CORPORA PARALLELI PER SISTEMI MT
Costruire e migliorare i sistemi di traduzione automatica con corpora paralleli di alta qualità creati dall'uomo.
Grazie alle nostre radici traduttive, abbiamo una lunga storia di creazione di corpora paralleli per i sistemi di traduzione automatica. I nostri servizi di stock, traduzione e post-editing sono stati utilizzati per addestrare alcuni dei più noti sistemi di traduzione automatica online del mondo.
Che cosa sono i corpora paralleli?
I corpora paralleli sono raccolte di traduzioni, tipicamente in due lingue, che sono allineate a livello di frasi o frasi.
I corpora paralleli sono diventati dati molto ricercati con l'avvento dei primi sistemi di traduzione automatica statistica e successivamente neurale. Sono inoltre risorse essenziali per l'addestramento di qualsiasi sistema di traduzione automatica. Sono anche risorse molto preziose per altre applicazioni di Intelligenza Artificiale (IA) che richiedono dati multilingue, come nel caso di molte discipline NLP, come Natural Language Generation (NLG).
Quanto sono importanti i corpora paralleli per l'IA?
Molti sistemi di IA richiedono dati bilingue o multilingue, come i sistemi di traduzione automatica. Questi dati devono essere altamente curati, di dominio e puliti prima della consegna. Pangeanic raccoglie dati privi di proprietà intellettuale (IP) e genera i propri dati monolingui che vengono tradotti su richiesta del cliente per costruire o mettere a punto sistemi di traduzione automatica.
I nostri corpora paralleli consentono ai sistemi di imparare come le parole e le frasi vengono tradotte tra due o più lingue e di riconoscere le sottili differenze di significato e di utilizzo che le caratterizzano.
+200 combinazioni linguistiche!
Aiutiamo a creare sistemi veramente multilingue, con corpora paralleli non solo da o in inglese, ma in coppie di lingue impegnative come cinese, giapponese, coreano, hindi, Hokkien o arabo in spagnolo, francese, tedesco, italiano, portoghese brasiliano, russo o polacco!
Confidenzialità e proprietà (diritti di PI)
Molti dei nostri clienti ordinano dal nostro stock o richiedono servizi di traduzione dai dati che hanno fornito. La reputazione di Pangeanic si basa sulla riservatezza e sulla privacy. Raccogliamo, creiamo e produciamo corpora monolingue e traduciamo parti di esso su richiesta. Molti dei nostri clienti apprezzano i dati unici che possono differenziarli da altre aziende tecnologiche e non desiderano condividere diritti o riutilizzare corpora di accesso aperto comunemente disponibili. I nostri clienti possono scegliere di avere pieni diritti sui dati, che diventano loro proprietà e Pangeanic li etichetta con un identificatore univoco, separandolo dal database generale in modo che non venga mai rivenduto.
Qualità dei dati
I corpi paralleli devono essere di alta qualità, il che significa che le traduzioni devono essere accurate e allineate a livello di frase o frase. Questo può essere difficile da raggiungere, soprattutto quando si tratta di lingue a basse risorse. Il post-editing è diventato una strategia per rafforzare lo stile da un particolare motore MT e non è estraneo a Pangeanic.
Quantità di dati
I corpi paralleli devono essere abbastanza grandi da essere utili, il che significa che devono contenere un numero sufficiente di frasi per consentire un efficace addestramento dei sistemi di traduzione automatica. Le lingue a basse risorse con un basso numero di parlanti o con una mancanza di presenza digitale (lingue africane o lingue del subcontinente indiano o del sud-est asiatico) hanno storicamente rappresentato una sfida per la raccolta di dati e Pangeanic lavora quotidianamente per costruire stock. Trovare dati specifici in domini come conversazioni o dialoghi, le questioni fiscali essendo domini "stretti" rappresenta anche una sfida.
Diversità dei dati
I corpi paralleli devono essere abbastanza diversi da catturare l'intera gamma di variazioni e sfumature nelle lingue studiate. Questo può rappresentare una sfida, soprattutto quando si lavora con lingue come l'arabo o il tedesco (dall'Austria, dalla Germania, dalla Svizzera) o lo spagnolo che hanno più dialetti o variazioni regionali.
State costruendo o perfezionando il vostro sistema di traduzione automatica?
Avete un set di dati che necessita di un'attenta traduzione umana specializzata, in modo che diventi parte dei vostri dati di addestramento?
Le lingue si evolvono e l'intelligenza artificiale continua a avanzare
I nostri team di raccolta dei corpora sono impegnati a raccogliere nuove parole, nuove espressioni create da nuove circostanze come il covid-19, il lavoro a distanza o lo staycation, in molte lingue per alimentare la domanda di corpora paralleli di alta qualità e di aggiornamenti dei motori di traduzione automatica.
