Фильтры очистки

Наиболее важные аспекты обучения МТ-движков заключаются не только в объеме, но и в качестве данных. Очистка данных является повсеместной проблемой, а ручная очистка трудоемка. Чистые данные приводят к более быстрому обучению и более качественным моделям.

Пользовательский ИИ адаптирует памяти переводов в наборы данных с помощью фильтров очистки на основе ИИ и правил. Предоставляются настройки по умолчанию, которые должны быть подходящими для новых пользователей.

Набор доступных фильтров включает как фильтры на основе правил, так и фильтры на основе машинного обучения:

Все фильтры оценивают очищенные версии сегментов; среди прочего, множественные пробелы сокращаются до одного, а теги теги удаляются.

Диапазон дат

Исключает сегменты вне установленных дат. Конечные и начальные даты включены вместе с датой последнего изменения сегмента.

Несоответствующий оригинал и перевод

Этот фильтр определяет, насколько хорошо сегменты совпадают по смыслу и семантическому сходству, удаляя наименее оцененные. Выравнивание пар предложений измеряется с использованием метрики LASER.

Искусственный интеллект (ИИ) используется для проверки того, что оригинальный и переводимый текст означают одно и то же или насколько они схожи. Рекомендуемая настройка сбрасывает 10% худших сегментов, сохраняя 90% лучших сегментов.

Расширенные настройки позволяют изменять выравнивание или могут быть фильтром на основе сырой оценки схожести, используя число от 0 до 1 (1 означает полное выравнивание). Осторожность рекомендуется при использовании сырой оценки схожести, так как каждая языковая пара имеет различное распределение оценок, и то, что считается хорошей оценкой для одной языковой пары, может быть неудовлетворительной оценкой для другой.

Как правило, сегменты ниже 0.5 не очень хороши, а сегменты, близкие к 1 или превышающие 1, являются сегментами, которые одинаковы на обоих языках.

Примеры:

Минимальное количество символов и букв

Количество символов включает все символы. Это включает все буквы, пробелы и знаки препинания и символы. Для учебных целей может быть полезно сбрасывать сегменты, которые не содержат никаких букв.

Количество букв учитывает только буквы, такие как в английском алфавите, но также более сложные символы с диакритиками или китайские символы. Один китайский символ считается одной буквой, даже если он представляет более одного символа. Для языков, основанных на символах, значения по умолчанию равны 1, но для языков, основанных на словах, значения по умолчанию равны 4 (символы) и 3 (буквы). Минимальное значение равно 1, а максимальное значение равно 500.

Если в данных сохраняется много коротких сегментов (например, аббревиатур), держите значения фильтра низкими.

Пример:

Пара предложений длины

Этот фильтр удаляет все сегменты, которые длиннее порогового значения, установленного пользователями. Причина этого фильтра заключается в том, что большинство систем NMT не будут обучаться на сегментах, которые длиннее их внутреннего порога. 

Например, внутренний порог NextMT составляет 200 токенов, что примерно равно 100 - 1,000 словам. Чтобы обучить пользовательскую систему на более коротких предложениях, установите это значение ниже стандартного.

Общее количество символов включает все символы - буквы, пробелы и знаки препинания - как из исходных, так и из целевых предложений. Учитывайте тип языка (например, китайский и английский); если исходный язык не похож на CJK, а целевой язык является CJK (или наоборот), этот фильтр будет проигнорирован.

Соотношение длины

Этот фильтр определяет сегменты, где длина значительно выше при сравнении исходного сегмента и целевого сегмента. Некоторые переводы увеличиваются или уменьшаются в длине при переводе с исходного на целевой язык. Слишком длинные или слишком короткие переводы могут указывать на низкое качество обучающих данных.

Если исходный язык не похож на CJK, а целевой язык является (или наоборот), этот фильтр будет проигнорирован.CJK

Некоторые языки более многословны, чем другие, поэтому 200% является хорошим значением по умолчанию. Если целевой язык похож на исходный язык или необходимо отфильтровать больше данных, значение может быть ниже.

Примеры:

Непереводимые элементы

Непереводимые элементы — это сегменты, где оригинал и перевод совпадают. Исключает все пары предложений, которые не подлежат переводу, где целевой текст остается неизменным по сравнению с оригиналом.

Дубликаты

Создаются группы сегментов, которые имеют одно и то же исходное предложение. Из каждой группы сохраняется только лучший сегмент, поэтому если исходное предложение сегмента уникально, оно автоматически сохраняется. В противном случае сохраняется сегмент с наивысшим баллом схожести.

Почти дубликаты

При проверке на почти дубликаты (немного более чистая версия) исходного предложения нормализуется; все не буквенные символы (некоторые примеры: “,?)!-) заменяются пробелом, а все буквы приводятся к нижнему регистру.

Используя нормализованное исходное предложение, создаются группы сегментов, которые имеют одно и то же нормализованное исходное предложение. Из каждой группы сохраняется только лучший сегмент, поэтому нормализованное исходное предложение сегмента уникально и автоматически сохраняется. В противном случае сохраняется сегмент с наивысшим баллом схожести.

Идентификация языка

Используется система ИИ для определения исходного и целевого языка на основе предложений. Сегмент удаляется только в том случае, если система распознает (исходный/целевой) язык (например, короткие предложения часто недостаточны для определения языка) и язык отличается от ожидаемого.

ОЦЕНКА КАЧЕСТВА (QPS)

Фильтр QPS удаляет пары предложений низкого качества в наборе данных, чтобы гарантировать, что полученные модели ИИ обучаются на самых качественных доступных данных. Как правило, чем выше качество обучающих данных, тем лучше работает настраиваемая модель.

Фильтр QPS можно настроить двумя способами:

Эти два варианта обеспечивают автоматизированную кураторскую работу с набором данных для соответствия целям качества пользователей.