Aspecten van Automatisch Vertalen
Steven Krauwer
|
Aspecten van Automatisch Vertalen |
|
Mei 2001 (rev 7, December 2003)
In dit stuk proberen we een overzicht te geven van de stand van zaken met betrekking tot het automatisch vertalen. We zullen daartoe achtereenvolgens naar de volgende aspecten kijken:
· De vertaalcomputer
· Geschiedenis
· Problemen met oplossingen
· Vertaalstrategieën
· Problemen zonder oplossingen
· Waar staan we, en hoe nu verder?
Het is niet het doel van deze tekst om een technische verhandeling te geven van alle ins en outs van het automatisch vertalen. Daar bestaat veel geschiktere literatuur voor. We geven in deze tekst geen literatuurverwijzingen. Wie meer wil weten kan een bezoek brengen aan de website http://www-sk.let.uu.nl/ond/mt99.htm, die een aantal verwijzingen geeft naar literatuur en andere websites over automatisch vertalen.
We gebruiken de term automatisch vertalen in de regel voor het vertalen van geschreven teksten door een computer. We gaan er daarbij van uit dat de tekst wordt aangeboden in een vorm die de computer gemakkelijk kan verwerken, bijvoorbeeld de output van een tekstverwerker (Microsoft Word, WordPerfect), teksten die per elektronische mail worden aangeboden, of teksten die op een andere manier via het internet worden verkregen.
Dat betekent dat we niet in de eerste plaats denken aan het vertalen van gedrukte teksten die op papier worden aangeboden of het vertalen van handgeschreven teksten. We laten ook uitdrukkelijk het vertalen van gesproken tekst buiten beschouwing.
Voor wat betreft gedrukte teksten houdt dit eigenlijk geen beperking in: wie niet al te lang geleden voor zijn PC thuis of op het werk een scanner heeft aangeschaft (een apparaat om papieren teksten en plaatjes om te zetten in een vorm die voor de computer hanteerbaar is), zal uit ervaring weten dat er vaak uitstekende programma’s bijgeleverd worden die met verrassend grote precisie een als plaatje ingescande tekst in echte tekst (d.w.z. behandelbaar door een tekstverwerker) kunnen omzetten.
Het herkennen van handgeschreven teksten (d.w.z. omzetten in verwerkbare tekst) staat helaas nog in de kinderschoenen, en werkt eigenlijk alleen op heel beperkte schaal bevredigend (lezen van postcodes, lezen van bank- en giroformulieren). Hetzelfde geldt (zij het in iets mindere mate) voor gesproken taal: het omzetten van gesproken in geschreven tekst (geschikt voor vertaling) is een probleem op zich, en het zal nog wel even duren voordat de problemen daarbij goed genoeg opgelost zijn om deze technologie te kunnen gebruiken om gesproken taal direct te vertalen.
Niettemin is dit laatste natuurlijk wel wat we uiteindelijk zouden willen: we telefoneren direct met een Japanse collega, en beide partijen spreken hun eigen taal, en horen dat wat de ander zegt in de eigen taal, en liefst ook nog met de stem van de spreker.
Wanneer je met mensen praat over de moeilijkheid van automatisch vertalen, beamen ze dat meestal snel, verwijzend naar het vertalen van gedichten en romans. Dat getuigt van een wat optimistische kijk op de zaak. In feite is zelfs het vertalen van saaie teksten, zoals bijvoorbeeld de gebruiksaanwijzing van een mixer al een probleem waar we nog niet helemaal uit zijn. Het vertalen van poëtische of gevoelige teksten ligt nog heel ver bij ons vandaan. Ook de menselijke vertaler heeft daar moeite mee, en zelfs een vertaler met een perfecte beheersing van de vreemde taal en de moedertaal zal dat soort teksten alleen kunnen vertalen wanneer hij zelf een beetje dichter of romanschrijver is.
Het automatisch vertalen beperkt zich op dit moment geheel tot zakelijke, technische teksten (gebruiksaanwijzingen, beursrapporten, bijsluiters van medicijnen, patentaanvragen, weerrapporten, etc).
