Проєктування сервісу машинного перекладу змінних даних

2025;
: cc. 155 - 162
Автори:
1
Національний університет «Львівська політехніка», Інститут поліграфії та медійних технологій

Показано, що зростання обсягів багатомовної комунікації в поліграфічних та освітніх середовищах супроводжується переходом від цілісних документів до структурованих наборів сегментів із змінними даними. Виявлено, що типові веб­ сервіси машинного перекладу обробляють такі сегменти як звичайний текст, що призводить до руйнування маркерів персоналізації та ускладнює повторне використання перекладів. Сформульовано потребу проєктування сервісу машинного перекладу змінних даних як окремого мовного шару, орієнтованого на роботу з множиною сегментів Sᵢ = {sij}, де кожен сегмент описується контентним ключем, мовними атрибутами та ознаками належності до змінних даних. Побудовано структуру інтеграції сервісу, що забезпечує приймання пакетів сегментів від систем керування контентом і повернення результатів у тій самій структурі. Описано реалізацію цільових REST ­інтерфейсів для обробки одиничних та пакетних запитів. Наведено результати апробації прототипу у виробничих потужностях Видавничого дому «УкрПол», які підтверджують доцільність сегментного підхо­ду в задачах автоматизованої підготовки персоналізованого контенту.

  1. Хорошун О. О. Машинний переклад: історичний огляд. Нова філологія. 2021. № 82. С. 333–337. DOI: 10.26661/2414-1135-2021-82-53.
  2. Любимова С. А. Проблеми автоматизованого перекладу: конспект лекцій для здобувачів вищої освіти за другим (магістерським) рівнем. Одеса: ДУ «Університет Ушинського», 2024. 49 с.
  3. Моісєєва Н., Дзикович О., Штанько А. Машинний переклад: порівняння результатів та аналіз помилок DeepL та Google Translate. Advanced Linguistics. 2023. № 11. С. 78–82. DOI: 10.20535/2617-5339.2023.11.277593.
  4. Подвойська О., Козоріз І., Машинний переклад за допомогою інтернет ресурсів. Моло- дий вчений. 2024. № 4 (128). С. 68–71. DOI: 10.32839/2304-5809/2024-4-128-10.
  5. Vaswani A., Shazeer N., Parmar N. et al. Attention Is All You Need. In: Advances in Neural Information Processing Systems. 2017. P. 5998–6008. DOI: 10.48550/arXiv.1706.03762.
  6. Sutskever I., Vinyals O., Le Q. V. Sequence to Sequence Learning with Neural Networks. In: Advances in Neural Information Processing Systems. 2014. P. 3104–3112. DOI: 10.48550/ arXiv.1409.3215.
  7. Tiedemann J., Thottingal S. OPUS-MT — Building Open Translation Services for Low- Resource Languages. In: Proc. of the 22nd Annual Conf. of the European Association for Machine Translation. Lisbon, 2020. P. 479–480.
  8. Koehn P. Neural Machine Translation. Cambridge: Cambridge University Press, 2020. 406 p. DOI: 10.1017/9781108608480.
  9. Malets I. Review of Machine Translation Quality Assessment Methods for Personalized Con- tent Preparation. Youth Science: Innovation and Global Challenges, № 2, 2025.
  10. Поліграфічне обладнання УкрПол. URL: ukrpol.ua/obladnannia.