신경망기계번역 (neural machine translation)
쉽게 풀면
인공지능 신경망을 이용해서 문장 전체의 맥락을 고려하며 번역하는, 요즘 가장 많이 쓰이는 기계번역 방식이에요.
왜 중요한가
2014년 서츠케버(Sutskever) 등의 시퀀스-투-시퀀스 모델과 바다나우(Bahdanau) 등의 어텐션 메커니즘, 2017년 트랜스포머 구조로 이어진 신경망 기계번역은 유창성에서 통계적 기계번역을 급격히 앞서 2016년 이후 구글·DeepL 등 상용 시스템의 표준이 되었고, 번역 산업에서 포스트에디팅 작업 방식의 전면 확산과 번역료 구조 변화를 촉발했습니다. 번역학에서는 신경망 번역 출력의 오류 유형(생략, 환각, 의미 왜곡)이 통계적 번역과 어떻게 다른지, 그리고 유창한 오류가 검토를 어렵게 하는 문제가 연구됩니다.
논문에서는 이렇게 쓰입니다
어텐션 메커니즘이 신경망기계번역의 자연스러움 향상에 기여하는 원리를 설명한다.
신경망기계번역은 어텐션 메커니즘을 통해 문장의 각 부분에 선택적으로 집중함으로써 긴 문장에서도 문맥을 놓치지 않고 번역할 수 있다는 의미예요.
조금 더 깊게 보면
신경망 번역의 유창성 향상은 정확성 향상과 비례하지 않으며, 문법적으로 완벽하나 의미가 틀린 출력이 늘어 검토자가 오류를 놓치기 쉬워졌다는 점이 반복 보고됩니다. 문장 단위 처리로 문서 층위의 일관성(대명사 지시, 용어 통일)을 놓치는 문제가 문서 수준 번역 연구를 낳았고, 학습 데이터가 적은 저자원 언어와 특정 도메인에서 성능이 급락합니다. 대규모 언어 모델 기반 번역이 등장하면서 신경망 기계번역이라는 범주 자체가 재정의되고 있습니다. 신경망 번역은 문장 단위로 처리되는 경우가 많아 대명사 지시나 용어 통일 같은 문서 층위의 일관성을 놓치는 문제가 있으며, 이는 문서 수준 번역 연구가 별도로 발전하게 된 배경이다.
주의할 점
신경망기계번역은 유창성이 높아 오역을 발견하기 어려운 경우가 있어, 오히려 사후편집 과정에서 오류를 놓칠 위험이 커질 수 있다는 점에 유의해야 한다.