신경망: 기계 번역의 차세대 개척지 주도

본 글은 레이첼 휠러(Rachel Wheeler)가 작성·제출했습니다.

기계 번역 아이디어는 수십 년 전으로 거슬러 올라갑니다. 처음엔 규칙 기반 기계 번역 시스템이었습니다. 1980년대 연구자들이 통계 기반 기계 번역 개발. 21세기 기계 번역 기술의 대도약은 머신러닝과 신경망 기술에서 올 것입니다.

지난 몇 년간 이 AI 기술들 활용해 더 나은 기계 번역 제공하는 번역 기업들서 상당한 발전 봤습니다. 가장 인상적 예시들 중 일부는 구글 신경망 기계 번역(GNMT)과 마이크로소프트 신경망 번역기 같은 시스템들에서 나왔습니다.

신경망 기계 번역(NMT)이란?

기계 번역은 이미 널리 이용 가능하며 수년간 그랬습니다. 여러 인기 앱에서 기계 번역 시스템 찾을 수 있고, 기계 번역 서비스 제공 온라인 서비스들도 있습니다. 하지만 이미 이용 가능한 서비스들과 신경망 사용 위해 개발되는 시스템들 간엔 상당한 차이들 있습니다.

지금 찾을 수 있는 대부분 시스템들은 통계 기반 기계 번역. 알고리즘과 통계 모델 사용해 구절 적절 번역 추측. 짧은 구절엔 잘 작동하지만, 전자학습 번역용 디지털 교과서 전체 같은 긴 샘플 번역 요청받으면 한계 도달. 결과는 꽤 정확한 해석부터 완전 엉터리 번역까지 다양.

신경망 기계 번역은 통계 기반 기계 번역 쓰는 구형 시스템들과 매우 다른 접근법 나타냅니다. NMT 시스템에서 신경망이 번역 서비스 수행하도록 훈련·최적화됩니다.

이 시스템들은 인간 번역가들이 이미 수행한 방대한 번역들 분석해 딥러닝 사용. 이 대규모 데이터셋 분석으로 문장 전체 고려, 문맥과 다양한 변이 이해, 통계 기반 모델로 프로그래밍 불가능한 언어적 미묘함 다룸. 최종 결과: 더 유창하고 자연스러운 기계 번역 시스템.

신경망 작동 방식

기계에 학습 능력 제공 열쇠는 신경망. 인간 뇌 작동 모방하도록 설계된 컴퓨팅 기술 유형. 뇌에서 신경 경로들 학습하며 형성. 경로 유용하고 유익하면 강화. 올바른 결과 제공 못 하면 약화.

신경망 뒤 아이디어: 뇌 신경 경로들 상호연결 본질 시뮬레이션. 이 설계로 컴퓨터가 인간 뇌 비슷한 방식으로 학습, 패턴 인식, 결정 내릴 수 있음.

인공 신경망은 수십~수백만 인공 뉴런(units) 가짐으로써 이 구조 시뮬레이션. 이 유닛들은 레이어들로 배열. 한쪽에 입력 유닛들 — 정보 수신 설계. 반대쪽에 출력 유닛들 — 학습된 정보 대응 신호.

입력 유닛 레이어들과 출력 유닛 레이어들 사이에 은닉 유닛들(hidden units) 존재. 신경망 대부분 구성, 대부분 연결 형성하는 레이어들.

신경망 각 연결에 가중치(weight) 부여돼 두 유닛 간 연결 강도 표시. 가중양은 다른 유닛 흥분시키는 연결에 양수, 다른 유닛 행동 억제 연결에 음수. 가중치 높을수록 연결에서 한 유닛이 다른 유닛에 더 큰 영향.

신경망은 생성된 출력을 원하는 출력과 비교해 학습. 정보 시스템 입력단에 공급. 은닉 유닛들 연결 촉발. 출력단 연결로 이어짐. 네트워크가 실제 생성한 출력이 원하는 출력과 비교. 생성된 출력과 원하는 출력 차이 기반으로 가중치들 수정.

기계 번역에선, 신경망 구조가 시스템을 규칙·통계 기반 시스템보다 더 적응적, 더 복잡한 모델 처리 가능하게 함. 경험에서 학습도 가능. 올바른 출력 제공 못 하면 실수에서 배우고 다음에 더 효율적 수행 위해 조정.

기계 번역에 의미하는 것

신경망 기계 번역 아직 새 기술. 초기 단계지만 이미 최고 통계 기계 번역 시스템들보다 우수한 결과 제공. 그래도 숙련 인간 번역사와 경쟁하려면 갈 길 멉니다.

관련 기사: 인공지능 vs 머신러닝 vs 딥러닝

신경망 기계 번역 발전 한 회사서 오지 않을 것. 전 세계 다른 조직 연구자들의 여러 발전들 결과일 것. 기술 발전하며 NMT는 인간 번역사들 중요 도구 될 것. 복잡한 번역 수요 증가하며, 전문가들 이 시스템들 사용해 더 적은 시간에 정확한 번역 제공, 증가하는 수요 충족 도움될 것.