211service.com
Skype har blivit flerspråkigt
Katrina Rippel är en noggrann talare som följer alla regler. Hao Chen är en mer frigående samtalspartner. Och jag är en oupphörlig bråkmakare, som ständigt slänger ur mig alla tankar som passerar genom mitt huvud. En ny morgon träffades vi tre i cyberrymden för att ta reda på hur bra (eller dåligt) vi kunde kommunicera på en blandning av tyska, mandarin och engelska. Var och en av oss talade bara vårt modersmål.
Vi tog på oss hörlurar och använde Skype Translator, en skapelse av Microsofts forskargrupp. (Mina chattpartners var deltidskonsulter till Microsoft, som råkade befinna sig tusentals mil bort från min bas i USA på västkusten.) När jag frågade Chen var han växte upp skrämde det mig inte att höra honom säga: 我在中国的家乡在东北,辽宁省,鞍山市. Några sekunder senare sa en vänlig syntetisk röst till mig: Min hemstad ligger i nordost i Kina, Liaoningprovinsen, Anshan.
Om bara resten av våra utbyten hade fungerat så smidigt. När Chen försökte förklara sina resor i USA, misshandlade Skype ett tvetydigt mandarinsubstantiv och berättade att han hade rest till New Yorks kader. Först när Chen försökte använda olika fraser var Skype villig att göra det till delstaten New York. När jag frågade Rippel om hennes tyska hemstad, hörde Skypes programvara, som förväntade sig att jag skulle prata engelska, inte tyska, mig säga klädd istället för Dresden. Så det skapade en skrattretande mening, där det tyska ordet bekleidet förekom istället för hennes stadsnamn.
Som sådana snubblar visar är maskinbaserad översättning av vardagligt tal inte där ännu, trots 30 års försök. Det är vårt eget fel, verkligen. Om vi talade med FN-diplomaternas klarhet och precision, skulle artificiell intelligens kunna avkoda allt enligt väletablerade mönster. Ju mer vi förlitar oss på okända ord eller syntax för att få fram våra tankar, desto svårare är det för översättningsprogram att få allt rätt utan extra hjälp.
Trots det tävlar Microsoft, Google, Baidu, Facebook, IBM och många andra om överhöghet på detta svåra område. Att erbjuda röstigenkänning och översättning av högsta kvalitet kan bli ett attraktivt telefonkort som hjälper till att låsa in kunder för många andra tjänster. Dessa sträcker sig från internetsökning till cloud computing, där datalagring och bearbetning tillhandahålls via fjärrservrar och en internetanslutning.
Globala utgifter för moln och infrastruktur toppade 115 miljarder dollar förra året och växer med 28 procent årligen, enligt Synergy Research. Realtidsöversättning kan hjälpa konkurrenternas övergripande svit av molntjänster att sticka ut i vad som annars blir en prisdriven råvaruaffär. För närvarande är de flesta översättningstjänster tillgängliga utan kostnad, men betalda alternativ kan dyka upp när globala företag söker anpassade översättningsverktyg som fungerar ännu bättre.
Microsoft, i synnerhet, undersöker hur företagsanvändare kan bygga större kapacitet ovanpå den grundläggande Skype Translator-motorn som Rippel, Chen och jag testade. Ett område av intresse: att hjälpa kunder att ladda in tusentals specialiserade termer, referensdokument, exempelkonversationer och knäppa lokaliseringar i förväg. På så sätt borde problem av Dresden-typ vara mycket mindre sannolikt att uppstå.
Översättningsprogram fungerar mycket bättre om den kan utnyttja en rejäl databas med språkmönster som vissa talare sannolikt kommer att använda, förklarar Microsofts forskningsstrategichef Vikram Dendi. Managementkonsulter kan använda termer som delta och granularitet i sammanhang som verkar otänkbara för oss andra. Industriella kemister kan skämta om mer än ett dussin olika typer av ftalater. Och inom alla stora företag är smeknamn för projekt, processer och högsta chefer oändliga.
Att erbjuda röstigenkänning och översättning av högsta kvalitet kan hjälpa till att låsa in kunder för många andra tjänster, allt från internetsökning till molnberäkning.
Sedan 2011 har Microsoft tillåtit stora kunder att ladda sina egna ordlistor eller skriftligt material i specialiserade textöversättningsdatabaser. Det är tänkt att ge mer tillförlitliga resultat än vad Microsofts grundläggande Bing-tjänst tillhandahåller, särskilt på tätt tekniskt material. Mer än 100 000 användare har valt anpassning, säger Dendi. Light-användare kan betala så lite som $40 per månad; tunga användare som Adobe och Twitter kan betala mycket mer.
