Towards Cultural Bridge by Bahnaric-Vietnamese Translation Using Transfer Learning of Sequence-To-Sequence Pre-training Language Model
تقترح هذه الورقة نهجاً للتعلم بنقل المعرفة باستخدام نموذج لغوي فيتنامي مدرب مسبقاً من نوع (تسلسل إلى تسلسل)، معززاً بأساليب تعزيز البيانات والأساليب الاستدلالية، للتغلب على ندرة موارد لغة البانهار وتحقيق ترجمة آلية فعالة بين لغتي البانهار والفيتنامية من أجل الجسر الثقافي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالماً حيث كل لغة هي مدينة صاخبة وفريدة من نوعها. بعض هذه المدن، مثل الإنجليزية أو الفيتنامية، هي حواضر ضخمة ذات ناطحات سحاب شاهقة، ومكتبات لا نهاية لها، وملايين البشر الذين يصرخون بالتعليمات لبعضهم البعض. ولكن هناك أيضاً قرى صغيرة مخفية — مجتمعات صغيرة تضم بضع مئات من السكان فقط، حيث يحمل الشيوخ القصص في رؤوسهم، لكن لا توجد لافتات شوارع، ولا خرائط، ولا أدلة إرشادية. في عالم الذكاء الاصطناعي، هذه "المدن" هي اللغات، و"الأدلة الإرشادية" هي أكوام النصوص الضخمة التي تحتاجها الحواسيب لتتعلم كيف تتحدثها.
لفترة طويلة، كان المترجمون الآليون يشبهون السياح الذين يعرفون فقط كيفية التنقل في الحواضر الكبرى. إذا سألتهم ترجمة لغة قرية صغيرة، فسيحدقون بك بفراغ أو سيختلقون أشياء من خيالهم، لأنهم لم يروا ما يكفي من الأمثلة لتعلم القواعد. هذه هي مشكلة اللغات "منخفضة الموارد": لا يوجد ببساطة قدر كاف من البيانات لتدريب عقول الكمبيوتر. ولكن ماذا لو استطعنا تعليم الكمبيوتر التحدث بلغة قرية صغيرة عن طريق تعليمه أولاً لغة المدينة الكبيرة، ثم إظهار بعض الإشارات الخاصة له؟ هذا هو سحر "تعلم النقل" (transfer learning). فكر في الأمر كطاهٍ ماهر تعلم بالفعل طهي ألف طبق فرنسي؛ إذا أعطيته بعض الوصفات لمرق محلي معين، فيمكنه تكييف مهاراته لصنعه بإتقان، حتى لو لم يسبق له رؤية هذا المرق بعينه. تغوص هذه الورقة البحثية في هذا التحدي تحديداً: مساعدة الذكاء الاصطناعي على جسر الفجوة بين اللغة الفيتنامية ولغة الباناريك (Bahnaric)، وهي لغة جميلة ولكنها شحيحة البيانات يتحدث بها أقلية عرقية في فيتنام.
وضع الباحثون وراء هذه الدراسة خطة لبناء جسر رقمي بين شعب الباناريك والأغلبية المتحدثة بالفيتنامية. كان هدفهم الرئيسي هو إنشاء نظام ترجمة آلية يمكنه تحويل نص الباناريك إلى الفيتنامية، على الرغم من امتلاكهم عددًا قليلًا جدًا من "الكتب المدرسية" (البيانات ثنائية اللغة) للعمل بها. وجدوا أن مجرد استخدام نموذج ذكاء اصطناعي قياسي للمشكلة لم يكن فعالاً لأن لغة الباناريك نادرة جداً في العالم الرقمي. بدلاً من ذلك، استخدموا حيلة ذكية تسمى تعلم النقل. بدأوا بنموذج ذكاء اصطناعي فائق الذكاء تعلم بالفعل خفايا وتفاصيل اللغة الفيتنامية (لغة "المدينة الكبيرة"). ثم، قدموا لهذا النموذج "نظاماً غذائياً" خاصاً وصغيراً من أزواج الجمل (باناريك-فيتنامية) لمساعدته على تعلم اللغة الجديدة.
