Google Translate chỉ có thể dịch được 100 ngôn ngữ nhưng cỗ máy mới này có thể dịch được hàng nghìn loại

Ước tính hiện có 6.900 ngôn ngữ khác nhau mà con người đang sử dụng. Hơn một nửa dân số toàn cầu giao tiếp bằng cách dùng các ngôn ngữ phổ biến như tiếng Trung, tiếng Anh, tiếng Hindi, tiếng Tây Ban Nha và tiếng Nga. Thực tế, 95% dân số thế giới chỉ sử dụng 100 ngôn ngữ để giao tiếp.

Các nhà ngôn ngữ học ước tính rằng khoảng một phần ba số ngôn ngữ trên thế giới chỉ có dưới 1.000 người nói. Những ngôn ngữ này có thể biến mất trong vòng 100 năm tới, mang đi theo di sản văn hoá độc đáo mà chúng chứa đựng: những thành ngữ, những câu truyện cười, những phương thuốc thảo dược và thậm chí là những cảm xúc độc đáo.

Liệu máy học (machine learning) có thể giúp bảo tồn những ngôn ngữ này hay không? Vấn đề là quá trình máy dịch dựa vào các bộ dữ liệu rất lớn đã được chú thích. Lượng dữ liệu này bao gồm nhiều sách, bài báo và trang web đã được dịch sang các ngôn ngữ khác theo cách thủ công. Tập dữ liệu càng lớn, máy dịch càng tốt.

Dữ liệu càng lớn, máy dịch càng tốt.

Nhưng những bộ dữ liệu khổng lồ này không tồn tại đối với hầu hết các ngôn ngữ. Đó là lý do tại sao máy dịch chỉ hoạt động với một phần rất nhỏ trong số những ngoại ngữ phổ biến nhất. Ví dụ, Google Translate, chỉ làm việc được với khoảng 90 ngôn ngữ. Vì vậy một thách thức quan trọng đối với các nhà ngôn ngữ học là tìm ra cách phân tích tự động các ngôn ngữ ít phổ biến để hiểu rõ hơn về chúng.

Mới đây, Ehsaneddin Asgari và Hinrich Schutze tại Đại học Ludwig-Maximilian ở Munich (Đức) nói rằng họ đã làm được điều đó.

Cách tiếp cận của họ tập trung vào các yếu tố quan trọng của hầu hết ngôn ngữ, từ đó tạo ra một bước đệm cho máy dịch.

Kỹ thuật mới này dựa trên một văn bản duy nhất đã được dịch sang ít nhất 2.000 ngôn ngữ khác nhau. Đó chính là Kinh thánh. Họ đã tạo ra một cơ sở dữ liệu được gọi là Parallel Bible Corpus, bao gồm bản dịch Tân Ước của 1.169 ngôn ngữ. Bộ dữ liệu này không đủ lớn cho máy dịch như của Google hay một số nền tảng khác. Do đó, Asgari và Schutze đã đưa ra một cách tiếp cận khác dựa trên cách thức thời gian xuất hiện (tense - thì/thời) trong các ngôn ngữ khác nhau.

Hầu hết các ngôn ngữ sử dụng những từ, cụm từ cụ thể để thể hiện các thì. Vì vậy, thủ thuật mới là xác định thủ công các tín hiệu này bằng nhiều ngôn ngữ và sau đó sử dụng kỹ thuật khai thác dữ liệu (data-mining) vào các bản dịch khác nhằm tìm kiếm từ hay chuỗi ký tự đóng vai trò tương đương.

Ý tưởng ban đầu của Asgari và Schutze là tìm tất cả những từ này trong bản dịch tiếng Anh của Kinh Thánh. Nhưng có một chút thay đổi, Asgari và Schutze không bắt đầu bằng tiếng Anh. Bởi vì đó là một ngôn ngữ tương đối cũ với nhiều trường hợp ngoại lệ, làm cho việc “học” trở nên khó khăn.

Thay vào đó, họ bắt đầu bằng một bộ ngôn ngữ Creole, vốn được phát triển từ nhiều ngôn ngữ khác nhau. Ngôn ngữ Creole trẻ hơn, ít bị tác động của lịch sử hơn. Mặt khác nó chứa các dấu hiệu tốt hơn về chức năng của từ ngữ (cụ thể ở đây là thì).

Kỹ thuật này cho phép các nhà nghiên cứu tạo ra các bản đồ cho thấy các ngôn ngữ sử dụng cấu trúc thì tương tự nhau có liên quan đến nhau như thế nào (xem sơ đồ dưới).

Sơ đồ về các thì ở các ngôn ngữ khác nhau

Đó là công việc thú vị. Asgari và Schutze đã phát triển một phương pháp tính toán để phân tích cách con người sử dụng thì quá khứ, hiện tại và tương lai trong hơn 1.000 ngôn ngữ.

Đột phá này có ứng dụng quan trọng. Bản đồ về thì của ngôn ngữ cho phép các nhà nghiên cứu nhanh chóng tìm ra mối quan hệ giữa các ngôn ngữ và cách chúng được kết nối. Điều đó có thể được sử dụng để hiểu rõ hơn về sự tiến hóa của ngôn ngữ.

Ngôn ngữ học tính toán đã có tác động sâu sắc đến sự hiểu biết của chúng ta về ngôn ngữ, sự khác biệt của các ngôn ngữ trên thế giới và cách để máy móc có thể hiểu chúng. Lĩnh vực mới nổi này có thể giúp tự động dịch nhiều ngôn ngữ trực tiếp sang các ngôn ngữ khác dưới dạng văn bản hoặc giọng nói.

Theo Technology Review