Vom einfachen Programm zur selbstlernenden Technologie: Wie haben sich maschinelle Übersetzungen im Laufe der Zeit verändert?

Google Translate, DeepL, Reverso Context: Höchstwahrscheinlich haben Sie eines oder mehrere dieser Übersetzungsprogramme schon mal verwendet. Aber wie sind maschinelle Übersetzungen eigentlich entstanden und wie haben sie sich im Laufe der Zeit verändert?

Geschichte

Der Ursprung maschineller Übersetzungen liegt in den 1950er Jahren. Warren Weaver, ein amerikanischer Mathematiker und Kommunikationswissenschaftler, gilt als einer der Pioniere der maschinellen Übersetzung. Im Jahr 1949 veröffentlichte er eine Publikation mit dem Titel „Translation". In dieser Publikation beschrieb er, dass das Wesen einer Sprache viel mehr ist als nur die Wortebene. Laut Weaver spielte beispielsweise auch die Satzstruktur eine wichtige Rolle bei der Übersetzung von Texten. Seiner Meinung nach war Übersetzen also eine komplexe Aufgabe, bei der es um viel mehr geht, als einen Text einfach Wort für Wort zu übersetzen. Seine Publikation inspirierte Forscher dazu, mit maschinellen Übersetzungen zu experimentieren.

Dies führte im Jahr 1954 zum Georgetown-IBM-Experiment. Ziel dieses Versuchs war es, die Möglichkeiten maschineller Übersetzungen zu demonstrieren, indem russische Sätze mit einem Computer ins Englische übersetzt wurden. Das Experiment war aber nicht sehr erfolgreich. Der Computer war nämlich nicht in der Lage, die Sprachnuancen und den Kontext zu verstehen, was dazu führte, dass die Übersetzung von schlechter Qualität war. Dieses Experiment zeigte die Herausforderungen von maschinellen Übersetzungen und die Komplexität der Sprachkompetenz, insbesondere bei Sprachen die grammatikalisch sehr unterschiedlich sind, wie Russisch und Englisch.

Trotz der enttäuschenden Ergebnisse prägte dieser Versuch wohl die Grundlage für weitere Forschung und Entwicklung. Forscher wurden dazu inspiriert, maschinelle Übersetzungen weiterzuentwickeln, was letztendlich zu den fortschrittlichen Übersetzungsprogrammen geführt hat, die wir heutzutage verwenden können.

Rule-based machine translation (RBMT)

Die ersten maschinellen Übersetzungen waren also überhaupt nicht genau. Der Grund dafür war, dass die damaligen Systeme auf einfachen Grammatikregeln und Wörterbuchdefinitionen basiert waren, was auch „rule-based machine translation (RBMT)“ genannt wird. Das Georgetown-IBM-Experiment war einer der ersten Versuche, ein RBMT-System zu entwickeln. Mit RBMT wurden Texte also fast wortwörtlich übersetzt. Dies ergab natürlich sehr unnatürliche Übersetzungen, die manchmal sogar fast unverständlich waren.

Statistische Übersetzungsmodelle

In den 1990er Jahren entstanden statistische Übersetzungsmodelle, die eine Revolution im Bereich maschineller Übersetzungen auslösten. Die Methode dieser Modelle basieren sich auf Prozentsätzen und Wahrscheinlichkeitsrechnung: Große Mengen zweisprachiger Texte werden analysiert, um Muster und Korrelationen zwischen Wörtern und Satzstrukturen zu finden. Anhand von diesen Statistiken lieferten statistische Übersetzungsprogramme bessere Übersetzungen als RBMT-Systeme. Natürlich waren auch diese Übersetzungen bei weitem nicht perfekt, aber die Qualität war erheblich verbessert im Vergleich zu den wortwörtlichen Übersetzungen der RBMT-Systeme.

Neuronale Netzwerke

Obwohl statistische Übersetzungsmodelle schon eine wesentlich bessere Qualität boten, kam der wirkliche Durchbruch mit dem Aufstieg neuronaler Netzwerke. Diese analysierten große Textmengen, um Übersetzungsmodelle zu entwickeln, die nicht nur Wörter und Sätze, sondern auch den Kontext besser verstehen. Diese Methode wird neuronale maschinelle Übersetzung (NMÜ) genannt. Weil diese Modelle u.a. den Kontext besser verstehen, sind die traditionellen statistischen Übersetzungsprogramme inzwischen zum größten Teil ersetzt worden. Zwei bekannte Beispiele von auf neuronalen Netzwerken basierten Übersetzungsprogrammen sind Google Übersetzer und DeepL.

Deep Learning

Deep Learning ist eine Form des maschinellen Lernens, bei der künstlich neuronale Netzwerke verwendet werden, die aus mehreren Schichten bestehen (daher „deep“). Um einen Text übersetzen zu können, braucht das Modell eine große Menge von Daten aus beiden Sprachen, damit das System den Zusammenhang zwischen Sätzen lernt. Die Übersetzungsmodelle werden auch ständig optimalisiert. Dadurch lernt das System also aus seinen eigenen Fehlern. Je mehr Texte also mit solchen Systemen übersetzt werden, desto genauer werden sie.

Zukunftsperspektive

Deep Learning hat eine entscheidende Rolle bei der weiteren Verbesserung maschineller Übersetzungen gespielt. Es ist also zu erwarten, dass die Systeme in Zukunft noch genauer werden und auch besser in der Lage sein werden, die subtilen Nuancen und die Kontexte von Sprachen zu verstehen. Obwohl die Fortschritte also beeindruckend sind, generieren maschinelle Übersetzungen immer noch keine perfekten Ergebnisse. In einem Quelltext könnte zum Beispiel stehen, dass man etwas nicht machen soll, und in der Übersetzung steht, dass man es sehr wohl machen soll. Das kann natürlich schwerwiegende Folgen haben, insbesondere bei juristischen Texten oder Handbüchern von landwirtschaftlichen Maschinen. Aber auch kulturelle Nuancen, idiomatische Redewendungen und spezialistische Fachterminologie werden oft falsch übersetzt.

Die Wahrscheinlichkeit, dass ein Übersetzungsprogramm wie DeepL landwirtschaftliche Fachterminologie richtig übersetzt, ist also nicht sehr groß. Insbesondere für fachspezifische Übersetzungen ist es also immer besser, einen menschlichen Übersetzer zu fragen. Die Übersetzer von Agrar-Übersetzer verfügen nicht nur über Sprachkenntnisse, sondern sie sind auch alle auf den Agrarsektor spezialisiert. Deshalb sind wir in der Lage, Ihre Texte auf eine genaue Art und Weise zu übersetzen und die richtige Botschaft zu übermitteln.