การแปลภาษาด้วยเครื่องแบบไฮบริด รวมพลังเพื่อความแม่นยำที่เหนือกว่า

การแปลภาษาด้วยเครื่องแบบไฮบริดเป็นวิธีการแปลภาษาที่ใช้หลายแนวทางในการแปลภาษาด้วยเครื่องภายในระบบเดียว เพื่อแก้ปัญหาความไม่แม่นยำที่เกิดจากการใช้เทคนิคเดียว ซึ่งช่วยให้ผลลัพธ์การแปลมีความถูกต้องและเป็นธรรมชาติมากขึ้น โดยมีระบบการแปลภาษาด้วยเครื่องยอดนิยมหลายระบบที่นำแนวทางแบบไฮบริดมาใช้

แนวทางการแปลภาษาแบบไฮบริด

1. แบบหลายเครื่องยนต์ (Multi-engine)

แนวทางนี้จะรันระบบการแปลภาษาด้วยเครื่องหลายระบบขนานกันไป โดยผลลัพธ์สุดท้ายจะเกิดจากการรวมผลลัพธ์ของระบบย่อยๆ ทั้งหมดเข้าด้วยกัน โดยทั่วไปแล้ว ระบบเหล่านี้มักจะใช้ระบบย่อยของการแปลภาษาทางสถิติ (Statistical Machine Translation - SMT) และการแปลภาษาตามกฎเกณฑ์ (Rule-based Machine Translation - RBMT) แต่ก็มีการทดลองใช้การรวมกันของระบบการแปลแบบอิงตัวอย่าง (Example-based), การแปลแบบถ่ายโอน (Transfer-based) และการแปลแบบอิงความรู้ (Knowledge-based) เข้าด้วยกันด้วย

2. การสร้างกฎเกณฑ์ทางสถิติ (Statistical Rule Generation)

แนวทางนี้จะใช้ข้อมูลทางสถิติเพื่อสร้างกฎเกณฑ์ทางคำศัพท์และไวยากรณ์ จากนั้นจึงนำข้อมูลนำเข้า (Input) เข้าสู่กระบวนการประมวลผลด้วยกฎเกณฑ์เหล่านี้เสมือนว่าเป็นการแปลแบบตามกฎเกณฑ์ โดยมีวัตถุประสงค์เพื่อหลีกเลี่ยงความยุ่งยากและเสียเวลาในการสร้างกฎเกณฑ์ทางภาษาศาสตร์ own hand ซึ่งมีความละเอียดและครอบคลุม โดยการสกัดกฎเกณฑ์จากคลังข้อมูลการฝึกฝน (Training Corpus) แทน

อย่างไรก็ตาม แนวทางนี้ยังคงประสบปัญหาเหมือนกับการแปลภาษาทางสถิติแบบปกติ คือความแม่นยำจะขึ้นอยู่กับความคล้ายคลึงกันของข้อความนำเข้ากับคลังข้อมูลการฝึกฝน ดังนั้น เทคนิคนี้จึงประสบความสำเร็จมากที่สุดในแอปพลิเคชันที่จำกัดเฉพาะโดเมน (Domain-specific) และมีปัญหาเรื่องการปรับตัวเข้ากับโดเมนอื่น (Domain Adaptation) เช่นเดียวกับระบบ SMT ทั่วไป

3. แบบหลายขั้นตอน (Multi-Pass)

แนวทางนี้จะประมวลผลข้อมูลนำเข้าหลายครั้งตามลำดับ โดยเทคนิคที่ใช้บ่อยที่สุดคือการใช้ระบบการแปลภาษาตามกฎเกณฑ์ (RBMT) ในการประมวลผลเบื้องต้น (Pre-process) จากนั้นจึงส่งผลลัพธ์ที่ได้ไปยังระบบการแปลภาษาทางสถิติ (SMT) เพื่อให้ได้ผลลัพธ์สุดท้าย

การทำเช่นนี้ช่วยลดปริมาณข้อมูลที่ระบบทางสถิติจะต้องพิจารณา ซึ่งช่วยลดพลังการประมวลผลที่จำเป็นลงอย่างมาก และยังลดความจำเป็นที่ระบบตามกฎเกณฑ์ไม่จำเป็นต้องเป็นระบบการแปลที่สมบูรณ์แบบสำหรับภาษานั้นๆ ซึ่งช่วยลดแรงงานและเวลาที่มนุษย์ต้องใช้ในการสร้างระบบ

4. แบบอิงความเชื่อมั่น (Confidence-Based)

แนวทางนี้แตกต่างจากแนวทางอื่นๆ โดยส่วนใหญ่จะใช้เทคโนโลยีการแปลเพียงเทคโนโลยีเดียวเป็นหลัก แต่จะมีการสร้างค่าความเชื่อมั่น (Confidence Metric) สำหรับแต่ละประโยคที่แปล own hand ซึ่งหากค่าความเชื่อมั่นต่ำกว่าเกณฑ์ที่กำหนด จะมีการเรียกใช้เทคโนโลยีการแปลสำรองเพื่อลองแปล own hand อีกครั้ง หรือตัดสินใจว่าจะใช้ผลลัพธ์การแปลครั้งแรก

นอกจากนี้ SMT ยังถูกนำมาใช้ในกรณีที่พบรูปแบบข้อผิดพลาดทั่วไป เช่น การพูดซ้ำของคำที่เกิดขึ้นบ่อยในระบบการแปลภาษาด้วยเครื่องแบบประสาท (Neural Machine Translation - NMT) เมื่อกลไกความสนใจ (Attention Mechanism) ของระบบเกิดความสับสน