ولجعل هذا العمل أكثر فعالية، ابتكر الفريق عملية مكونة من خطوتين. أولاً، قاموا ببناء "مقسم كلمات" مخصص للباناريك. بما أن كلمات الباناريك قد تكون معقدة وغالباً ما تلتصق ببعضها البعض، فقد احتاج الكمبيوتر إلى مساعدة لتقسيم الجمل إلى أجزاء ذات معنى. كانت بعض هذه الأجزاء سهلة الترجمة لأنها موجودة في قاموس (مثل الكلمات "المرتكزة" أو anchor words)، لكن أجزاء أخرى كانت "كتلاً" صعبة تتطلب قوة عقل الذكاء الاصطناعي لفهمها. وقد تم ضبط نموذج الذكاء الاصطناعي، القائم على نموذج يسمى BARTpho، للتعامل مع هذه الكتل الصعبة.
لكن الفريق لم يتوقف عند هذا الحد. فقد أدركوا أنه حتى مع أفضل ذكاء اصطناعي، فإنهم لا يملكون بيانات كافية. لذا، لعبوا لعبة "التظاهر" ببياناتهم باستخدام تقنية تسمى تعزيز البيانات (data augmentation). تخيل أن لديك صورة واحدة لقطة، وتريد تعليم الكمبيوتر كيف يبدو القط. قد تأخذ تلك الصورة، وتقلبها، وتغير ألوانها، أو تقصها لإنشاء خمس صور "مزيفة" جديدة. فعل الباحثون شيئاً مشابهاً بجملهم. استخدموا أساليب مثل تبديل الكلمات، أو إخفاء الكلمات، أو خلط أجزاء الجمل لإنشاء أمثلة تدريبية اصطناعية جديدة. لقد ضاعف هذا من حجم مجموعة بيانات التدريب الخاصة بهم، مما منح الذكاء الاصطناعي مزيداً من الممارسة دون الحاجة للعثور على المزيد من المتحدثين في العالم الحقيقي.
كانت النتائج واعدة للغاية. عندما اختبروا نظامهم المخصص، المسمى BV-BARTpho، مقابل نماذج الذكاء الاصطناعي القياسية الأخرى، جاء في المقدمة. سجلت النماذج القياسية "درجة BLEU" (وهي طريقة لقياس دقة الترجمة) حوالي 20 إلى 30. ومع ذلك، حقق نموذجهم المخصص، الذي استخدم مقسم الكلمات الخاص وحيل تعزيز البيانات، درجة 33.58 لترجمة الباناريك إلى الفيتنامية. والأكثر إثارة للاهتمام، هو أنه عندما اختبروا تقنيات تعزيز البيانات خصيصاً على الترجمة من الفيتنامية إلى الباناريك، برزت هذه الأساليب بقوة. فباستخدام مزيج من تبديل الكلمات وإخفائها (تحديداً "التبديل" swap و"الرمز" token)، رفعوا الدرجة من خط الأساس البالغ 33.58 لتصل إلى 49.61.
تشير الورقة البحثية إلى أن هذا النهج فعال للغاية لهذه المهمة المحددة. إنها تثبت أنك لست بحاجة إلى جبل من البيانات لتعليم الذكاء الاصطناعي لغة نادرة؛ بل تحتاج فقط إلى طريقة ذكية لاستخدام القليل من البيانات التي تملكها، بالتزامن مع نموذج يعرف بالفعل لغة ذات صلة. ومن خلال النجاح في ترجمة الباناريك إلى الفيتنامية، يأمل الباحثون في المساعدة في الحفاظ على ثقافة الباناريك وتسهيل التفاهم بين المجموعتين العرقيتين. وبينما لا تدعي الورقة أن هذا حل مثالي ونهائي لكل لغة في العالم، إلا أنها تظهر حلاً قوياً وعاملاً لهذا الجسر الثقافي المحدد، محولةً مهمة ترجمة صعبة إلى مهمة يمكن إدارتها من خلال الإبداع والحوسبة الذكية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.