Մենք ստուգեցինք մեքենայական թարգմանության յուրաքանչյուր տարբերակ։ Սխալը հենց ստուգումներն էին։
Լեզուներ
Մինչև թարգմանչական հավաքածուի թողարկումը, մենք այն փորձարկեցինք փոքրիկ օրինակելի հավելվածի վրա՝ 70 տող 6 ձևաչափով (JSON, Flutter ARB, Android, Apple .strings, gettext և Markdown) թարգմանելով գերմաներեն, ռուսերեն, ճապոներեն, արաբերեն և իսպաներեն՝ մեր սեփական սարքի վրա աշխատող 27 միլիարդ պարամետր ունեցող բաց մոդելով։ Յուրաքանչյուր թարգմանված տող գրառվելուց առաջ անցնում է ստուգումների։ 350-ից չորսը մերժվեցին։ Բոլոր չորս մերժումները սխալ էին։
Ինչ են փնտրում ստուգումները
Եթե թարգմանությունը խանգարում է հավելվածի աշխատանքին, դա ավելի վատ է, քան թարգմանության բացակայությունը, ուստի յուրաքանչյուր տող պետք է պահպանի իր պլեյսհոլդերները (%1$s, {name}, {{count}}), իր պիտակները, տողադարձերը և URL-ները. այն պետք է լինի թիրախային լեզվի գրային համակարգով. այն չպետք է լինի դատարկ, անկառավարված կամ մնացած լինի անգլերենով. և բազմակի թվի ձևերը պետք է ծածկեն լեզվին բնորոշ ճիշտ կատեգորիաները։ Սխալված տողը նորից է խնդրվում՝ նշելով խնդիրը, իսկ եթե նորից սխալվի, այն բաց է թողնվում, ուստի հավելվածը այդ մեկ տողի համար ցույց է տալիս անգլերենը։
Չորս մերժումները
- «Backups»-ը գերմաներենում «Backups» էր։ Ստուգումը այն համարեց չթարգմանված։ Գերմաներենը օգտագործում է անգլերեն բառը։ Մեկ նույնական բառ հաճախ ճիշտ է. երկու կամ ավելի նույնական բառերը՝ ոչ, ուստի կանոնը հիմա այդպես է։
- Ռուսերեն և ճապոներեն մեկական տող՝ էլ. փոստի հասցեով, չանցան գրային համակարգի ստուգումը. նամականիշների 60%-ից պակասը կիրիլիցա կամ ճապոնական էր, քանի որ
[email protected]-ը գրված է լատինատառ։ Հասցեները հիմա դիտարկվում են որպես պլեյսհոլդեր. դրանք պետք է վերադառնան անփոփոխ, և դրանք չեն հաշվվում որպես նամականիշներ։ - Ճապոներեն բազմակի թվի հաղորդագրությունը վերադարձավ որպես
{count, plural, =0{連続記録なし} other{{count}日連続}}։{連続記録なし}ճյուղը բացատներ չունի, ուստի պլեյսհոլդերի նմուշը այն ընդունեց որպես 連続記録なし անունով փոփոխական։ Բազմակի թվի հաղորդագրություններում ճյուղերի փակագծերը հիմա կառուցվածք են, և պլեյսհոլդերների անունները պետք է լինեն ASCII։
Երբ ստուգումները ուղղվեցին, երկրորդ գործարկումը մոդելից խնդրեց միայն այդ չորս տողերը, քանի որ մնացած ամեն ինչ արդեն թարգմանությունների հիշողության մեջ էր, և գրեց բոլոր 350-ը 45 վայրկյանում։
Մասը, որի ձախողումը սպասում էինք, բայց չձախողվեց
Հոգնակի ձևերն են, որտեղ պարզամիտ թարգմանությունը խափանվում է. անգլերենն ունի մեկ և այլ, ռուսերենը՝ մեկ, քիչ, շատ և այլ, արաբերենը՝ վեց կատեգորիա, ճապոներենը՝ մեկ ձև։ Մենք պահանջեցինք թիրախային լեզվի ճիշտ կատեգորիաները և ստուգեցինք յուրաքանչյուր ձևի պլեյսհոլդերները։ Մոդելը ռուսերենի համար գրեց «1 день, 2 дня, 5 дней», իսկ արաբերենի համար՝ բոլոր վեց ձևերը։ Android-ի բոլոր հոգնակի ձևերը հաջողությամբ անցան առաջին փորձից բոլոր հինգ լեզուներով, ինչպես նաև բոլոր հոգնակի հաղորդագրությունները, բացի ճապոներենից, որը մեր ստուգումը սխալ էր մեկնաբանել։
Այն, ինչ ոչ մի ստուգում չի կարողանում բռնել
Այնուհետև մենք օրինակի 22 վեբ տողերը թարգմանեցինք Polyglot-ի իմացած բոլոր 42 լեզուներով. 924-ից 924 տողերը հաջողությամբ անցան։ Դրանք կարդալիս աչքի ընկավ մեկը։ Խմերենում «You are offline»-ը վերադարձել էր որպես նախադասություն, որը նշանակում է «դուք առցանց եք»։ Դա ճիշտ գրվածքով, ոչինչ բաց չթողնած, լիարժեք խմերեն նախադասություն է, ուստի բոլոր ստուգումները այն անցկացրին։ Ստուգումները բռնում են այն, ինչը խափանում է հավելվածը. սխալ իմաստը պահանջում է լեզուն կարդացող մարդու։
Հիմնական եզրակացությունը
Մեքենայական արտադրանքի վրա ավտոմատ ստուգումները պահանջում են իրական արտադրանք, որի համեմատ ստուգել։ Միավորային թեստերը՝ հորինված թարգմանություններով, անցան. իրական մոդելը, որը գրում էր իրական ճապոներեն, րոպեների ընթացքում գտավ բացերը։ Polyglot-ը տրամադրվում է այս ստուգումներով, ուղղված, և չորս դեպքերից յուրաքանչյուրի համար նախատեսված թեստերով։