Mašīnmācība ir izmantota, lai automātiski tulkotu sen zaudētas valodas

Seno grieķu rakstīts akmenī Dons Loids | Flickr

1886. gadā britu arheologs Arturs Evanss uzgāja senu akmeni, uz kura bija ziņkārīgs uzrakstu kopums nezināmā valodā. Akmens nāca no Vidusjūras salas Krētas, un Evanss nekavējoties devās uz turieni, lai meklētu papildu pierādījumus. Viņš ātri atrada daudzus akmeņus un planšetes ar līdzīgiem rakstiem un datēja tos ar aptuveni 1400. gadu p.m.ē.

Tas padarīja uzrakstu par vienu no agrākajiem rakstīšanas veidiem, kas jebkad atklāti. Evanss apgalvoja, ka tā lineārā forma nepārprotami izriet no rupji skrāpētiem līniju attēliem, kas piederēja mākslas sākumam, tādējādi apstiprinot tā nozīmi valodniecības vēsturē.

Viņš un citi vēlāk konstatēja, ka akmeņi un plāksnītes ir rakstītas divos dažādos rakstos. Vecākā, saukta par Lineāro A, ir no 1800. līdz 1400. gadu p.m.ē., kad salā dominēja bronzas laikmeta mīnojiešu civilizācija.

Otrs raksts Lineārais B ir jaunāks un parādījās tikai pēc 1400. g. p.m.ē., kad salu iekaroja mikēnieši no Grieķijas cietzemes.

Evans un citi daudzus gadus mēģināja atšifrēt senos rakstus, taču zaudētās valodas pretojās visiem mēģinājumiem. Problēma palika neatrisināta līdz 1953. gadam, kad valodnieks amatieris Maikls Ventris uzlauza Linear B kodu.

Viņa risinājums tika balstīts uz diviem izšķirošiem sasniegumiem. Pirmkārt, Ventris pieļāva, ka daudzi no atkārtotajiem vārdiem lineārajā B vārdnīcā bija vietu nosaukumi Krētas salā. Tas izrādījās pareizi.

Viņa otrais izrāviens bija pieņemt, ka rakstos ir ierakstīta senās grieķu valodas agrīna forma. Šis ieskats viņam nekavējoties ļāva atšifrēt pārējo valodu. Šajā procesā Ventris parādīja, ka sengrieķu valoda rakstītā veidā parādījās daudzus gadsimtus agrāk, nekā tika uzskatīts iepriekš.

Ventra darbs bija milzīgs sasniegums. Taču senāks raksts Lineārais A joprojām ir viena no lielākajām izcilajām problēmām valodniecībā līdz pat mūsdienām.

Nav grūti iedomāties, ka nesenie sasniegumi mašīntulkošanā varētu palīdzēt. Tikai dažu gadu laikā valodniecības izpēti ir mainījusi milzīgas anotētas datu bāzes un paņēmieni, kas ļauj mašīnām mācīties no tām. Līdz ar to mašīntulkošana no vienas valodas uz otru ir kļuvusi par ikdienu. Un, lai gan tas nav ideāls, šīs metodes ir nodrošinājušas pilnīgi jaunu veidu, kā domāt par valodu.

Ievadiet Jiaming Luo un Regina Barzilay no MIT un Yuan Cao no Google AI laboratorijas Mountain View, Kalifornijā. Šī komanda ir izstrādājusi mašīnmācības sistēmu, kas spēj atšifrēt pazaudētas valodas, un viņi to ir pierādījuši, liekot tai atšifrēt Linear B — pirmo reizi tas tiek darīts automātiski. Viņu izmantotā pieeja ļoti atšķīrās no standarta mašīntulkošanas metodēm.

Vispirms nedaudz fona. Mašīntulkošanas galvenā ideja ir izpratne, ka vārdi ir saistīti viens ar otru līdzīgā veidā neatkarīgi no iesaistītās valodas.

Tātad process sākas, kartējot šīs attiecības konkrētai valodai. Tam nepieciešamas milzīgas teksta datu bāzes. Pēc tam iekārta meklē šo tekstu, lai redzētu, cik bieži katrs vārds parādās blakus katram otrajam vārdam. Šis parādīšanās modelis ir unikāls paraksts, kas definē vārdu daudzdimensiju parametru telpā. Patiešām, vārdu var uzskatīt par vektoru šajā telpā. Un šis vektors darbojas kā spēcīgs ierobežojums tam, kā vārds var parādīties jebkurā tulkojumā, ko mašīna izdomā.

