تطبیق عصبی MT برای حمایت از انتقال دیجیتال

ما در عصر زندگی می کنند که در آن موضوع انتقال دیجیتال به طور فزاینده ای به رسمیت شناخته شده به عنوان یک نگرانی اصلی و کلیدی تمرکز اجرایی تیم مدیریت در شرکت های جهانی. ریسک بالا برای کسب و کار است که موفق به آغوش تغییر دهید. از سال 2000 تقریبا نیمی (52 درصد) از شرکت های فورچون 500 یا ورشکست شده اند به دست آورد و یا متوقف به وجود داشته باشد به عنوان یک نتیجه از دیجیتال اختلال. همچنین تخمین زده می شود که 75 درصد از امروز S&P 500 را جایگزین 2027 با توجه به Innosight پژوهش است.
پاسخ موثر به واقعیت های دنیای دیجیتال در حال حاضر تبدیل به یک ماده از بقا به عنوان وسیله ای برای طولانی مدت ایجاد مزیت رقابتی است.

هنگامی که ما در نظر گرفتن آنچه مورد نیاز است به درایو دیجیتال تحول در علاوه بر این به ساختاری یکپارچه سازی ما می بینیم که حجم زیادی از زمان مربوطه و دقیق مطالب است که حمایت از خریدار و مشتری سفر مهم برای افزایش دیجیتال تجربه هر دو در B2C و B2B حالات.
حجم زیادی از محتوای مربوطه مورد نیاز به منظور افزایش تجربه مشتری مدرن در عصر دیجیتال که در آن مشتریان ارتباط برقرار کردن به طور مداوم با شرکت در یک فضای دیجیتال بر روی انواع سیستم عامل های دیجیتال. به صورت دیجیتالی مربوطه در این محیط نیاز است که شرکت باید به طور فزاینده بود omni-بازار-متمرکز و باید حجم زیادی از مطالب مرتبط در دسترس در هر زبان در هر بازار آنها شرکت بر اساس مداوم.
این مستلزم آن است که شرکت مدرن باید ایجاد بیشتر محتوای ترجمه محتوای بیشتر و ارائه مطالب بیشتر بر اساس مداوم به صورت دیجیتالی مربوطه و قابل مشاهده است. روش های سنتی برای ترجمه محتوای سازمانی به سادگی نمی تواند مقیاس و یک رویکرد جدید مورد نیاز است. امکان پرداختن به این ترجمه چالش بدون اتوماسیون صفر است اما آنچه که مورد نیاز است یک مقدار فعال تر انسان و ماشین همکاری که ما در SDL تماس ماشین-برای اولین بار انسان بهینه سازی شده است. در نتیجه نیاز به یک شرکت جهانی برای تشدید تمرکز بر ترجمه ماشینی (MT) در حال رشد است و تبدیل شده است بسیار فوری.
اما این روزها تنها با استفاده از generic MT برای حل هر حجم بالا از مطالب ترجمه چالش ها و توانایی شرکت برای استفاده از MT در یک حد مطلوب تر و چالاک شیوه در سراسر طیف وسیعی از موارد استفاده مختلف مورد نیاز است برای فعال کردن یک راه موثر omni-استراتژی بازار مستقر می شود.
 A one-size-fits-all MT استراتژی را نمی خواهد قادر به شرکت مدرن به طور موثر ارائه بحرانی محتوای مورد نیاز خود را به هدف قرار دادن بازارهای جهانی در یک راه موثر و مطلوب در راه است.
برتر MT نیاز به استقرار مداوم و مستمر اقتباس از هسته MT, تکنولوژی, متنوع, استفاده, موارد, موضوع, دامنه و مشتری-مطالب مرتبط نیاز دارد. MT استقرار نیز نیاز به اتفاق می افتد با سرعت و چابکی برای ارائه کسب و کار مزیت و چند شرکت می تواند به یادگیری و توسعه جدول زمانی مورد نیاز هر انجام آن را به خودتان ابتکار عمل.

