تفاوت ترجمه ماشینی و ترجمه با هوش مصنوعی چیست؟

این روزها خیلی از ما برای ترجمهٔ متن‌های خود به سرعت به سراغ ابزارهای آنلاین می‌رویم؛ گاهی گوگل ترنسلیت یا دیپ‌ال را انتخاب می‌کنیم و گاهی هم از چت‌جی‌پی‌تی و جمینای کمک می‌گیریم. در نگاه اول شاید به نظر برسد که همهٔ این‌ها یک کار را انجام می‌دهند و تفاوتی با یکدیگر ندارند، اما ماجرا کمی پیچیده‌تر از این حرف‌هاست. آنچه امروز به عنوان «ترجمهٔ ماشینی» می‌شناسیم با آنچه «ترجمه با هوش مصنوعی» نامیده می‌شود، هرچند در ظاهر شبیه به هم هستند، اما از نظر فنی مسیرهای متفاوتی را طی کرده‌اند. در این مقاله می‌خواهیم با نگاهی دقیق اما خودمانی بررسی کنیم که این دو روش چه فرقی با هم دارند و در چه موقعیت‌هایی بهتر است سراغ کدام یک برویم.

دو مسیر متفاوت برای ترجمه ماشینی و ترجمه با هوش مصنوعی

برای اینکه دقیق‌تر ببینیم این دو چه تفاوتی با هم دارند، بد نیست نگاهی به شیوهٔ ساخت، معماری و توانایی‌هایشان بیندازیم. ترجمهٔ ماشینی سنتی در عصر حاضر عمدتاً به «ترجمهٔ ماشینی عصبی» (NMT) اشاره دارد که سیستم‌هایی مانند  DeepL  و Google Translate نمایندگان آن هستند. این سیستم‌ها معمولاً از یک ساختار دوگانهٔ «رمزگذار-رمزگشا» استفاده می‌کنند؛ بخش رمزگذار متن ورودی را می‌خواند و درک می‌کند و بخش رمزگشا آن را به زبان مقصد بازمی‌گرداند. این مدل‌ها با حجم عظیمی از متن‌های دو یا چندزبانه آموزش دیده‌اند؛ یعنی جمله‌هایی که ترجمهٔ انسانی آنها دقیقاً روبه‌رویشان قرار گرفته است. آنها از ابتدا برای یک هدف مشخص ساخته شده‌اند: ترجمهٔ مستقیم و دقیق. نتیجهٔ این تخصص‌گرایی، سرعت بالاتر، هزینهٔ کمتر و استفادهٔ بهینه‌تر از منابع کامپیوتری است. همچنین خروجی این سیستم‌ها بسیار قابل‌پیش‌بینی است و اگر یک متن یکسان را چند بار به آنها بدهید، هر بار همان ترجمهٔ قبلی را تحویل می‌گیرید.

در سوی دیگر، ترجمه با هوش مصنوعی مولد (LLM) مثل ChatGPT، Claude  و Gemini را داریم. معماری این مدل‌ها با NMT تفاوت دارد و برخلاف آنها، از یک ساختار مبتنی بر «فقط-رمزگشا» استفاده می‌کنند. به زبان ساده، آنها رمزگذار جداگانه‌ای ندارند و کل فرایند درک و تولید متن را در یک جریان پیوسته انجام می‌دهند. شیوهٔ آموزش آنها هم کاملاً متفاوت است؛ آنها بیشتر روی کوهی از متن‌های تک‌زبانه (نه جفت‌های ترجمه‌شده) پرورش پیدا کرده‌اند. همین موضوع باعث شده است که زبان‌های پرمنبعی مثل انگلیسی سهم بسیار بیشتری در دانش آنها داشته باشند و یک «شکاف زبانی دیجیتال» به وجود بیاید که گاهی به ضرر زبان‌های دیگر تمام می‌شود. اما بزرگ‌ترین برگ برندهٔ این مدل‌ها، پنجرهٔ زمینه‌ای بسیار بزرگ‌تر آنهاست. یعنی می‌توانند ارتباط بین جمله‌ها را در طول یک پاراگراف یا حتی چند صفحه حفظ کنند و ترجمه‌ای با پیوستگی و یکدستی بهتر ارائه دهند، در حالی که مترجم‌های عصبی سنتی معمولاً جمله‌به‌جمله کار می‌کنند. علاوه بر این، شما می‌توانید با دادن دستورهای تعاملی، لحن و سبک ترجمه را دقیقاً مطابق میل خود تنظیم کنید؛ مثلاً بگویید «این متن را رسمی‌تر کن» یا «مثل یک مترجم ادبی ترجمه کن» و مدل هم مطابق خواستهٔ شما رفتار کند.

این تفاوت‌ها نشان می‌دهد که هر کدام از این دو مسیر، بسته به نیاز ما می‌توانند انتخاب درست یا نادرستی باشند. اگر به دنبال سرعت بالا، هزینهٔ کم و خروجی ثابت و قابل‌پیش‌بینی برای متون رسمی یا فنی هستید، ترجمهٔ ماشینی عصبی همچنان بهترین گزینه است. اما اگر کار شما نیازمند خلاقیت، انسجام در متون بلند و امکان تنظیم لحن و سبک به صورت تعاملی است، مدل‌های زبانی بزرگ انتخاب مناسب‌تری خواهند بود. نکتهٔ مهم این است که با وجود پیشرفت‌های چشمگیر هوش مصنوعی، مترجم‌های ماشینی هنوز هم میدان را ترک نکرده‌اند و در بسیاری از کاربردهای روزمره، همچنان ستون فقرات صنعت ترجمه محسوب می‌شوند. شناخت درست این دو ابزار به شما کمک می‌کند تا در هر موقعیت، آگاهانه‌ترین تصمیم را بگیرید و بهترین نتیجه را از ترجمهٔ خود دریافت کنید.

اگر روزی برای ترجمهٔ دقیق متون تخصصی، ویرایش حرفه‌ای نوشته‌هایتان یا حتی سابمیت مقاله در نشریه‌های معتبر به یک همراه مطمئن نیاز داشتید، صمیمانه و صادقانه کنارتان هستیم. می‌توانید از طریق راه‌های ارتباطی با ما در میان بگذارید (tarjomani.com) تا با دقت و حوصله، مسیر رسیدن به متن دلخواهتان را هموار کنیم.

منبع این محتوا، کتاب APPLYING ARTIFICIAL INTELLIGENCE IN TRANSLATION   است.