Plataforma de traducción automática neuronal híbrida

PANGEANIC ha presentado una propuesta de desarrollo tecnológico que ha sido aprobada por el Centro de Desarrollo Tecnológico Industrial (CDTI) en forma de su proyecto “PLATAFORMA DE TRADUCCIÓN AUTOMÁTICA NEURONAL” (en inglés “HYBRID NEURAL MACHINE TRANSLATION PLATFORM” ). CDTI y la Unión Europea aportan apoyo financiero a través del Programa Operativo de Crecimiento Inteligente al tratarse de un colaboración con el PRHLT de la Universitat Politècnica de València. El objetivo general de la plataforma de traducción automática neuronal híbrida es la concepción y creación de software avanzado basado en redes neuronales para los procesos de traducción automática mediante el desarrollo de técnicas de hibridación. Este uso supone el desarrollo y aplicación de técnicas de inteligencia artificial que proporcionarán valor añadido tanto a usuarios profesionales como a clientes finales que necesiten procesar Big Data en idiomas y traducirlo rápida y eficientemente. Objetivos técnicos.

Desarrollo de técnicas de hibridación con núcleos de redes neuronales y el traductor estadístico Moses.
Desarrollo de APIs capaces de utilizar diferentes núcleos neuronales o hibridados para traducir, así como la incorporación de núcleos nuevos en un futuro.
Desarrollo de APIs de gestión que permitan seleccionar inteligentemente diferentes preprocesos, postprocesos y scripts de traducción con un alto grado de autonomía según necesidades.
Desarrollo de procesos optimizados de entrenamiento y reentrenamiento de los motores de traducción neuronal, manteniéndose las opciones de hibridación de las tecnologías de traducción neuronal y traducción estadística según parámetros o de modo inteligente.
Desarrollo de motores de traducción con personalización automatizada de acuerdo con las necesidades de estilo y terminología propia de cada cliente (entrenamiento adaptativo) en instancias separadas.
Desarrollo de modelos que permitan la creación de motores de traducción sin necesidad de amplios conocimientos de procesamiento natural del lenguaje.
Optimización de los motores de traducción en base a métricas.

Nº EXPEDIENTE: IDI-20170964 PRESUPUESTO APROBADO: 348.705 € Lugar de ejecución del proyecto: Valencia, Comunidad Valenciana. Plazo de ejecución del proyecto: 01/08/2017 - 31/08/2019. FINANCIACIÓN CONCEDIDA: AYUDA PARCIALMENTE REEMBOLSABLE DEL 85% SOBRE EL PRESUPUESTO.

¿Qué es una Red Neural Artificial?

En resumen, una Red Neural Artificial (ANN por sus siglas en inglés) es un paradigma que procesa la información de una manera que nos haría pensar en nuestros propios sistemas nerviosos biológicos (con centros de decisión interconectados participando y sopesando una decisión). El elemento clave de este paradigma (y no es nuevo) es la estructura del sistema de procesamiento de la información, que en el caso de los seres humanos está compuesto por un gran número de elementos de procesamiento altamente interconectados que llamamos neuronas. Recordemos que no sólo los seres humanos son capaces de tomar una decisión. Muchos mamíferos también pueden, basados en la intuición, la experiencia y el "algo" que típicamente no llegamos a entender, pero que llamamos "una especie de inteligencia". Las neuronas trabajan al unísono para resolver un problema específico. Las Redes Neurales Artificiales aprenden por medio de ejemplos, como nosotros. Y para ello necesitan ejemplos o "muestras", es decir, datos, cantidades masivas de datos. Una red neuronal se puede configurar para aprender muchas cosas, no sólo patrones bilingües entre dos idiomas (dos sistemas). También se puede utilizar para cualquier tipo de reconocimiento de patrones (como escritura a mano) o clasificación de datos (imágenes, objetos, formas, etc.). Una red neuronal requiere un proceso de aprendizaje, después del cual puede crear representaciones bastante precisas de las consultas. Tomando el ejemplo humano (o mamífero), un sistema biológico requiere ajustes a las conexiones sinápticas que existen entre las neuronas - y esto también sucede en redes artificiales.