Er zijn een aantal redenen waarom het aantrekkelijk is om naar automatisch vertalen te kijken. We noemen er hier een paar van:
·
Economisch:
drukken van de vertaalkosten. Vertalen is mensenwerk, en dus duur. Voor
vertaling tussen de gangbare Europese talen ligt het tarief van een
professionele vertaler al gauw tussen de f 90 en f 150 per bladzijde van 300
woorden (afhankelijk van het talenpaar), en voor andere talenparen kan het nog
aanzienlijk hoger liggen. Bij een simpel apparaat, zoals een printer voor een
computer, zit al gauw een handleiding van 500 pagina’s (vertaalkosten ca f 50
000), en als de fabrikant zijn apparaten wereldwijd wil afzetten, met voor elk
taalgebied een handleiding in de eigen taal (volgens onze eigen Consumentenbond
een must), moeten we dit bedrag in
elk geval met een factor 100 vermenigvuldigen: 5 miljoen gulden voor alleen de
documentatie. Voor complexere apparaten, zoals legertanks of vliegtuigen, is de
hoeveelheid documentatie per exemplaar nog eens honderd keer zo groot. Het is
duidelijk dat we het hier hebben over een groot economisch belang, en zelfs een
reductie van de vertaallast van een paar procent kan al aanzienlijke bedragen
opleveren.
· Praktisch: verhogen van de snelheid. Vertalen gaat niet snel. Een vertaler heeft voor een pagina al gauw 1 a 2 uur nodig. Die tijd zit niet alleen in het bedenken en opschrijven van de vertaling, maar ook in het lezen van achtergronddocumentatie, en het achterhalen (en soms zelfs bedenken) van de juiste technische termen, vaak een tijdrovende klus. De printerhandleiding alleen al kost de vertaler 3 a 4 maanden. Dat is voor bepaalde bedrijfstakken, waar producten elkaar snel opvolgen vaak te traag. Daarnaast zijn er ook vertalingen die, ongeacht hun omvang, toch snel geleverd moeten kunnen worden. Denk bijvoorbeeld aan medische of juridische rapporten, die onmiddellijk nodig zijn voor verdere behandeling van de zaak.
·
Volume: er is
meer werk dan vertalers aankunnen. Het aantal gekwalificeerde vertalers is
relatief klein, vooral wanneer het gaat om minder gebruikelijke talenparen. Het
beeld wordt vaak vertroebeld doordat er in deze branche veel gebeunhaasd wordt.
Wie een vreemde taal goed spreekt is daarmee nog niet noodzakelijk een goede
vertaler, maar er is voor zo iemand geen enkele barrière om zich te afficheren
als vertaler.
· Ideologisch: opheffen van taalbarrières. Wie in een groot taalgebied woont (bv in de Verenigde Staten) heeft gemakkelijk toegang tot grote hoeveelheden informatie. Wie in een klein taalgebied woont (bv in Nederland of Griekenland), heeft alleen toegang tot al die informatie wanneer hij een vreemde taal heeft geleerd. Ook is de informatie in de eigen taal niet toegankelijk voor mensen van buiten die taalgemeenschap. Politici, en ook burgers, zijn vaak van mening dat iedereen, ongeacht zijn taal of opleiding, gelijke toegang moet hebben tot alle informatie die er maar is. Vertaalsystemen kunnen hierbij in elk geval het probleem van de taalbarrières oplossen.
· Nieuwsgierigheid: hoe doe je het? Een heel ander soort overweging komt voort uit wetenschappelijke nieuwsgierigheid. Vertalen door de mens is een uiterst complex en nog nauwelijks begrepen proces, en dat maakt het tot een uiterst boeiende onderneming om na te gaan hoe je ditzelfde proces (of een ander proces dat tot hetzelfde resultaat leidt) met een computer kunt uitvoeren.
Ongeacht het achterliggende motief, het probleem blijft moeilijk en interessant, en men dient zich steeds voor ogen te houden dat het helemaal niet zeker is dat er echt een enkele oplossing voor dit hele probleem bestaat. De vraag dient dan ook niet steeds te zijn: ‘hebben we het vertaalprobleem opgelost’, maar liever ‘hoeveel dichter kunnen we bij een oplossing komen’.
