G検定対策！「ニューラル機械翻訳」がわかる学習ノート

G検定学習ノート：機械翻訳の進化とニューラル機械翻訳

1. 機械翻訳とは？

私たちが普段使う翻訳サイトやアプリのように、「人が翻訳せず、コンピューターが自動で翻訳すること」を指します。この「頭脳」の仕組みは、時代とともに大きく進化してきました。

2. 【第1世代】ルールベース機械翻訳 (RBMT)

• 仕組み（たとえ）:
  「巨大な辞書」と「巨大な文法ルールブック」を、人間が手作業ですべてプログラムした「ガチガチ頭のロボット」。
• 翻訳の仕方:
  1. 単語を辞書で置き換える。（例: cats = 猫, dogs = 犬）
  2. 文法ルールに従って並び替える。（例: 英語のSVOを日本語のSOVに）
• 弱点:
  ルールにない表現（慣用句、スラング、例外）は全く理解できません。
  > 例: It's raining cats and dogs. → 「猫と犬が降っています」

3. 【第2世代】統計的機械翻訳 (SMT)

• 仕組み（たとえ）:
  人間が作った「完璧な翻訳文のペア（実績データ）」を何億文も読み込んだ「統計の専門家」。
• 翻訳の仕方:
  ルールではなく「確率」で翻訳します。「この英語のフレーズは、過去のデータ上、この日本語のフレーズに置き換わる確率が99%」という計算をします。
• 強み:
  人間が教えなくても、データ（実績）さえあれば慣用句も正しく訳せるようになりました。
  > 例: It's raining cats and dogs. → （「土砂降り」と訳された実績が多ければ）「土砂降りです」
• 弱点:
  1. データ依存: 学習データにない口語やスラングは訳せません。
  2. 意訳が苦手: 翻訳の仕方が人によってバラける「意訳」は、統計上の確率が低くなり、採用されにくいため。
  3. 限界: あくまで「単語やフレーズの置き換え」であり、「文全体の意味」は理解していません。

4. 【第3世代】ニューラル機械翻訳 (NMT)

• 仕組み（たとえ）:
  ニューラルネットワーク（AIの脳）を使い、原文の「意味」を丸ごと理解してからゼロから「作文」する「同時通訳者」。
• 強み:
  文脈やニュアンスを汲み取った、自然で流暢な「意訳」が劇的に得意になりました。
• 翻訳のプロセス: NMTは2つのAI（エンコーダーとデコーダー）がペアで働きます。
  1. エンコーダー（耳役）
     原文（日本語）を読み込み、単語の意味（分散表現）を理解し、最終的に文全体の「意味のカタマリ（特徴表現）」という数字の暗号に「ぎゅっ」と圧縮します。
  2. デコーダー（口役）
     元の日本語は一切見ず、エンコーダーから渡された「意味のカタマリ（暗号）」だけを見て、ゼロから翻訳文（英語）を1単語ずつ「作文（復元）」していきます。

5. 【G検定】NMTの最重要キーワード

NMTを理解する上で、特に重要な用語です。

• seq2seq (シークエンス・トゥ・シークエンス)
  NMTの基本構造のこと。「エンコーダー（耳役）」と「デコーダー（口役）」のペアの仕組み全体を指します。
• ボトルネック問題
  seq2seqの弱点。長い文章になると、「意味のカタマリ」にすべての情報を圧縮しきれず、文の最初の情報がこぼれ落ちてしまう問題。
• アテンション機構 (Attention)
  上記の弱点を解決した、NMTの最強の進化。
  デコーダー（口役）が翻訳文を1単語ずつ作文するたびに、元の文章（日本語）の「どこに注目（Attention）すべきか」をカンニングできるようにした仕組み。
  これにより、長い文章でも正確な翻訳が可能になりました。この「アテンション」の考え方が、現代のAI（ChatGPTなど）の基礎となっています。