Šie vektori ievēro dažus vienkāršus matemātikas noteikumus. Piemēram: karalis – vīrietis + sieviete = karaliene. Un teikumu var uzskatīt par vektoru kopumu, kas seko viens pēc otra, veidojot sava veida trajektoriju caur šo telpu.

Galvenais ieskats, kas nodrošina mašīntulkošanu, ir tāds, ka vārdi dažādās valodās aizņem vienus un tos pašus punktus attiecīgajās parametru telpās. Tas ļauj kartēt visu valodu citā valodā ar savstarpēju atbilstību.

Tādā veidā teikumu tulkošanas process kļūst par līdzīgu trajektoriju atrašanu caur šīm telpām. Mašīnai nekad pat nav jāzina, ko nozīmē teikumi.

Šis process ir ļoti atkarīgs no lielajām datu kopām. Taču pirms pāris gadiem vācu pētnieku komanda parādīja, kā līdzīga pieeja ar daudz mazākām datu bāzēm varētu palīdzēt tulkot daudz retākas valodas, kurās trūkst lielu teksta datu bāzu. Viltība ir atrast citu veidu, kā ierobežot mašīnas pieeju, kas nav atkarīga no datu bāzes.

Tagad Luo un co ir devušies tālāk, lai parādītu, kā mašīntulkošana var atšifrēt valodas, kas ir pilnībā pazudušas. Viņu izmantotais ierobežojums ir saistīts ar veidu, kā zināms, ka valodas laika gaitā attīstās.

Ideja ir tāda, ka jebkura valoda var mainīties tikai noteiktos veidos, piemēram, simboli radniecīgajās valodās parādās ar līdzīgu sadalījumu, saistītiem vārdiem ir tāda pati rakstzīmju secība utt. Ar šiem noteikumiem, kas ierobežo mašīnu, valodas atšifrēšana kļūst daudz vienkāršāka, ja ir zināma priekšteču valoda.

Luo un co šo tehniku ​​pārbaudīja ar divām zaudētām valodām — lineāro B un ugaritu. Lingvisti zina, ka Lineārā B ir kodēta agrīna sengrieķu valodas versija un ka ugaritu valoda, kas tika atklāta 1929. gadā, ir agrīna ebreju valodas forma.

Ņemot vērā šo informāciju un lingvistiskās evolūcijas noteiktos ierobežojumus, Luo un co mašīna spēj tulkot abas valodas ar ievērojamu precizitāti. Viņi saka, ka atšifrēšanas scenārijā mēs varējām pareizi pārtulkot 67,3 % lineāro B radniecīgo vārdu to ekvivalentos grieķu valodā. Cik mums ir zināms, mūsu eksperiments ir pirmais mēģinājums automātiski atšifrēt lineāro B.

Tas ir iespaidīgs darbs, kas mašīntulkošanu paceļ jaunā līmenī. Bet tas rada arī interesantu jautājumu par citām pazaudētām valodām, īpaši tām, kuras nekad nav tikušas atšifrētas, piemēram, Lineārā A.

Šajā rakstā lineārais A ir pamanāms ar tās neesamību. Luo un co to pat nepiemin, taču tam, tāpat kā visiem valodniekiem, ir jābūt lielai viņu domāšanai. Tomēr joprojām ir nepieciešami ievērojami sasniegumi, pirms šis skripts kļūst pieejams mašīntulkošanai.

Piemēram, neviens nezina, kādu valodu Linear A kodē. Visi mēģinājumi to atšifrēt sengrieķu valodā ir bijuši neveiksmīgi. Un bez cilmes valodas jaunā tehnika nedarbojas.

Taču uz mašīnām balstītu pieeju lielā priekšrocība ir tā, ka tās var ātri pārbaudīt vienu valodu pēc otras, nenogurstot. Tāpēc ir pilnīgi iespējams, ka Luo un co varētu tikt galā ar lineāro A, izmantojot brutālu spēku — vienkārši mēģiniet to atšifrēt visās valodās, kurās jau darbojas mašīntulkošana.

Ja tas darbosies, tas būs iespaidīgs sasniegums, par kuru pat Maikls Ventris būtu pārsteigts.

Atsauce: arxiv.org/abs/1906.06718 : Neironu atšifrēšana, izmantojot minimālo izmaksu plūsmu: no Ugaritic uz lineāro B

paslēpties