De geschiedenis van het automatisch vertalen, kun je indelen in drie periodes:
• 1946-1966: Koude oorlog
• 1978-1992: Internationalisatie
• 1998-????: Internet
Alle drie de perioden kun je beschrijven aan de hand van drie voorwaarden die (als er aan voldaan is) een goed startpunt vormen voor wetenschappelijke vooruitgang op enig terrein:
• Een (militair of maatschappelijk) probleem
• Een technologische ontwikkeling
• Een financieringsbron
Het probleem van deze tijd was de Koude oorlog. De Amerikanen wilden voortdurend op de hoogte blijven van de bewegingen van de Sovjet Unie, op militair, technologisch en wetenschappelijk terrein. Daartoe moesten grote hoeveelheden Russische documenten vertaald worden, en gezien het volume, lag het voor de hand daar de computer bij in te schakelen.
Voor en vooral gedurende de tweede wereldoorlog was er grote vooruitgang geboekt op het gebied van cryptografie (coderen en decoderen van militaire berichten), signaalverwerking (radio, televisie, telegrafie, telefonie), en de opkomst in dezelfde periode van de computer gaf aanleiding tot een groot optimisme om het vertaalprobleem realistisch aan te kunnen pakken.
De grote financieringsbron voor al deze activiteiten was het Amerikaanse ministerie van defensie, dat gedurende die hele periode een van de grote financiers van de hele Amerikaanse wetenschap is geweest.
Ondanks alle inspanningen was het resultaat met betrekking tot het automatisch vertalen uiterst teleurstellend, culminerend in het verschijnen in 1966 van het zogeheten "ALPAC Rapport”, waarin door een belangrijke adviescommissie van de Amerikaanse overheid geconcludeerd werd dat het op dat moment geen zin had verder te investeren in onderzoek en ontwikkeling op het gebied van automatisch vertalen. De kosten waren hoog, en er was geen uitzicht op enig interessant resultaat.
In de periode 1966 tot 1978 was er weinig activiteit op het gebeid van het automatisch vertalen. Enkele centra in de VS, die niet van overheidsfinanciering afhankelijk waren gingen gewoon door, en ook in Europa waren er hier en daar centra (vooral in Frankrijk, Duitsland en Engeland) die bleven werken aan de ontwikkeling van het automatisch vertalen.
Rond 1978 kwam er een kentering, getriggerd door het opdoemen van nieuwe problemen, nieuwe technologieën, en nieuwe financieringsbronnen.
De toenemende internationalisering, zowel van handel en economie, alsook op politiek gebied, creëerde geheel nieuwe taalproblemen. Handel en industrie gingen over de grenzen werken, en ook de politieke en economische samenwerking in Europa (denk aan de groei van de Europese Unie, maar daarbuiten ook aan de NAVO, en de Verenigde Naties) leidden tot een enorme groei van informatie-uitwisseling over grenzen (en dus ook taalgrenzen) heen.
Daarbij kwam de explosieve stijging van de loonkosten op alle gebieden, en het feit dat de toename van het aantal gekwalificeerde vertalers geen gelijke tred hield met de groeiende behoefte.
Technologisch gezien werd deze periode gekenmerkt door de opkomst van snellere, grotere en vooral ook goedkopere computers, die door de opkomst van betere programmeertalen veel beter inzetbaar werden voor het oplossen van niet-numerieke problemen dan daarvoor het geval was.
Ook binnen de taalkunde hadden zich inmiddels grote ontwikkelingen voorgedaan, die het gemakkelijker maakten taalkundige kennis en inzichten vast te leggen op een manier die zich leende voor computertoepassingen.
Omdat de taalbarrières ook op politiek niveau duidelijk gevoeld werden, waren organisaties zoals de Europese Commissie ook bereid fors te investeren in onderzoek en ontwikkeling op het gebied van het automatisch vertalen. Het politieke besluit om alle officiële talen van de lidstaten uit te roepen tot officiële werktalen, noodzaakte de EU om alle documenten in principe in elke taal beschikbaar te stellen. De hieruit voortvloeiende vertaallast bleek enorm, zowel financieel alsook praktisch, in verband met de vertragingen die dat opleverde voor de dagelijkse operaties. De Commissie besloot dan ook al in 1978 over te gaan tot de aanschaf van een bestaand vertaalsysteem (SYSTRAN), en tot het starten van een eigen vertaalproject, EUROTRA, dat in samenwerking tussen alle lidstaten uitgevoerd zou moeten worden.
