Assessing AI-driven machine translation performance from English into Ukrainian using BLEU metrics for IOT product localization

Скорочена інформація про документ
dc.contributor.authorKostina Olesia Volodymyrivnaen_EN
dc.contributor.authorHorbovyi Artur Yulianovychen_EN
dc.contributor.authorКостіна Олеся Володимирівнаuk_UA
dc.contributor.authorГорбовий Артур Юліановичuk_UA
dc.date.accessioned2025-01-08T12:07:21Z
dc.date.available2025-01-08T12:07:21Z
dc.date.issued2023
dc.description.abstractThe prospect of developing machine translation of technical terms in the IT industry using artificial intelligence is quite promising. Due to the constant growth of information and the globalization of the IT industry, the need for fast and accurate translation of technical documentation is becoming increasingly important. Artificial intelligence and machine learning have already significantly improved the efficiency of machine translation in general. However, technical terms in the IT industry have their own peculiarities, such as complexity, specificity, and rapid changes. In recent years, significant progress has been made in machine translation of technical terms in the IT industry. The use of deep neural networks and the increasing amount of available data has helped to improve translation accuracy and speed. Future development prospects include continuously training models on larger and more diverse datasets, expanding the vocabulary and improving contextual understanding. It is also important to develop interactive tools that allow users to make corrections and additions to the translation so that the models can learn from this data and continuously improve. All in all, machine translation of technical terms in the IT industry using artificial intelligence has the potential for further development, and it is expected that even greater results in terms of relevance, accuracy, and translation speed will be achieved in the future. Перспектива розвитку машинного перекладу технічних термінів в ІТ-індустрії з використанням штучного інтелекту є досить перспективною. У зв'язку з постійним зростанням обсягів інформації та глобалізацією ІТ-індустрії інформації, потреба у швидкому і точному перекладі технічної документації стає все більш актуальною. Штучний інтелект і машинне навчання вже значно підвищили ефективність машинного перекладу в цілому. Однак технічні терміни в ІТ-галузі мають свої особливості, такі як складність, специфічність і швидкі зміни. За останні роки було досягнуто значного прогресу в машинному перекладі технічних термінів в ІТ-галузі. Використання глибоких нейронних мереж і збільшення використання глибоких нейронних мереж і збільшення кількості доступних даних допомогло підвищити точність і швидкість перекладу. Перспективи подальшого розвитку полягають у постійному навчанні моделей на більших і різноманітніших наборах даних, розширення словникового запасу і поліпшення контекстного розуміння контексту. Важливо також розробляти інтерактивні інструменти, які дозволять користувачам вносити виправлення та доповнення до перекладу, щоб моделі могли вчитися на цих даних і безперервно вдосконалюватися. Загалом, машинний переклад технічних термінів в ІТ-індустрії з використанням штучного інтелекту має потенціал для подальшого розвитку, і очікується, що в майбутньому будуть досягнуті ще кращі результати з точки зору релевантності, точності та швидкості перекладу будуть досягнуті в майбутньому.
dc.description.sponsorshipO. V. Kostina, https://orcid.org/0009-0008-4503-856X A. Y. Horbovyi, https://orcid.org/0000-0002-2155-3910
dc.identifier.citationKostina O. V. Assessing AI-driven machine translation performance from English into Ukrainian using BLEU metrics for IOT product localization / O. V. Kostina, A. Y. Horbovyi // Scientific practice: modern and classical research methods: Collection of scientific papers «ΛΌГOΣ» with Proceedings of the V International Scientific and Practical Conference, 22 December 2023, Boston. – Boston-Vinnytsia : Primedia eLaunch & European Scientific Platform, 2023. – P. 205–212.
dc.identifier.doihttps://doi.org/10.36074/logos-22.12.2023.055
dc.identifier.isbn978-617-8126-70-4
dc.identifier.isbn979-8-89217-817-4 (PDF)
dc.identifier.urihttps://ir.dpu.edu.ua/handle/123456789/3929
dc.language.isoen
dc.publisherBoston-Vinnytsia : Primedia eLaunch & European Scientific Platform
dc.relation.isreferencedby[1] Dzmitry Bahdanau, Kyunghyun Cho, Yoshua Bengio (2015). Neural Machine Translation by Jointly Learning to Align and Translate. Computer Science. Retrieved from https://arxiv.org/abs/1409.0473 [2] Sachin Kumar, Antonios Anastasopoulos, Shuly Wintner, Yulia Tsvetkov (2021) Machine Translation into Low-resource Language Varieties. The Joint Conference of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing. Retrieved from https://arxiv.org/pdf/2106.06797v2.pdf [3] Myroslav Konyk, Victoria Vysotska, Svitlana Goloshchuk, Roman Holoshchuk, Sofia Chyrun, Ihor Budz (2023) Technology of Ukrainian-English Machine Translation Based on Recursive Neural Network as LSTM. 7th International Conference on Computational Linguistics and Intelligent Systems. Retrieved from https://ceur-ws.org/Vol-3387/paper27.pdf [4] Nitika Mathur, Timothy Baldwin and Trevor Cohn (2020). Tangled up in BLEU: Reevaluating the Evaluation of Automatic Machine Translation Evaluation Metrics Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, pages 4984–4997. Retrieved from https://arxiv.org/pdf/2006.06264.pdf [5] Amanda Stent, Matthew Marge, and Mohit Singhai. 2005. Evaluating evaluation methods for generation in the presence of variation. In Computational Linguistics and Intelligent Text Processing, pages 341– 351, Berlin, Heidelberg. Springer Berlin Heidelberg. [6] Chris Callison-Burch, Miles Osborne, and Philipp Koehn. 2006. Re-evaluating the role of Bleu in machine translation research. In 11th Conference of the European Chapter of the Association for Computational Linguistics, Trento, Italy. Association for Computational Linguistics. [7] Papineni K., Roukos S., Ward, T., Zhu, W. J. (2002). BLEU: a method for automatic evaluation of machine translation. 40th Annual meeting of the Association for Computational Linguistics. pp. 311–318. Retrieved from https://aclanthology.org/P02-1040.pdf [8] M. Post (2018). A call for clarity in reporting bleu scores in Proceedings of the Third Conference on Machine Translation. Research Papers, Brussels. Retrieved from https://aclanthology.org/W18-6319.pdf
dc.subjecttranslation, machine translation, artificial intelligence, BLEU metricsen_EN
dc.subjectпереклад, машинний переклад, штучний інтелект, метрика BLEUuk_UA
dc.titleAssessing AI-driven machine translation performance from English into Ukrainian using BLEU metrics for IOT product localization
dc.title.alternativeОцінка машинного перекладу з технологією штучного інтелекту з англійської на українську з застосуванням метрики BLEU для локалізації продуктів IOT
dc.typeThesis
Файли
Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
theses_2023_IR _2782.pdf
Розмір:
13.68 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed to upon submission
Опис:
Завантажити
Зібрання
Тези