Maschinelle Übersetzung im Wandel: Die Auswirkungen von künstlicher Intelligenz auf maschinelle Übersetzungssysteme. Mit einer vergleichenden Untersuchung von Google Translate und Microsoft Translator

Von Aaron Matthiesen

Maschinelle Übersetzung, also die vollautomatische Übersetzung von Texten einer Sprache in eine andere, fasziniert. Forscher suchen seit über 70 Jahren die Lösung für das komplizierte Problem automatischer Übersetzung, die in ihrer Qualität professionelle menschliche Übersetzungen entspricht oder sie übertrifft.

Die Forschung der vergangenen Jahrzehnte ist geprägt von euphorischen Visionen und bitteren Niederschlägen, dem Entwickeln, Verwerfen und Neuentwickeln unterschiedlicher Methoden.

Seitdem 2016 unter anderem Google und Microsoft erfolgreich die aufstrebende Technologie der künstlichen Intelligenz und selbstlernender Software auf ihre Online-Übersetzungsdienste angewendet haben, ist das Feld von einer neuen Euphorie gepackt.

Dieses Buch behandelt die Geschichte und die verschiedenen Ansätze maschineller Übersetzung von 1933 bis heute. Dabei werden typische Probleme der Systeme angesprochen, aber auch aufgezeigt, zu welchen Leistungen KI-Systeme und Deep Learning bereits fähig sind.

Außerdem sollfestgestellt werden, ob mit der aktuellen Generation neuronaler Übersetzungssysteme ein neuerlicher Wandel erkennbar ist, ob Software gar Sprache verstehen kann. Dazu wird untersucht, wie gut drei Übersetzungssysteme mit unterschiedlichen sprachlichen Problemfällen wie Mehrdeutigkeiten umgehen können.

• Sprache: Deutsch
• Herausgeber: epubli
• Erscheinungsdatum: 17. Juli 2017
• ISBN: 9783745003796

Aaron Matthiesen

Hat vor kurzem sein Hochschulstudium an der Hochschule Flensburg als Technischer Redakteur abgeschlossen.

Buchvorschau

Maschinelle Übersetzung im Wandel: Die Auswirkungen von künstlicher Intelligenz auf maschinelle Übersetzungssysteme. Mit einer vergleichenden Untersuchung von Google Translate und Microsoft Translator

