محققان در مقالهای جدید، رویکردی متفاوت برای ارزیابی خودکار کیفیت ترجمه (MT) معرفی کردهاند. روشهای فعلی که عمدتاً از مدلهای زبانی با استاندارد MAP استفاده میکنند، گاهی در تشخیص دقیق خطاها دچار اشتباه میشوند.
در این پژوهش، از الگوریتم MBR (Minimum Bayes Risk) استفاده شده که با تحلیل شباهت جملات خروجی به ترجمه انسانی، دقتِ شناسایی «بازه خطا» (Error Span) را به شدت افزایش داده است. نکته جذاب اینجاست که تیم توسعهدهنده، برای حل مشکل سرعت و هزینههای محاسباتی، تصمیمات این مدل را به یک مدل سبکتر منتقل (Distill) کرده تا بدون کندی در زمان اجرا، عملکردی در سطح مدلهای پیچیده ارائه دهد. 🚀
این پیشرفت میتواند به بهبود کیفیت مدلهای زبانی در درک و ترجمه دقیقتر زبانها کمک شایانی کند.
منبع: arXiv AI