[논문 리뷰] Integrating Artificial and Human Intelligence for Efficient Translation

Nico Herbig, Santanu Pal외 2명|arXiv (Cornell University)|2019. 03. 07.

Natural Language Processing Techniques참고 문헌 10인용 수 6

한 줄 요약

이 논문은 기계 번역(MT), 번역 기억장치(TM), 그리고 인공지능 기반 도구를 활용하여 번역 후처리 효율성과 품질을 햖스리기 위해 인공지능과 인간 지능을 통합하는 프레임워크를 제안한다. 상호보완적인 AI 지원 도구—예를 들어 품질 평가, 상호작용형 MT, 적응형 모델—의 활용이 인지 부하를 감소시키고 일관성을 향상시키며 최대 36%까지 생산성을 높일 수 있음을 입증한다. 이는 인간 번역자가 오류와 편향을 더 효과적으로 수정할 수 있도록 한다.

ABSTRACT

Current advances in machine translation increase the need for translators to switch from traditional translation to post-editing of machine-translated text, a process that saves time and improves quality. Human and artificial intelligence need to be integrated in an efficient way to leverage the advantages of both for the translation task. This paper outlines approaches at this boundary of AI and HCI and discusses open research questions to further advance the field.

연구 동기 및 목표

• 후처리 과정에서 인공지능과 인간 지능을 통합함으로써 증가하는 번역 워크플로우의 효율성 요구에 부응하기 위해.
• 기계 번역된 텍스트를 수정할 때 번역자가 겪는 인지 부하와 반복적 노동을 줄이기 위해.
• 기계 번역(MT), 번역 기억장치(TM), 그리고 컴퓨터 지원 번역(CAT) 환경에서의 AI 보조 도구를 융합함으로써 번역 품질과 생산성을 향상시키기 위해.
• 인간의 신체적 특성과 행동이 더 사용자 친화적이고 적응형 번역 인터페이스 설계에 어떻게 기여할 수 있는지 탐구하기 위해.
• 기계 번역 출력물에서 사회적 편향을 탐지하고 수정할 수 있는 도구를 개발하기 위해.

제안 방법

• 후처리를 위한 초도 번역 제안을 생성하기 위해 기계 번역(MT) 및 번역 기억장치(TM) 시스템을 사용한다.
• 기준 번역 없이 번역 품질을 예측할 수 있는 품질 평가(QE) 도구를 활용하여 오류 탐지를 지원한다.
• 사용자의 점진적 편집에 따라 동적으로 다른 번역 옵션을 제안하는 상호작용형 기계 번역(IMT)을 도입한다.
• 기본 MT 시스템을 재학습하지 않고도 인간의 수정 사항에서 학습하는 경량의 두 번째 단계 모델을 학습하기 위해 자동 후처리(APE)를 적용한다.
• 후처리 작업 중 인지 부하를 추정하기 위해 신체적 측정치(예: 시선, 심박수, 피부 전도도)를 통합한다.
• 오류 식별 및 번역 적응을 지원하기 위해 색상 코딩과 변경 트리와 같은 시각화 기법을 개발한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 인공지능과 인간 지능을 효과적으로 융합하여 후처리 워크플로우에서 번역 효율성과 품질을 향상시킬 수 있는가?
• RQ2 기계 번역된 텍스트의 오류를 탐지하고 수정하는 데 있어 인간 번역자가 가장 효과적으로 활용할 수 있는 AI 기반 도구는 무엇인가?
• RQ3 상호작용형 MT 시스템은 인간의 편집 행동을 실시간으로 어떻게 적응시켜 인지 부하를 줄일 수 있는가?
• RQ4 후처리 과정 중 발생하는 생리적 신호는 더 적응형이고 사용자 友好的한 번역 인터페이스 설계에 어떻게 기여할 수 있는가?
• RQ5 기계 번역 출력물에서 사회적 편향(예: 성별 편향)을 탐지하고 수정할 수 있는 도구는 어떻게 개발할 수 있는가?

주요 결과

• 기존 번역 방법에 비해 후처리를 통해 번역 생산성을 최대 36%까지 높일 수 있다.
• 번역자가 기계 번역 결과를 수정하는 방식을 처음부터 번역하는 것보다 선호한다는 점에서, MT 품질에 대한 사용자 인식의 변화가 나타난다.
• 자동 후처리(APE)는 기본 MT 시스템을 재학습하지 않고도 인간의 수정 사항에 따라 MT 시스템을 점진적으로 적응시킬 수 있게 해주며, 이는 모델의 강건성을 향상시킨다.
• 후처리 과정에서 시선 추적과 피부 전도도와 같은 생리적 신호를 통해 인지 부하를 추정할 수 있으며, 이를 통해 실시간 인터페이스 적응이 가능하다.
• 품질 평가, 정렬 시각화, 일관성 검사기와 같은 AI 도구는 오류 탐지 시간을 크게 단축시키고 번역 일관성을 향상시킨다.
• 성별 편향과 같은 사회적 편향의 확산을 방지하기 위해 편향 탐지 도구가 필수적이다. 특히 터키어처럼 성별 중립적인 원천 언어에서 이러한 편향은 특히 위험할 수 있다.