Стратегии перевода машинных погрешностей в автоматически сгенерированных текстах (на примере GPT-4)
https://doi.org/10.17726/philIT.2023.1.4
Аннотация
В статье рассматриваются стратегии перевода «машинных текстов» на примере генеративных трансформеров (GPT). В настоящее время изучение и разработка генерации машинных текстов стали важной задачей для обработки и анализа текстов на разных языках. Современные технологии искусственного интеллекта и нейронных сетей позволяют создавать мощные инструменты для деятельности в этой сфере, которые с каждым годом становятся все более эффективными. Одним из таких инструментов являются генеративные трансформеры. Изучение генеративных трансформеров также позволяет разработчикам создавать более точные и эффективные алгоритмы машинного перевода, что повышает качество переводов и улучшает пользовательский опыт. В этом контексте особого интереса заслуживают особенности машинных текстов, созданных генеративными трансформерами, их закономерности, погрешности и несовершенства, которые требуют особых стратегий перевода. Сегодня можно говорить о том, что генерация уникальных и релевантных текстов – это рутинная задача, которую удалось автоматизировать. Тем не менее, определенные ограничения для использования таких текстов все еще существуют, в частности их использование требует применения соответствующих стратегий перевода. В работе предложена авторская типология стратегий перевода, куда с учетом особенностей АСТ предложено добавить подстратегию терциарно-модерационного перевода.
Об авторе
В. И. Алейникова
Пятигорский государственный университет
Россия
Россия
Алейникова Валерия Игоревна, студентка 2-го курса магистратуры Института переводоведения, русистики и многоязычия
Пятигорск
Список литературы
1. Илюхин В. М. Стратегии в синхронном переводе: на материале англо-русских и русско-английских комбинаций перевода: дис. … канд. филол. наук. – М., 2000. – 280 с.
2. Сдобников В. В. Перевод и коммуникативная ситуация. – М.: Флинта: Наука, 2015. – 470 с.
3. Андреева Г. М. Социальная психология: учебник для высших учебных заведений. – М.: Аспект Пресс, 2001. – 284 c.
4. Налет. Распределение по годам (частота на миллион словоформ) в основном корпусе с 1739 по 2021 // Национальный корпус русского языка [Электронный ресурс]. – URL: https://ruscorpora.ru/s/aM8jO (дата обращения: 16.04.2023).
5. Благовещенский А. «Вы продоёте рыбов». Картинка с котами стала мемом года // Российская газета [Электронный ресурс]. – URL: https://rg.ru/2021/08/02/vy-prodoyote-rybov-kartinka-s-kotami-stalamemom-goda.html (дата обращения: 16.04.2023).
6. Floridi L., Chiriatti M. GPT-3: Its Nature, Scope, Limits, and Consequences. Minds & Machines 30, 681-694 (2020) [Электронный ресурс]. – URL: https://doi.org/10.1007/s11023-020-09548-1 (дата обращения: 16.04.2023).
7. Kumar E. Natural Language Processing. – International Pvt Ltd, 2011. – 202 p.
8. McDonald D., Bolc L. Natural language generation systems. – New York: Springer-Verlag, 1988. – P. 7-11.
Рецензия
Для цитирования:
Алейникова В.И. Стратегии перевода машинных погрешностей в автоматически сгенерированных текстах (на примере GPT-4). Философские проблемы информационных технологий и киберпространства. 2023;(1):39-52. https://doi.org/10.17726/philIT.2023.1.4
For citation:
Aleynikova V.I. Strategies for translating machine errors in automatically generated texts (using GPT-4 as an example). Philosophical Problems of IT & Cyberspace (PhilIT&C). 2023;(1):39-52. (In Russ.) https://doi.org/10.17726/philIT.2023.1.4
Просмотров: 77
Послать статью по эл. почте 