Ook in Nederland bleven overheid en bedrijfsleven niet achter bij het investeren in het automatisch vertalen. Drie grote projecten werden (mede) door de Nederlandse overheid gesteund:
· EUROTRA: het vertaalproject van de Europese Commissie, dat beoogde om een hoge kwaliteit vertaalsysteem te maken tussen alle werktalen (in die tijd oplopend van 6 tot 9, en nu 11 talen)
· ROSETTA: het vertaalsysteem van het Philips Natuurkundig Laboratorium in Eindhoven
· DLT: het vertaalsysteem van het toenmalige Utrechtse softwarebedrijf BSO
Het resultaat van al deze activiteiten (zowel binnen als buiten Nederland) was in grote lijnen teleurstellend. Geen van de drie projecten leverde het resultaat op dat verwacht werd. Het EUROTRA project had veel last van zijn grote omvang (in de topperiode ca 20 centra over heel Europa, met ca 300 onderzoekers aan het werk). De benadering van het ROSETTA project was inhoudelijk en conceptueel misschien wel de mooiste in zijn soort, maar het Philips concern zag er op korte termijn geen brood in, en zette het project stop. Het DLT project timmerde erg aan de weg, en sprak vooral aanvankelijk erg tot de verbeelding van het publiek door zich te baseren op het gebruik van Esperanto, maar zag later (toen deze benadering allang weer verlaten was) geen kans financiers te vinden voor verdere ontwikkeling van het systeem tot een commercieel product.
Deze teleurstellingen leidden tot een nieuwe dip in het geloof in en financiering voor het automatisch vertalen, niet alleen in Nederland, maar in heel Europa.
Niettemin is deze periode heel belangrijk geweest voor de ontwikkeling van de Europese taaltechnologie, vooral in landen waar met name het EUROTRA project leidde tot het opzetten van onderwijs- en onderzoekscentra voor automatisch vertalen en taaltechnologie in het algemeen. Kortom: de impact was enorm, maar een oplossing voor het vertaalprobleem kwam er niet uit.
Na een vrij korte, maar wel duidelijk merkbare dip als gevolg van de vorige periode, is er, sinds 1998 sprake van een nieuwe revival van het automatisch vertalen.
Weer zijn er problemen, technologische ontwikkelingen en financieringsbronnen aan te wijzen die hiertoe geleid hebben.
Als eerste is daar de verdere globalisering van handel en industrie. Markten voor producten en diensten worden steeds internationaler, zowel binnen de EU als daarbuiten. Daarnaast is er de explosieve opkomst van het internet, dat in principe geen grenzen kent. Elektronische handel en informatie zijn binnen ieders bereik, en het bestaan van taalbarrières werpt grote blokkades op. In een land als Nederland wordt het belang hiervan gemakkelijk onderschat. Wij zijn opgevoed in een traditie waarin het kennen van een of meer andere Europese talen als noodzakelijk en vanzelfsprekend wordt voorgesteld, maar in de wat grotere taalgebieden om ons heen blijken zowel burger als overheid veel meer ingesteld op gebruik en kennis van geen andere taal dan de eigen taal. Dit, gevoegd bij de steeds sterker wordende overtuiging dat het de plicht van de overheden is om alle burgers in gelijke mate toegang te geven tot informatie, leidt er toe dat het opheffen van taalbarrières een belangrijke prioriteit geworden is. Automatisch vertalen hoeft natuurlijk niet de enige oplossing te bieden (meer aandacht voor het onderwijs in de vreemde talen is natuurlijk ook nuttig), maar het blijft een belangrijke mogelijkheid.
De technologische en wetenschappelijke ontwikkelingen spelen een wezenlijke rol. De PC is krachtiger geworden dan de grote mainframes uit de zeventiger jaren, en is door zijn lage prijs voor vrijwel iedereen binnen ons deel van de wereld bereikbaar. In de aanpak van problemen zoals het automatisch vertalen is ook een duidelijke kentering gekomen. Waar in het verleden vaak gekozen werd voor een specifiek type benadering van het probleem, is nu te zien dat er een neiging bestaat naar meer hybride aanpakken, waarbij van verschillende benaderingswijzen de beste ingrediënten worden gekozen, om die samen te smeden tot een meer effectieve en meer efficiënte methode.
