджено застосування довгої короткочасної пам'яті (LSTM) для перекладу.
Результати демонструють, що LSTM досягає точності до 97.5 % для контрольованої вибірки вхідних даних і до 93 % на випадковому датасеті. Отримані результати підтверджують ефективність розробленої системи, що дає змогу з високою ефективністю перекладати звичайні та штучні мови.
Посилання
Wu Yonghui et al. Google's neural machine translation system: Bridging the gap between human and machine translation. arXiv preprint arXiv:1609.08144 (2016).
Kamaluddin Mohamad Ihsan et al. Accuracy analysis of DeepL: Breakthroughs in machine translation technology. Journal of English Education Forum (JEEF). 2024. Vol. 4, No. 2.
Jiang Zhaokun et al. Convergences and Divergences between Automatic Assessment and Human Evaluation: Insights from Comparing ChatGPT-Generated Translation and Neural Machine Translation. arXiv preprint arXiv:2401.05176 (2024).
Lakew Surafel M., Mauro Cettolo and Marcello Federico. A comparison of transformer and recurrent neural networks on multilingual neural machine translation. arXiv preprint arXiv:1806.06957 (2018).
Sennrich Rico and Barry Haddow. Linguistic input features improve neural machine translation. arXiv preprint arXiv:1606.02892 (2016).
He Wei et al. Improved neural machine translation with SMT features. Proceedings of the AAAI conference on artificial intelligence. 2016. Vol. 30, No. 1.
Peris Álvaro, Miguel Domingo and Francisco Casacuberta. Interactive neural machine translation. Computer Speech & Language 45 (2017): 201-220.
Gong Gangjun et al. Research on short-term load prediction based on Seq2seq model. Energies 12.16 (2019): 3199.
Chipman Hugh A. et al. mBART: multidimensional monotone BART. Bayesian Analysis 17.2 (2022): 515-544.
Costa-Jussà Marta R. et al. No language left behind: Scaling human-centered machine translation. arXiv preprint arXiv:2207.04672 (2022).
Havrashenko Anton and Olesia Barkovska. Analysis of text augmentation algorithms in artificial language machine translation systems. Advanced Information Systems 7.1 (2023): 47-53.
Барковська О., Гаврашенко А., Холєв В., Севостьянова О. (2021). Automatic text translation system for artificial llanguages. Computer systems and information technologies. (3). 21-30.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