Abkürzungsverzeichnis

1 Einleitung

2 Aufbau der Arbeit

3 Definitionen

3.1 Künstliche Intelligenz

3.2 Maschinelles Lernen

3.3 Künstliche neuronale Netze und Deep Learning

3.4 Maschinelle Übersetzung

4 Geschichtlicher Hintergrund zur Maschinellen Übersetzung

4.1 Experimentelle Phase (1933 - 1954)

4.2 Optimistische Phase (1954 - 1966)

4.3 Phase der Umorientierung (1966 - 1975)

4.4 Das Wiederaufleben (1975 - 1989)

4.5 Entwicklungen nach 1989

5 Verschiedene Methoden maschineller Übersetzung

5.1 Regelbasierte Übersetzung

5.1.1 Direkte Übersetzung

5.1.1 Interlingua-basierte Übersetzung

5.1.2 Transfer-basierte Übersetzung

5.2 Statistische Übersetzung

5.3 Beispielbasierte Übersetzung

5.4 Neuronale Übersetzung

6 Erfolge und Probleme von maschineller Übersetzung

6.1 Vorteilhafte Bedingungen für maschinelle Übersetzung

6.2 Fehlerursachen bei maschineller Übersetzung

7 Vergleich eines statistischen maschinellen Übersetzungssystems mit zwei neuronalen Systemen

7.1 Vorstellung der untersuchten Systeme

7.1.1 Microsoft Translator

7.1.2 Google Translate

7.2 Testszenarien

7.3 Testkriterien

7.4 Testergebnisse

7.4.1 Sätze ohne bewusste Problemsituationen

7.4.2 Lexikalische Divergenz

7.4.3 Syntaktische Divergenz

7.4.4 Lexikalische Ambiguität

7.4.5 Strukturelle Ambiguität

7.4.6 Referentielle Ambiguität

7.4.7 Besonderheiten bei Eigennamen und feststehenden Übersetzungen

7.4.8 Idiome und Kollokationen

7.4.9 Fehler im Ausgangstext

7.5 Auswertung der Ergebnisse

8 Ausblick

9 Zusammenfassung und Fazit

10 Literatur

Anhang

Abkürzungsverzeichnis

1 Einleitung

Die Bezeichnung „Künstliche Intelligenz wurde vor über 60 Jahren auf einer Konferenz von Informatikern geprägt, und bis heute hat die Forschungsdisziplin nicht an Faszination verloren (Görz/Schneeberger/Schmid 2014: 1-3). Dies mag auch darauf zurückzuführen sein, dass die Idee, etwas zu erschaffen, das dem Menschen in seinen geistigen Fähigkeiten gleicht, bis in die Antike zurückreicht. Seit dem Aufkommen von Automaten und ersten Computern werden in Science-Fiction-Werken intelligente Roboter und Maschinen thematisiert, etwa der Bordcomputer HAL 9000 im Film „2001 A Space Odyssey aus dem Jahr 1968: Dieser kann mit seinen menschlichen Kollegen kommunizieren und Schach spielen, entwickelt sich jedoch später dahingehend, dass er sie übertrumpft und tötet. (Xanke/Bärenz 2012: 36-39)

In der Realität wurde der menschliche Weltmeister im Schach bereits 1997 vom IBM-Programm „DeepBlue" durch mathematische Rechenleistung geschlagen, 2016 und 2017 waren Computersysteme menschlichen Profi-Gegenspielern auch in deutlich komplexeren Spielen mehrfach überlegen (Hummel 2017: s. p.). Maschinelles Lernen, die Technologie, die dafür verantwortlich ist, ermöglicht es trainierter Software ebenfalls, Katzen oder Krebszellen auf Bildern zu erkennen (Dittberner 2017: s. p.). Zugleich sind seit wenigen Jahren digitale Assistenten auch im Alltag keine Besonderheit mehr, die auf gestellte Fragen mit ganzen Sätzen antworten (Schmitt 2017: s. p.).

Sollen solche Mensch-Maschine-Dialoge erfolgreich sein, bedarf es ausgereifter maschineller Sprachverarbeitung. Denn während es Menschen vergleichsweise leichtfällt, eine Sprache zu erlernen, ist es in der Informatik ein ungleich schwierigeres Problem, aus einer Anordnung von Wörtern die enthaltene Bedeutung abzuleiten (Kiser 2016: s. p.).

Diese Problematik betrifft auch das verwandte Gebiet der maschinellen Übersetzung von Texten, auf dem ebenfalls seit über 50 Jahren geforscht wird. Verschiedene Systeme für maschinelle Übersetzung sind seit Jahren oder Jahrzehnten im Einsatz, obgleich das Feld bereits für untauglich, unmöglich oder gar „tot" erklärt wurde (Lehrberger/Bourbeau 1988: 2).

Maschinelle Übersetzung ist eine permanent relevante Thematik, da die Menge an Texten, die zu übersetzen ist, ebenso wie die Zahl der notwendigen Sprachkombinationen stetig ansteigt. Die möglichst schnelle mehrsprachige Verfügbarkeit von Texten ist eine wichtige Voraussetzung für Kommunikation in verschiedenen Bereichen, doch die Zahl und Leistungsfähigkeit menschlicher Übersetzer ist für die Bewältigung vielfach nicht ausreichend. (Krenz/Ramlow 2008: 25)

Die Globalisierung insgesamt, aber auch konkrete aktuelle Ereignisse wie die Flüchtlingskrise verdeutlichen den Bedarf an automatischer unmittelbarer Übersetzung: Der Online-Übersetzungsdienst Google Translate verzeichnete in einem kurzen Zeitraum beim Sprachenpaar Arabisch-Deutsch einen Anstieg von Übersetzungen um das Fünffache. (Lewis-Kraus 2016: s. p.)