MT انطباق چالش

عصبی ترجمه ماشيني (NMT) به سرعت خود را به عنوان ارجح مدل برای بسیاری از MT استفاده از موارد امروز. اکثر کارشناسان در حال حاضر متوجه است که تن به انجام بهترین های صنعتی استقرار حالات زمانی که از آن اقتباس شده است و سفارشی به موضوع خاص, دامنه, اصطلاحات و استفاده مورد نیاز است. Generic تن است که اغلب به اندازه کافی برای دیدار با کلید اهداف کسب و کار. اما محدودیت های توسعه موفق اقتباس NMT مدل های دشوار است به دلایل زیر:

  1. حجم گسترده ای از داده های آموزشی که مورد نیاز است برای ساخت سیستم های قوی. این است که به طور معمول در صدها میلیون ها نفر از کلمات محدوده که چند شرکت خواهد بود قادر به جمع آوری و حفظ کند. مدل های ساخته شده با ناکافی بنیادی داده های مطمئن به انجام ضعیف و شکست در نشست اهداف کسب و کار و ارائه ارزش کسب و کار. بسیاری از طرح های AI و یا با شکست مواجه underperform چرا که از داده ها و بی کفایتی است.
  2. گزینه های در دسترس برای آموزش NMT سیستم های پیچیده هستند و تقریبا همه آنها نیاز است که هر گونه داده های آموزشی استفاده می شود برای انطباق NMT سیستم می شود ساخته شده جهانی در دسترس برای توسعه پلت فرم استفاده می شود به منظور افزایش بیشتر پلت فرم خود را. این اغلب جدی در امنیت داده ها و اطلاعات مسائل مربوط به حریم خصوصی در این انبوه عصر دیجیتال که در آن اطلاعات مربوط به محرمانه ترین تعاملات مشتری و محصول توسعه طرح های مورد نیاز به ترجمه به صورت روزانه. مشتری تعاملات احساسات و خدمات و پشتیبانی داده ها بیش از حد با ارزش به اشتراک گذاشته می شود منبع باز AI سیستم عامل است.
  3. هزینه نگه داشتن پهلو به پهلو از دولت از هنر NMT استانداردهای فن آوری نیز بالا است. به عنوان مثال یک زمان, بهترین از نژاد انگلیسی به آلمانی NMT سیستم نیاز به ده ها میلیون نفر از داده های آموزشی بخش صدها و حتی هزاران ساعت از GPU چرخه تخصص عمیق به لحن و تنظیم پارامترهای مدل و دانش فنی آن را همه با هم. تخمین زده می شود که فقط برای این یک سیستم هزینه آن در حدود $9,000 در زمان آموزش هزینه ها در ابر عمومی و زیرساخت و 40 روز از زمان آموزش! این هزینه ها به احتمال زیاد بالاتر اگر توسعه واقعی ندارد تخصص و یادگیری به عنوان آنها در تلاش برای انجام آن است. این هزینه ها می تواند کاهش قابل ملاحظه ای در حال حرکت به یک پیش فرض آموزش راه اندازی و کار با یک پایه سامانهی ماست که راه اندازی شده است توسط کارشناسان.
  4. NMT مدل توسعه نیاز به ثابت تکرار و مداوم و مستمر آزمایش با تغییر داده های مجموعه و تنظیم استراتژی. وجود دارد یک مقدار مشخصی از عدم قطعیت در هر مدل توسعه و نتایج نمی تواند همیشه در پیش بینی های چشمگیر در نتیجه تکرار و به روز رسانی مکرر باید انتظار داشت. بنابراین محاسبات هزینه ها می تواند به سرعت تشدید می شود که با استفاده از ابر زیرساخت ها است.
با توجه به وزوز در اطراف NMT بسیاری از ساده پزشکان پرش به DIY (do-it-yourself) منبع باز گزینه های است که آزادانه در دسترس تنها به تحقق بخشیدن به ماه و یا سال بعد که آنها چیزی برای نشان دادن تلاش های خود را.

بسیاری از چالش های کار با منبع باز NMT در اینجا تحت پوشش. در حالی که ممکن است برای موفقیت با منبع باز NMT یک پایدار و مداوم پژوهش/تولید سرمایه گذاری مورد نیاز است بسیار تخصصی منابع انسانی به هر معنی دار شانس موفقیت.

دیگر گزینه ای است که شرکت های استخدام خود را برای دیدار با NMT انطباق نیاز است برای رفتن به اختصاصی MT متخصصان و MT فروشندگان و معناداری وجود دارد و هزینه های مرتبط با این رویکرد به عنوان به خوبی. مداوم به روز رسانی و بهبود معمولا با هزینه های مستقیم در ارتباط با هر فردی تلاش است. این چالش ها را محدود به تعدادی از اقتباس و تنظیم NMT سیستم های است که می تواند مستقر و همچنین ایجاد مقاومت به استقرار سیستم های NMT بیشتر به طور گسترده ای به عنوان کلی سیستم مشکلات شناسایی می شوند.