Ook de visie op de taak van het automatisch vertalen is geëvolueerd. Waar in het begin het hoogste doel van onderzoekers en ontwikkelaars was het bereiken van een zo getrouw mogelijke kopie van het gedrag van de menselijke vertaler, bestaat er nu steeds meer een neiging om het automatisch vertaalprobleem als een collectie van situatiegebonden deelproblemen te zien, waarbij elke situatie zijn eigen oplossing vereist.
Financiers zijn er ook. Niet alleen de Europese Commissie is overtuigd van het belang van het wegnemen van de taalbarrières (zowel uit praktisch, politiek als uit commercieel oogpunt), maar ook zijn er talloze bedrijven die het commerciele belang inzien van maatregelen om taalbarrières te slechten. We denken hierbij o.a. aan internet- en telecombedrijven.
Bij het leren en begrijpen van vreemde talen zijn er belangrijke verschillen tussen mens en computer. Voor mensen vormt het gebruik van vreemde lettertekens (Grieks, Russisch, Chinees) al snel een belangrijk obstakel. Voor een computer is dit geen enkel probleem. Ieder teken is even gemakkelijk te leren of te onthouden (al moeten we niet uit het oog verliezen dat niet iedere tekstverwerker met dit soort problemen even gemakkelijk omgaat). Ook de lees- en schrijfrichting (van links naar rechts, van rechts naar links, van boven naar onder) is op geen enkele wijze een probleem. Wij moeten er zelf erg aan wennen, maar de computer heeft daar geen probleem mee.
Ook het voorkomen van veel onregelmatigheden (Latijnse, Griekse, of Franse onregelmatige werkwoorden, om maar wat jeugdtrauma's noemen) vormen op geen enkele wijze een probleem. De computer leert snel en heeft een feilloos en onbegrensd geheugen, en laat zich niet in de war brengen. Grote hoeveelheden woorden vormen evenmin een probleem. Een computer vindt het leren van een miljoen woorden niet gemakkelijker of moeilijker dan het leren van duizend woorden, zelfs als ze veel op elkaar lijken of vol onregelmatigheden zitten (denk aan de Duitse meervouden, of Engelse werkwoorden).
Als wij een zin lezen in de eigen taal of in een taal die wij goed kennen, kost het ons meestal geen moeite om te begrijpen wat de zin betekent, welke woorden er in voorkomen, welke betekenis ze hebben, en hoe de zin grammaticaal in elkaar zit.
Hoe moeilijk het is om vervolgens te bepalen hoe de zin vertaald moet worden, hangt voornamelijk af van onze kennis van de taal waar we naar toe moeten vertalen.
Voor de computer ziet dit beeld er totaal anders uit. We zullen dit in het onderstaande illustreren. We bekijken hiertoe eerst hoe het ons zou vergaan wanner we met behulp van enkel een woordenboek vanuit een totaal onbekende taal naar het Nederlands toe moeten vertalen.
We bekijken de volgende zin (die misschien wat geforceerd aandoet, maar die we goed kunnen gebruiken om het probleem te illustreren):
Wanneer we de verschillende woorden in het woordenboek opslaan, vinden we het volgende
(we vermelden steeds het woord, de woordsoort [werkwoord, zelfstanding naamwoord, etc], het aantal vermelde betekenissen, en in telegramstijl de betekenis zoals we die in een niet al te uitgebreid woordenboek aantreffen):
·
ik (2): "ik", "het
ik"
·
was (zn) (5): “wasproces”, “bijenwas”, "boenwas",
"stijging", "wasgoed”
was (ww) (7): "zijn”,
"kleren schoonmaken”, "de afwas doen”, "erts wassen”,
"dieren wassen”, "kaarten
schudden”, "groeien"
·
de (2): "de fiets”, "een gulden de meter”
·
was (12): zie boven
·
weer (werkwoord) (1): "afweren”
weer (zelfst. naamwoord) (4):
"hamel”, "weersgesteldheid”, "afweer”, "keerdam”
weer
(bijwoord) (1): “wederom”
·
aan: meer dan 10 betekenissen
·
het: (3): "het huis”, "hij/zij/het”, "appels voor een gulden het
stuk"
·
wassen (12): zie boven
Het resultaat is dat we op basis van alleen het opzoeken van de woorden in een woordenboek al zo’n 2 x 12 x 2 x12 x 6 x 10 x 3 x 12 = 1 244 160 mogelijke keuzes hebben voor hoe de zin qua gebruikte woorden in elkaar zit.