Microsoft har provat ett brett utbud av strategier för att knäcka översättning sedan mitten av 1990-talet, när företagets grundare Bill Gates förutspådde att taligenkänning skulle vara allmänt tillgänglig inom 10 år. Tidiga tillvägagångssätt förlitade sig mycket på försök att katalogisera specifika regler för grammatik och användning. Från och med 2009 utökade Microsoft sin tyngdpunkt. Statistiska tekniker har parats ihop med neurala nätverk, ett maskininlärningssystem baserat på den mänskliga hjärnans struktur och självlärande natur.
För närvarande använder Microsoft fem lager av neurala nät för att analysera tal, enligt Peter Lee, chef för företagets forskningsavdelning. De lägsta lagren analyserar ljud på en nivå som är lika rudimentär som hur bildanalysprogramvara letar efter kanter och ytor, utan att göra några försök att ta reda på vad objekt kan vara. Som med många avancerade maskinintelligensmetoder finns det ett visst mysterium kring hur det fungerar, även för de inblandade forskarna. Det har inget med ord eller fonem att göra, säger Lee och syftar på de ljud som skiljer ett ord från ett annat. Jag tror inte att någon av oss förstår exakt vad bottenskiktet tittar på. Men det fungerar förvånansvärt bra.
Microsofts forskare har också i större utsträckning använt det som kallas långtidsminne. När man känner igen tal eller översätter, gör neurala nät en rad gissningar som hela tiden revideras när ny information kommer in. Ibland vacklar ett förväntat mönster plötsligt. I sådana fall kan neurala nät göra ett bättre jobb med att omgruppera om de kan återvända till de antaganden som ledde till flera ords gissningar. Att hålla ett längre spår i systemets korttidsminne gör sådan spårning och efterföljande korrigeringar möjliga.
Det tar minst 4 000 timmar av talade prover – och miljontals ord med text – för att träna Skype Translators neurala nät på varje nytt språk. Arul Menezes, chef för Microsofts maskinöversättningsteam, säger att han hade förväntat sig svårigheter i språk som arabiska, där talarnas accenter kan variera kraftigt. Men genom att samla in prover på tillräckligt många olika talares röster, säger Menezes, har det varit möjligt att utveckla Skype Translators öra för olika intonationer till den grad att regionala accenter inte är ett problem. Detsamma gäller skillnaderna mellan manliga och kvinnliga röster.
Andra varianter av dagligt tal visar sig vara knepigare. De neurala näten är utsökt känsliga för skillnader i mikrofoner. (Människor kan vara bra på att upptäcka skillnaden mellan statiskt och tal, men det är mycket svårare för maskiner att bemästra.) Pauser i tal är också problematiska. Som Menezes noterar pausar folk i allmänhet inte i slutet av en mening. De pausar någon annanstans. Pauser slutar vara värdelösa för att upptäcka när en mening börjar eller slutar. Man måste gå efter själva orden.
Att sortera rätt översättningar för tvetydiga ord är också en oändlig utmaning, erkänner Menezes. Medan han pratar tyska använder Rippel ofta ordet Sie, vilket kan betyda hon, du eller de, beroende på situationen. Skype Translator får det rätt ungefär 80 procent av tiden.
På liknande sätt snubblar Skype Translator något när Chen diskuterar familjestorlekar i Kina. Oavsett regeringens politik, säger Chen till mig, betyder den stora kostnaden för föräldraskap i Kina att många människor bara vill föda ett barn.
Några minuter senare, när vi satt i byggnad 99 på Microsofts huvudkontor, granskar Menezes och jag en utskrift av konversationen. Menezes pekar bedrövligt på barnuppfostran. Det borde vara 'ett barn', säger han. Men på kinesiska finns det ingen skillnad mellan 'ett' och 'a'. Det finns en skillnad på engelska, men det måste plockas upp helt i sitt sammanhang.
Jag tror inte att professionella översättare skakar i sina stövlar ännu för det vi gör, tillägger han med ett tunt leende. Deras jobb är säkra ett bra tag.
Rippel, en professionell översättare, är inte alls så kritisk. Så länge som användare talar långsamt och håller meningar korta, säger hon, kan automatiserade tjänster som Skype Translator göra ett användbart jobb för att övervinna språkbarriärer.
Det är väldigt viktigt att det här verktyget finns, säger hon. I nuvarande tider är det viktigare än någonsin för människor i alla samhällen att kunna prata med varandra.