예시기반기계번역 (example-based machine translation)
쉽게 풀면
이미 번역되어 있는 비슷한 예문들을 찾아서 그것을 참고해 번역을 만들어내는 방식이에요.
왜 중요한가
나가오 마코토(長尾真)가 1984년 제안한 예시기반 기계번역은 인간이 유추로 번역한다는 관찰에서 출발하여, 규칙을 작성하는 대신 정렬된 번역 쌍에서 유사한 조각을 찾아 조합하는 방식으로 규칙기반의 한계를 우회했습니다. 이 접근은 데이터에서 번역 지식을 얻는다는 발상을 처음 실현하여 통계적 기계번역과 번역메모리 기술의 개념적 선구가 되었으며, 일본어-영어처럼 구조가 크게 다른 언어쌍의 번역 연구에서 특히 발전했습니다.
논문에서는 이렇게 쓰입니다
정형화된 표현이 많은 텍스트 유형에서 예시기반기계번역이 강점을 보이는 사례를 설명한다.
예시기반기계번역이 축적된 번역 사례를 활용해 자연스러운 번역을 만드는 방식을 보여줍니다.
조금 더 깊게 보면
예시기반과 통계적 기계번역의 경계는 명확하지 않으며, 통계적 방법이 확률 모델로 조각 선택을 형식화하면서 예시기반 접근은 독립 패러다임으로서는 흡수되었습니다. 예시 조각을 어떻게 분절하고 조합 경계를 어디에 둘지가 핵심 난제였고, 이 문제는 구 기반 통계 번역에서도 그대로 남았습니다. 번역메모리가 문장 단위 일치를 사람에게 제시하는 도구라면 예시기반 기계번역은 문장 이하 조각을 자동 조합한다는 점에서 구분됩니다. 예시 조각을 어떻게 분절하고 조합 경계를 어디에 둘지가 이 접근의 핵심 난제였으며, 이 문제는 이후 구 기반 통계 기계번역에서도 형태를 바꾸어 그대로 이어졌다.
주의할 점
예시기반기계번역은 데이터베이스에 없는 새로운 표현이나 구조에 대해서는 적절한 유사 사례를 찾지 못해 번역 품질이 크게 저하될 수 있다.
예시기반과 통계적 기계번역의 경계는 명확하지 않으며, 통계적 방법이 확률 모델로 조각 선택을 형식화하면서 예시기반 접근은 독립 패러다임으로서는 흡수되었다. 번역메모리가 문장 단위 일치를 사람에게 제시하는 도구라면 예시기반 기계번역은 문장 이하 조각을 자동으로 조합한다는 점에서 구분된다.