Een explosie aan mogelijkheden dus, en het mag eigenlijk een wonder heten dat we hier in het dagelijkse leven zo weinig last van lijken te hebben.
Met een beetje oppervlakkige taalkundige kennis, kunnen we al flink in de mogelijkheden gaan snoeien. We weten uit ervaring (en dat kunnen we gelukkig ook vrij gemakkelijk aan een computer duidelijk maken) dat niet alle woordopeenvolgingen mogelijk zijn, zelfs als je alleen maar kijkt naar de woordsoorten (lidwoorden , zelfstandige naamwoorden, werkwoorden, etc).
We zullen dit hier niet in detail nagaan, maar een simpele beschouwing op deze basis reduceert het aantal keuzemogelijkheden voor de woorden in onze voorbeeldzin al aanzienlijk (we geven steeds aan hoeveel van de eerdergenoemde mogelijkheden er overblijven op grond van wat er na elkaar kan voorkomen):
|
woord |
woordsoort |
mogelijkheden eerst |
|
mogelijkheden op basis van woordsoorten |
|
ik |
(pers. vnwd) |
2 |
=> |
1 |
|
was |
(werkwoord) |
12 |
=> |
7 |
|
de |
(lidwoord) |
2 |
=> |
1 |
|
was |
(zelfst. nwd) |
12 |
=> |
5 |
|
weer |
(bijwoord) |
6 |
=> |
1 |
|
aan |
(voorzetsel) |
10 |
=> |
5 |
|
het |
(lidwoord) |
3 |
=> |
1 |
|
wassen |
(werkwoord) |
12 |
=> |
6 |
Het resultaat is dat er nu nog maar 1050 mogelijkheden over zijn. Een reductie van het probleem met een factor duizend dus – maar helaas nog niet genoeg.
Onze taalkundige kennis (die we ook vrij gemakkelijk op computers kunnen overbrengen) stelt ons in staat het aantal mogelijke interpretaties van de zin nog verder te reduceren. Ter illustratie:
· ik was kan hier alleen van zijn komen (niet van schoonmaken of groeien)
· de was kan nog steeds 5 betekenissen hebben
· aan kan alleen van aan het --- zijn komen
· het wassen kan nog op 5 soorten van wassen slaan (maar niet op groeien, omdat daar geen lijdend voorwerp bij kan)
Dit brengt het aantal mogelijkheden terug tot 25. Maar er is nog meer mogelijk. We kunnen in het woordenboek nog wat extra informatie toevoegen, zoals:
·
bij zelfstandige naamwoorden: mens, dier, instrument, vloeibaar, delfstof,
voertuig, abstract, telbaar, ...
·
bij werkwoorden: onderwerp moet mens zijn, lijdend voorwerp vloeibaar, er moet een
tijdsbepaling bij, een plaatsbepaling, ...
·
bij voorzetsels: met een zelfstandig naamwoord dat een tijd aanduidt is het een
tijdsbepaling, met plaats een plaatsbepaling, ..., etc
Eigenlijk gaat het hier om verkapte betekenisinformatie, maar we kunnen dat (ondanks dat we eigenlijk niet zo goed weten wat betekenis eigenlijk is) heel goed toevoegen alsof het om objectieve taalkundige kennis gaat, net als woordsoorten. Ter illustratie:
Jan kocht bloemen voor
·
...
Marie
·
...
half zeven
·
...
zijn laatste geld
·
...
moederdag
·
...
de ingang van het CS
wat voor hier betekent is vast nog wel op te lossen door extra woordenboekinformatie, bijvoorbeeld door vast te leggen dat half zeven een tijdsbepaling is, de ingang van het CS een plaatsbepaling, etc.
