Parallel Global Voices vol. 2: Multilingual corpora update and a performance analysis of modern translation frameworks on English-Greek

Η ανάπτυξη συστημάτων Μηχανικής Μετάφρασης (ΜΜ) παραμένει θεμελιωδώς εξαρτημένη από τη διαθεσιμότητα παράλληλων δεδομένων εκπαίδευσης υψηλής ποιότητας. Η παρούσα εργασία αντιμετωπίζει την ανάγκη για σύγχρονους πόρους μεταφρασμένους από ανθρώπους, παρουσιάζοντας το Parallel Global Voices vol. 2 (PGVv2), μια σημαντική ενημέρωση και επέκταση του αρχικού συνόλου σωμάτων κειμένων Parallel Global Voices που κυκλοφόρησε το 2016. Μέσω της συστηματικής συλλογής δεδομένων από την πλατφόρμα Global Voices έως και τον Αύγουστο του 2025, η έρευνα αυτή παρέχει 8.4 εκατομμύρια στοιχίσεις προτάσεων για διάφορους συνδυασμούς μεταξύ 52 γλωσσών. Σε αντίθεση με τα σύνολα δεδομένων μαζικής συλλογής από τον ιστό, τα νέα σώματα κειμένων δίνουν προτεραιότητα στην προέλευση των πηγών και τη γλωσσική φυσικότητα, προσφέροντας μεταφράσεις παραχθείσες ρητά από ανθρώπους που αποτυπώνουν την υφολογική και διαλεκτική ποικιλομορφία, η οποία είναι απαραίτητη για την αξιολόγηση συστημάτων ΜΜ. Η δεύτερη βασική συμβολή αυτής της εργασίας είναι η εμπειρική αξιολόγηση τριών διαφορετικών αρχιτεκτονικών παραδειγμάτων στο γλωσσικό ζεύγος Αγγλικά-Ελληνικά: εξειδικευμένo συστήματα κωδικοποιητή-αποκωδικοποιητή (NLLB), Μεγάλο Γλωσσικό Μοντέλο με αποκωδικοποιητή μόνο (Llama-Krikri), και μια υβριδική προσαρμογή κωδικοποιητή-αποκωδικοποιητή βασισμένη σε προεκπαιδευμένο LLM μοντέλο με αποκωδικοποιητή μόνο (T5Gemma 2). Η ελληνική γλώσσα παρουσιάζει ιδιαίτερες προκλήσεις για τη ΜΜ λόγω της πλούσιας μορφολογίας, του μη λατινικού συστήματος γραφής και της γενετικής της απομόνωσης, η οποία περιορίζει τις τυπικές ευκαιρίες μεταφοράς μάθησης. Για την αντιμετώπιση αυτού του ζητήματος, η μελέτη εξετάζει ένα σχήμα πολυδιεργασιακής προσαρμογής παραμέτρων (multitask fine-tuning), αξιοποιώντας τη μορφοσυντακτική συγγένεια μεταξύ Ρωσικών και Ελληνικών, και την συγκρίνει με τα αποτελέσματα της εξειδικευμένης προσαρμογής παραμέτρων (domain-specific fine-tuning). Τα πειραματικά αποτελέσματα καταδεικνύουν ένα αξιοσημείωτο ανώτατο όριο απόδοσης (performance ceiling) τόσο για τις εξειδικευμένες όσο και για τις παραγωγικές αρχιτεκτονικές εντός του πεδίου του PGVv2. Στη μονογλωσσική προσαρμογή παραμέτρων το μοντέλο NLLB-600M πέτυχε στατιστική ισοτιμία με το μοντέλο Llama-Krikri-8B φτάνοντας σε βαθμολογίες BLEU 50,46 και 50,21 αντίστοιχα. Αυτό υποδηλώνει ότι οι εξειδικευμένες, μικρότερες αρχιτεκτονικές μπορούν να αντιστοιχίσουν την πιστότητα πολύ μεγαλύτερων μοντέλων LLM, προσφέροντας ταυτόχρονα δεκαπλάσια μείωση στον χρόνο απόκρισης (latency) κατά τη διαδικασία της πρόβλεψης στο επίπεδο μετάφρασης μεμονωμένων προτάσεων. Ενώ NLLB και Llama-Krikri μοντέλα μετά από την προσαρμογή παραμέτρων επέδειξαν σταθερότητα, το μοντέλο T5Gemma 2 παρουσίασε αστάθεια, απαιτώντας την εφαρμογή συγκεκριμένων περιορισμών κατά την αποκωδικοποίηση για τον περιορισμό της εκτενής παραγωγής λόγου και τη διασφάλιση της δομικής ευθυγράμμισης με τις προτάσεις της γλώσσας-στόχου. Επιπλέον, τα πολυδιεργασιακά πειράματα επιβεβαιώνουν ότι η ενσωμάτωση βοηθητικών ρωσικών στοιχίσεων βελτιώνει την απόδοση των μοντέλων, υποκαθιστώντας ενδεχομένως την έλλειψη δεδομένων στο ζεύγος-στόχο μέσω της ενδυνάμωσης κοινών γραμματικών κατηγοριών. Ωστόσο, απαιτείται μελλοντική έρευνα για την ποιοτική αξιολόγηση των αποτελεσμάτων και για να επιβεβαιωθεί ότι οι βελτιώσεις αυτές αποδίδονται ειδικά στη μορφοσυντακτική συγγένεια της ρωσικής γλώσσας και όχι απλώς στη γενικότερη αύξηση του όγκου των δεδομένων εκπαίδευσης. Τα ευρήματα υπογραμμίζουν την αποδοτικότητα παραμέτρων των μοντέλων που είναι προσανατολισμένα σε συγκεκριμένες εργασίες, αποδεικνύοντας ότι η στρατηγική διαγλωσσική μεταφορά μπορεί να μετριάσει τις προκλήσεις της έλλειψης δεδομένων, ενώ οι μικρότερες αρχιτεκτονικές μετά απο την προσαρμογή παραμέτρων μπορούν να ανταγωνιστούν αποτελεσματικά τα πολύ μεγαλύτερα παραγωγικά συστήματα σε εφαρμογές εξειδικευμένου πεδίου.

Author dc:creator

• Alafuzova Elena

• Θετικές Επιστήμες
• Science

Language dc:language

English

Identifier

uoadl:5359711

OAI identifier oai:identifier

oai:lib.uoa.gr:uoadl:5359711