JwumaKutafuta data ya lugha yenye rasilimali chache, na kwa nini haiwezi kupunguzwa
· 2 dakika za kusoma · languages, specification
Tafsiri hii imetengenezwa na mashine na haijakaguliwa na mzungumzaji wa asili. Panapokuwa na utata, toleo la Kiingereza ndilo halisi. Tuambie kama kuna kosa nasi tutalirekebisha. English
Rasilimali chache inamaanisha data inayoweza kutumika ni chache, si idadi ya wasemaji. Uchakataji haupati chochote, tafsiri inazalisha maandishi yaliyotafsiriwa badala ya matumizi ya asili, na uzalishaji wa bandia unahitaji mfano tayari unaoelewa lugha hiyo. Njia pekee ni wasemaji asilia kuzalisha nyenzo mpya, ambayo inafanya kutafuta ndani ya eneo kuwa kizuizi kikuu.
Kwa ufupi
- Rasilimali chache inahusu upatikanaji wa data, si idadi ya wasemaji.
- Korpus iliyotafsiriwa inafundisha rejista iliyotafsiriwa, si matumizi ya asili.
- Uzalishaji wa bandia ni mzunguko kwa lugha ambazo mfano unashughulikia vibaya.
- Kutafuta kunategemea uwepo wa kimwili katika jamii ya lugha.
- Corpshore inashughulikia lugha zikiwemo Twi, Karakalpak na Wayuu.
Unapanga jambo kama hili?
Tunapendelea kuzungumzia tatizo kuliko kutoa bei kwa wingi.
Tazama uwezo wetuKwa nini uchakataji unashindwa hapa?
Kwa sababu nyenzo hazipo mtandaoni kwa wingi unaoweza kutumika. Hiyo ndiyo inafanya lugha kuwa na rasilimali chache mwanzoni. Kuchakata zaidi hakutengenezi maandishi ambayo hayakuandikwa.
Kile ambacho uchakataji hupata mara nyingi ni tafsiri za kidini, matangazo ya serikali na habari, ambayo ni rejista nyembamba na rasmi inayofundisha mfumo usioweza kushughulikia mazungumzo.
Kwa nini tafsiri inashindwa?
Kwa sababu korpus ya sentensi za Kiingereza zilizotafsiriwa katika lugha lengwa inafundisha mfano rejista iliyotafsiriwa. Wasemaji asilia hawazungumzi hivyo, na tofauti inaonekana mara moja katika matumizi halisi.
Pia inaingiza usambazaji wa mada wa lugha chanzo, hivyo mfumo unaotokana ni fasaha kuhusu mada ambazo korpus chanzo ilifunika na hauelewi mada zinazohitajika ndani ya nchi.
Kwa nini uzalishaji wa bandia ni mzunguko?
Kwa sababu kuzalisha data ya mafunzo inayoweza kutumika kwa lugha kunahitaji mfano tayari unaoelewa lugha hiyo. Ikiwa ungekuwa na hiyo, usingehitaji data.
Uongezaji wa bandia una matumizi halisi mara tu unapokuwa na korpus ya mbegu ya kweli. Haiwezi kuunda moja.
Nini kinachohitajika katika kutafuta?
Wasemaji asilia kuzalisha nyenzo mpya, ambayo inamaanisha kuajiri katika jamii ya lugha badala ya mtandaoni kwa ujumla. Kwa lugha nyingi zenye rasilimali chache idadi ya wasemaji imejikita kijiografia, hivyo hii ni tatizo la uwepo wa kimwili kabla ya kuwa tatizo la jukwaa.
Tegemea ratiba kuakisi hilo. Lugha isiyo na korpus iliyopo na idadi ya wasemaji iliyotawanyika ni zoezi la kutafuta la miezi mingi, na mtoa huduma yeyote anayenukuu vinginevyo ama anatoa kandarasi ndogo kwa tafsiri au hajafahamu ombi.
- Kuajiri ndani ya jamii ya lugha
- Uzalishaji asilia, si tafsiri
- Ratiba halisi za uundaji wa korpus kutoka sifuri
- Rejista na ufunikaji wa mada zilizobainishwa wazi
Maswali mengine
Lugha yenye rasilimali chache ni nini katika ujifunzaji wa mashine?
Lugha yenye data kidogo ya kidijitali inayoweza kutumika kwa mafunzo, bila kujali idadi ya wasemaji. Baadhi ya lugha zenye mamilioni ya wasemaji zina rasilimali chache.
Je, naweza kutumia maandishi yaliyotafsiriwa kufundisha mfano wa lugha yenye rasilimali chache?
Inafundisha rejista iliyotafsiriwa badala ya matumizi ya asili, na inaingiza usambazaji wa mada wa korpus chanzo. Tofauti inaonekana mara moja na watumiaji halisi.
Je, data ya bandia inaweza kutatua mapungufu ya lugha yenye rasilimali chache?
Sio kutoka sifuri. Kuzalisha data inayoweza kutumika kunahitaji mfano tayari unaoelewa lugha hiyo, ambayo ni mzunguko. Uongezaji wa bandia ni muhimu tu mara tu unapokuwa na korpus ya mbegu ya kweli.