Met de extra informatie kunnen we dan de laatste problemen wel uit de weg ruimen:
·
was
hoort niet tot de categorie serviesgoed, dier, erts of
kaartspel
· bijenwas behoort niet tot de categorie zaken die je kunt wassen, dus we houden nog maar een mogelijkheid over
Voorlopige conclusie
· met een woordenboek alleen is het niet mogelijk uit te maken welke zin je feitelijk moet vertalen (te veel mogelijkheden)
· de grammatica (woordsoorten en zinsdelen) beperkt het aantal problemen
· en wat betekenisinformatie er bij geeft het laatste zetje
De tussenstand: we hebben nu een (impressionistisch) beeld geschetst van een proces
· dat ons in staat stelt vast te stellen wat eigenlijk de zin is die we zouden willen vertalen
· dat berust op objectief beschrijfbare kennis (woordenboeken, grammaticaregels)
· dat een noodzakelijke eerste stap is op weg naar het vertalen
· dat redelijk goed te automatiseren lijkt (objectief vast te stellen, goed te coderen in woordenboeken of grammatica’s)
We kunnen nu gaan kijken hoe een vertaalsysteem in principe opgebouwd zou kunnen zijn. We pretenderen niet dat dit de enig mogelijke oplossing is, maar als je kijkt naar state-of-the-art vertaalsystemen, dan kom je de onderstaande ingrediënten altijd wel in de een of andere vorm tegen.
De taal van de ter vertaling aangeboden tekst noemen we brontaal, de taal waarin de tekst vertaald moet worden de doeltaal. We zien in een vertaalsysteem meestal de volgende basisbouwstenen:
· grammaticale analyseregels die je in staat stellen de brontaalzinnen te ontleden of analyseren
· vertaalregels: ze vertalen geanalyseerde brontaalzinnen in doeltaal-halffabrikaten (de grammaticale hoofdstructuur is correct, maar de vorm en de volgorde van woorden en zinsdelen hoeven nog niet in orde te zijn)
· regels die uit de bovengenoemde doeltaal-halffabrikaten correcte doeltaalzinnen produceren (syntheseregels)
· woordenboeken (in brontaal, in doeltaal, en tweetalig), met veel extra gegevens over woordsoort, geslacht, verbuiging, vervoeging, etc
· computerprogramma’s die deze kennis toepassen; we gaan op dit onderdeel hier niet in, maar we vermelden slechts dat de taak van de computer hier goed te vergelijken is met die van een middelbare scholier die begint met het vertalen van Griekse of Latijnse teksten: gewapend met de kennis van de regels ga je op zoek naar het werkwoord, dan naar het onderwerp, en vervolgens naar de zinsdelen die daar nog bij horen (lijdend voorwerp, bepalingen, etc); hiervoor bestaan heel adequate computertechnieken; als de grammatica goed is, zal de computer er in het algemeen geen moeite mee hebben om de grammaticale kennis correct toe te passen.
Globaal gezien kunnen we in bestaande vertaalsystemen drie verschillende strategieën aantreffen. Soms zijn ze geheel of gedeeltelijk gecombineerd, maar in principe komen ze op het volgende neer:
Kenmerk van deze systemen (historisch de oudste) is een vergaande vervlechting tussen allerlei soorten kennis. Ze dateren uit een periode dat het programmeren van de computer het belangrijkste probleem was, en dat het nog niet in zwang was om een scheiding aan te brengen tussen kennis (geformuleerd in een computeronafhankelijk formalisme) en de programma’s die deze kennis moesten toepassen. Kenmerk van deze benadering is dat analyse-, vertaal- en syntheseregels in elkaar verweven zitten in één enkele regelcomponent, en er zijn geen aanwijsbare tussenstadia in het vertaalproces.
Een belangrijk nadeel van deze benadering is dat hij erg ingewikkeld is en dus foutgevoelig. Daarnaast kan hij tot veel overbodig werk leiden. Als je een vertaalsysteem maakt vanuit één taal naar meer talen doe je steeds hetzelfde (je zult toch altijd wel moeten vaststellen wat het onderwerp van de zin is, of je nu naar het Frans, Duits of Grieks toe wilt), maar net even anders (namelijk direct gekoppeld aan de vertaalregels naar de desbetreffende talen). Dat brengt een hoop duplicatie van werk met zich mee, en ieder nieuw inzicht in bv de grammatica van het Nederlands moet in alle vertaalcomponenten afzonderlijk ingecodeerd worden
Deze systemen voeren het vertaalproces uit in drie stappen:
· analyseer de aangeboden zin of tekst (in termen van een syntactische of semantische abstracte representatie, bv een ontleding in zinsdelen met hun functies)
· vertaal de uit de analyse verkregen representatie van de brontaal in een doeltaalrepresentatie (bijvoorbeeld ook een ontledingsstruktuur)
· synthetiseer uit de doeltaalrepresentatie de juiste zinnen
Voordeel: je doet analyse en synthese meer een keer per taal (of je nu naar het Russisch, Chinees of Swahili toe wilt), maar je hebt wel veel vertaalcomponenten (een voor elk talenpaar)
Hier gebruiken we maar twee stappen:
· analyse, resulterend in een taalonafhankelijke betekenisrepresentatie
· synthese vanuit deze representatie, resulterend in de uiteindelijke doeltaaltekst
Dit is veruit de elegantste methode. Je hebt voor elke taal precies een analysecomponent nodig, en een synthesecomponent. Toevoeging van een nieuwe taal vergt ook niet meer dan toevoeging van deze twee componenten voor de nieuwe taal. Ideaal dus.
