統計ベースの機械翻訳

「テクニカルコミュニケーションシンポジウム2010」でも書いたように、パネルで統計ベースの機械翻訳が紹介されました。

河野さんが使われたスライドは公開されています。

統計ベースの機械翻訳とは、ごくごく乱暴にまとめると、言葉のつながりを解析し、「Ａという単語が出てくると、その後ろ（あるいは前）にはＢという単語が出てくることが多い」といった統計情報として活用する、ということのようです。

これをさらに乱暴にまとめると、ターゲット原語側のコロケーション情報を用意して活用すると言えるのかもしれません。

今回の話を聞いた印象では、語順が比較的かっちりしている英語などとの相性がよさそうに思いました。これに対して相性が悪そうなのは、語順が融通無碍の日本語。語順は融通無碍でも、ある言葉が前か後ろに「出てくる」というレベルでは同じなので、あまり違いはないのかもしれませんが。

なお、統計ベースだけだと、それなりにターゲット言語らしい文章にはなるけど、極端なことを言えば語順だけそれらしくしてあるものなので、意味のある文章になるとはかぎりません。それでも構造が似ている言語同士ならそれなりになるようですけど。ともかく、そのあたりを補うため、文法的な解析などを行うルールベースを組み合わせるといった工夫も始まっています。

さて、統計ベースの機械翻訳、質はどんな感じでしょうか。

機械翻訳の研究をしている人々のあいだで共通の尺度となっている翻訳の定量的評価があるそうです。ただ、たとえば人間による翻訳をその尺度で評価したら何点以上になるとか、そういう形では使いづらいというか、使えないというからしい。翻訳の評価ですからね。そんなわけであまりはっきりとはわからないのですが、Googleほど大量のパラレルコーパスを持って構造が似た言語同士で翻訳するとそれなりにはなるような、ならないような……

統計ベースの機械翻訳において翻訳の精度を決める要因は、パラレルコーパスと呼ばれる「良質の訳例ペア（原語と目標言語のペア）が大量にあること」。そのため、現在、訳例ペアを大量に持つGoogleのひとり勝ち状態だそうです。ただ、分野などを絞ればずっと少ない用例で精度がぐっとあがるので、翻訳メモリの形でパラレルコーパスを持つ翻訳業界にはチャンスがあるはず。ただ、オープンにしないと多くの人にメリットがある形になりません（と、ここで「オープン」に話がつながるわけです）。

統計ベースの機械翻訳が活用されるようになれば、マニュアル関係など、発注量も単価も半分くらいになるのではないかと河野さんは予想しているそうです。

我々、翻訳者にとってのポイントは、（↓）でしょうか。

• 本当に「発注量も単価も半分」になるのか
• そうなったらどうすればいいのか

本当のところどうなるのかは、正直なところ、誰にもわかりません。もちろん、可能性はあるんでしょう。

でも、ねぇ……「良質の訳例ペアが大量にあること」が条件でしょう？　ローカリゼーションの翻訳メモリに「訳例ペアが大量にあること」は事実ですし、それが、適用範囲を絞れば効果を発揮するだけの量である可能性は高いでしょう。じゃあ、「良質」は？　ソースクライアントからして、「この品質でいいとは思わないが、払えるコストがコストだから仕方がない」と言わしめるレベルが「良質」なのでしょうか。そしてもちろん、パラレルコーパスとそのコーパスを活用して出てくる機械翻訳の出力とを比較すれば、質は、機械翻訳の出力のほうが落ちるわけです。今のレベルから、また一段、落ちた日本語を読まされるわけですね……(--;)

英日翻訳されたものって、日本語のコロケーションとして明らかにおかしいものから、融通無碍な日本語だから間違いではないけれど特に意図がなければ英語とは異なる語順のほうが普通でしょうと言いたくなるものとか、標準的な日本語になって欲しくないなぁと思うものが山のようにあります。それが統計ベースの機械翻訳によって拡大再生産され……標準的な日本語になってゆくんでしょうか……英語的語順・表現は浸食がかなり進んでおり、日本語で書いたり話したりにも使われるようになったものがたくさんありますものねぇ（「いくつかの～」とか）。

トシヨリノグチはさておき。

もし、河野さんが予想した状況が生まれたとして、そのとき、仕事はどうなるのでしょうか。

統計ベースの機械翻訳では対応できない種類の案件は残るでしょう。今、翻訳メモリさえもあまり使われていないようなあたりですね。

今、翻訳メモリ前提で行われている仕事は、かなりの部分が消えるのでしょう（発注量が半分になると河野さんが予想しているのは、ここが消えると考えておられるわけでしょう）。もちろん、機械翻訳のポストエディットという仕事は増えるでしょうけど、それは、翻訳とはベツモノですね。

そのとき、統計ベースを導入した機械翻訳に仕事を奪われた翻訳者はどうすればいいのでしょう。選択肢は（↓）くらいでしょうか。

• 機械翻訳のポストエディットへ移行する
• 今、翻訳メモリ前提で行われている仕事の残り半分へ移行する（単価は半分になっている？）
• 統計ベースを含めて機械翻訳では対応できない案件へ移行する
• 廃業する

翻訳が好きな人は機械翻訳のポストエディットへ移行したら耐えられないでしょうね。かといって、「残り半分」へ移行しても食べられないのではないでしょうか。今でさえも安い、安いと言われているのですから。では、機械翻訳では対応できない案件へ移行？　でも、機械翻訳で代替できるような仕事をずっとしていた人が機械翻訳で代替できない仕事に移行して求められる翻訳を出せるものなのでしょうか。「翻訳メモリは文脈の読み取り・形成に悪影響を与えるか」でも疑問を提出しましたが、そのあたり、どうなのだろうと心配になってしまいます。