بیشتر مطلع پزشکان فقط شروع به درک که با استفاده از جایگزین ارزشیابی دوزبانه نمرات را انتخاب کنید MT سیستم است که معمولا بسیار کوتاه اندیش. کسب و کار تاثیر 5 جایگزین ارزشیابی دوزبانه امتیاز این راه یا آن ناچیز است در بالا ترین ارزش کسب و کار و موارد استفاده و مورد استفاده های بهینه سازی است که معمولا بسیار مفید تر و ارزشمند به ماموریت کسب و کار.

به عنوان یک ارائه دهنده فن آوری است که با تمرکز بر شرکت MT نیازهای SDL در حال حاضر فراهم می کند موجود سازگاری و قابلیت های است که طیف وسیعی از:

  • مشتری ایجاد لغت نامه فوری سلف سرویس سفارشی سازی – مناسب برای اصطلاحات خاص اجرای بالای عمومی ،
  • NMT مدل انطباق به عنوان یک سرویس انجام شده توسط SDL MT تیم R&D.

این وضعیت در حال حاضر تغییر و همچنان به تکامل با ابتکاری جدید NMT انطباق راه حل معرفی شده توسط SDL است که ترکیبی از تن فروشنده و تبادل نظر رویکرد است. یک راه حل فراهم می کند که بهترین از هر دو.

 

نوآورانه SDL NMT انطباق راه حل

این SDL NMT مربی راه حل زیر را فراهم می کند:
  • سر راست و ساده NMT مدل اقتباس بدون نیاز کاربران به اطلاعات دانشمندان و یا کارشناسان است.
  • بنیادی داده های ارائه شده در سازگار جفت زبان برای تسریع و سرعت بخشیدن به توسعه قوی و خدمت سیستم به سرعت.
  • پیش فرض آموزش است که به طور کامل مانع از امکان هر گونه بسیار محرمانه آموزش داده که کپسوله تعاملات مشتری, اطلاعات, حکومت, توسعه محصول و شریک و کارمند ارتباطات تا به حال ترک این شرکت است.
  • پس از ایجاد رمزگذاری شده با اقتباس از مدل را می توان به راحتی مستقر در SDL در یک فرض استقرار یا ابر زیرساخت با امکان نشت اطلاعات.
  • چندین موارد استفاده و بهینه سازی ممکن است به توسعه در یک جفت زبان و مشتریان می توانند دوباره قطار و تنظیم مدل های خود را به طور مداوم به عنوان داده های در دسترس می شود و یا به عنوان جدید استفاده از موارد شناسایی می شوند.
  • یک مدل قیمت گذاری است که تشویق و پشتیبانی از بهبود مستمر و آزمایش بر روی مدل های موجود و اجازه می دهد تا برای بسیاری از موارد استفاده می شود مستقر در همان ترکیب زبان.
نسخه اولیه از SDL در قضیه مربی پایه یک تا کنون-تطبیق ترجمه ماشيني راه حل است که رشد خواهد کرد در قابلیت و همچنان به تکامل اضافی با ویژگی های جدید است.
تحقیقات نشان می دهد که NMT مدل های بسیار وابسته به کیفیت بالا آموزش داده و نتایج بسیار وابسته به کیفیت داده ها استفاده می شود. پاک کننده داده است بهتر انطباق خواهد بود و در نتیجه پس از این محصول اولیه انتشار SDL قصد دارد به معرفی یک به روز رسانی بعد از این سال است که اهرم سال تجربه در ترجمه مدیریت حافظه شامل مناسب تمیز کردن خودکار مراحل مورد نیاز برای ایجاد داده های مورد استفاده به عنوان خوب به عنوان امکان پذیر است برای عصبی MT آموزش مدل.
وعده از بهترین راه حل های هوش مصنوعی در بازار است که به طور مداوم به یادگیری و بهبود با اطلاع و ساختار انسانی بازخورد و SDL تکنولوژی است که معماری برای تکامل و بهبود با این بشر بازخورد. در حالی که کلی MT در خدمت نیازهای بسیاری از کاربران اینترنت که نیاز به دریافت یک جان کلام خارجی زبان محتوای سازمانی جهانی نیاز MT راه حل هایی که انجام مطلوب در اصطلاحات مهم و حساس هستند به زبانی الزامات درون سازمانی اصلی موضوع دامنه. این یک راه حل است که اهرم مشتری توانایی تولید با کیفیت بالا سازگاری با حداقل تلاش در کوتاه ترین زمان ممکن و در نتیجه افزایش حجم بحرانی DX محتوای چند زبانه.

اگر شما می خواهم برای کسب اطلاعات بیشتر در مورد چه چیزی جدید در SDL را سازگار عصبی جفت زبان اینجا را کلیک کنید.

ترجمه مقاله

tinyurlrebrandlybitly

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>