Helaas heeft deze benadering ook een grote zwakte: tot dusverre is niemand in staat geweest een geschikte tussentaal (interlingua) te construeren die het mogelijk maakt met deze methode te werken. Het is verleidelijk om hierbij te denken aan bijvoorbeeld logische systemen, of kunsttalen zoals het Esperanto, maar helaas blijkt dat deze voorstellen meer problemen creëren dan oplossen. De wezenlijke problemen van het automatisch vertalen (zoals we die in de volgende secties zullen demonstreren) worden er niet door opgelost.
Als je kijkt naar het aantal componenten dat bij ieder van de benaderingen nodig is, kun je de volgende rekensom maken:
· Directe systemen: bij 12 talen 12 x1 1 complexe componenten
· Transfersystemen: 12 + 12 + 12 x 11 componenten
· Tussentaalsystemen: 12 + 12 componenten
Het aantal componenten op zich hoeft natuurlijk niet doorslaggevend te zijn. Minstens even belangrijk is de complexiteit van elke component afzonderlijk, de kosten van het onderhoud (zowel voor correctie als uitbreiding), en de kosten van het toevoegen van nieuwe talen. Vroeger waren directe systemen het meest in zwang. Daarna heeft men erg veel energie gestoken in het ontwerpen van tussentaalsystemen, maar op dit moment voeren de transfersystemen de boventoon.
In de onderstaande figuur geven we de drie strategieën schematisch weer.
We hebben het hierboven gehad over problemen die geen echte problemen waren (vreemde lettertekens, onregelmatigheden), en over problemen die we met wat taalkunde wel konden oplossen. We gaan nu kijken naar de echte problemen, waar eigenlijk niemand nog een echt goede oplossing voor heeft. De vier voornaamste zijn:
· Ambiguïteit
· De mismatch tussen de talen
· Het compromis van het vertalen
· Robuustheid
Hieronder leggen we ze uit.
We spreken van ambiguïteit wanneer een woord of zin verschillende mogelijke interpretaties heeft. We noemen hier vier hoofdsoorten:
· Woordambiguïteit
· Aanhechtingsambiguïteit
· Relatieambiguïteit
· Verwijzingsambiguïteit
We spreken van woordambiguïteit wanneer woorden van dezelfde grammaticale categorie (werkwoorden, zelfstandige naamwoorden, etc) verschillende betekenis kunnen hebben. Voorbeelden:
· was: bijenwas of vuil goed
· bank: zitbank of geldbank
· paard: rij-, gym- of schaakpaard
Mensen hebben zelden last van dit probleem, omdat ze over het algemeen begrijpen waar een tekst over gaat. Voor vertaalsystemen is dit een stuk moeilijker, maar het is wel noodzakelijk om dit probleem op te lossen, omdat in de regel de vertaling van een woord afhankelijk is van zijn betekenis.
Twee methoden om dit probleem te lijf te gaan zijn:
· Tevoren vaststellen (en aan het vertaalsysteem vertellen) dat een tekst over een bepaald onderwerpsgebied (domein) gaat
· Statistische methoden gebruiken om de meest waarschijnlijke interpretatie te kiezen.
Geen van beide methoden is feilloos: in een tekst over schaken waarin verteld wordt dat Karpov om zijn tegenstander te intimideren te paard naar het schaaktoernooi kwam, zullen beide methoden waarschijnlijk niet de juiste keuze maken.
We spreken van aanhechtingsambiguïteit wanneer een zinsdeel op verschillende plaatsen in de zin aan een ander zinsdeel gehecht kan worden. Voorbeelden:
•
Ik keek
naar de hond met de verrekijker
•
Ik
keek naar de hond met de lange staart
of:
•