Dass dieser populäre Dienst monatlich von einer halben Milliarde Nutzer verwendet wird, die pro Tag 140 Milliarden Wörter übersetzen lassen (ibid.), zeigt die Bedeutung solcher Anbieter kostenfreier maschineller Übersetzung. Trotz jahrelanger Entwicklung ließ die sprachliche Qualität der übersetzten Sätze allerdings oft zu wünschen übrig, da die meisten Systeme bisher Satzsegmente einzeln mit Datenbanken abglichen, um statistisch wahrscheinliche Übersetzungen zu finden und diese zu einem Zielsatz zu kombinieren (ibid.).

Im Herbst 2016 kündigten jedoch beinahe zeitgleich nicht nur Google, sondern auch Microsoft sowie der seit Jahrzehnten etablierte Übersetzungsanbieter Systran eine Neuentwicklung auf dem Feld maschineller Übersetzung an: Eine neue Methode, die sich künstliche Intelligenz bzw. maschinelles Lernen zunutze macht. Dieser sogenannte neuronale Ansatz soll im Vergleich zum bisher oft verwendeten statistischen Ansatz eine bessere Übersetzungsqualität liefern, indem Sätze oder gar deren Bedeutung als Ganzes analysiert bzw. erfasst und übersetzt werden sollen. Microsoft und Google sind sich bezüglich der Qualitätsverbesserungen so sicher, dass sie ihre Übersetzungsdienste für einige Sprachen bereits ganz oder teilweise auf das neuronale System umgestellt haben. (Hartford 2017: s. p.)

Daraus ergibt sich die Frage, mit der sich die diese Arbeit auseinandersetzt: Führen die neuen Technologien zu derart bemerkenswerten Verbesserungen, dass man hinsichtlich Nutzen und Übersetzungsqualität von einem neuen Wandel sprechen kann, wenn man ein statistisches maschinelles Übersetzungssystem mit zwei neuronalen vergleicht?

Das Ziel der folgenden Arbeit ist es, diese Fragestellung auf der Grundlage empirischer Daten zu beantworten, welche in einer Untersuchung dreier Übersetzungssysteme erhoben werden. Ein besonderes Augenmerk wird dabei auf die maschinelle Übersetzung von Sätzen mit typischen Übersetzungsproblemen gelegt. Der Vergleich erfolgt unter Berücksichtigung verschiedener Methoden maschineller Übersetzung und ihrer geschichtlichen Entwicklung.

2 Aufbau der Arbeit

Dazu ist die Arbeit wie folgt strukturiert: Zu Beginn werden vier Begriffe bzw. Themengebiete grundlegend definiert, die nicht nur aktuell viel Aufmerksamkeit erfahren, sondern vor allem für die folgende Arbeit und ihr Verständnis wesentlich sind. Nachdem deren Verwendung für diese Arbeit festgelegt und mittels aktueller Anwendungsbeispiele ein Überblick geschaffen wurde, wird detaillierter auf das Feld der maschinellen Übersetzung eingegangen.

Hierfür wird zunächst die geschichtliche Entwicklung des Fachgebiets von 1933 bis heute chronologisch zusammengefasst und in fünf Phasen unterteilt, die sich aus bedeutenden Meilensteinen oder Wendepunkten ergeben. Anschließend werden die Methoden maschineller Übersetzung erläutert, die sich im Laufe der Zeit ablösten oder parallel existierten, um ein Verständnis für die unterschiedlichen Ansätze zu schaffen. Dies schließt auch die Methoden ein, welche die in dieser Arbeit untersuchten Systeme nutzen.

Kapitel 6 legt dar, unter welchen Voraussetzungen maschinelle Übersetzung einerseits erfolgreich sein kann und welche Ursachen andererseits zu Schwierigkeiten bei der Übersetzung führen können.

Mit diesem Kapitel sind die notwendigen theoretischen Grundlagen gelegt, sodass in Kapitel 7 der praktische Teil der Arbeit folgen kann, in welchem zwei verschiedene Ansätze maschineller Übersetzung anhand von drei Systemen empirisch verglichen werden. Dazu werden nach der Vorstellung der untersuchten Systeme, der Testszenarien und -kriterien die Testergebnisse für verschiedene