라이온브리지 전문가 해설: 자동 번역 분석

이번 달에는 언어 형식을 중심으로, 기계번역(MT)을 제대로 사용하는 것이 불가능은 아니더라도 얼마나 어려운지를 살펴보고자 합니다.

기계번역(MT) 엔진에서 생성된 형식은 부정확하고 일관되지 않을 수 있습니다. 그 이유는 MT 모델은 일반적으로 각 입력 세그먼트마다 단일 번역 하나를 보내주기 때문입니다. 입력 세그먼트가 여러 의미로 해석될 수 있는 경우 이 모델에서는 대상 고객에 관계없이 여러 유효한 옵션 중에서 번역 하나를 선택해야 합니다. 여러 개의 유효한 옵션 중에서 선택할 수 있게 하면 번역에 일관성이 없어지거나 번역의 형식 수준이 잘못될 수 있습니다.

소스 언어의 형식 수준이 대상 언어보다 낮으면 정확한 결과를 얻기가 특히 더 어렵습니다. 예를 들어 프랑스어와 같은 언어는 형식이 잘 정의되어 있지만(예: tu vs. vous) 영어는 그렇지 않습니다.

대부분의 MT 시스템은 언어 형식이나 성별 매개변수를 지원하지 않지만, 이 분야도 진척을 보이고 있습니다. 현재 DeepL(API)과 Amazon(콘솔 및 SDK)은 형식을 조정하는 기능을 제공합니다. 라이온브리지(Lionbridge)의 Smart MT™는 엔터프라이즈급의 기계번역 솔루션으로, 대상 텍스트에 언어 규칙을 적용함으로써 원하는 양식이나 형식의 기계번역을 생성할 수 있습니다.

대상 고객층의 요구를 충족하기 위해서는 소스 언어를 효과적으로 번역하는 것이 중요하며, 여기에는 MT 결과물의 형식 언어와 일상 언어를 처리하는 것도 포함됩니다. 번역이 맥락에 어긋나거나 심지어 무례하다고 보일 경우 고객에게 외면당할 우려가 있습니다.

라이온브리지 블로그에서 MT 및 형식 언어와 일상 언어에 대해 자세히 알아보세요.

    - Yolanda Martin, 라이온브리지 MT 전문가

기계 번역(MT)에는 많은 장점이 있지만 이를 사용할 때 주의해야 할 점이 있습니다. 일반 MT 엔진은 번역 결과물에 오류가 있을 수 있으며, 특히 특정 도메인에서는 용어 관점에서 바람직하지 못한 결과가 산출될 수 있습니다. 그 영향은 특히 의료 분야와 법률 분야에서 치명적일 수 있습니다. 하지만 MT 결과를 개선하기 위해 할 수 있는 일이 있습니다.

용어집을 사용하면 MT 품질을 개선하고 정확하고 일관성 있는 번역 결과를 얻을 수 있습니다.

이를 위해서는 전문 용어를 포함하는 도메인별 이중 언어 텍스트로 맞춤 MT 시스템을 학습시켜야 합니다. 그러나 용어를 일관성 있게 사용하지 않는다면 아무리 전문적인 텍스트로 엔진을 훈련시킨다 하더라도 번역의 정확성을 보장할 수 없습니다. 이 분야의 연구자들은 신경망 기계 번역(NMT) 시스템에 언어 정보를 주입할 때 주석 방식을 사용하는 것을 제안하고 있습니다. 주석법의 수동 또는 반자동식 구현은 용어집과 같은 가용 리소스를 비롯해, 시간, 비용 및 사람에 의한 주석 가능 여부와 같은 제약 조건에 따라 달라집니다.

라이온브리지(Lionbridge)의 Smart MT™에서는 원문과 대상 텍스트에 언어 규칙을 적용하는 것은 물론, 특정 프로파일에 추가된 번역 제외 용어(DNT) 및 용어 목록을 바탕으로 용어집을 만들 수 있습니다. 라이온브리지는 고객이 용어집을 만들고 유지할 수 있도록 지원하여 새로운 관련 용어를 추가하고 오래된 용어는 폐기하는 등 주기적으로 용어집을 관리해 드립니다. 일단 Smart MT에서 용어집이 생성되면 모든 MT 엔진에서 이 용어집을 사용할 수 있으므로 시간과 비용을 절감할 수 있습니다.

MT 프로젝트에서 용어집을 사용하기는 생각만큼 간단하지 않습니다. 용어집을 올바로 사용하지 않으면 기계 번역의 전체 품질에 부정적인 영향을 미칠 수 있습니다. MT에서 용어집의 용어를 따르게 하는 가장 좋은 방법은 MT를 학습시키는 것입니다. 학습된 MT 엔진과 맞춤 용어집 그리고 전처리 및 후처리 규칙 식별을 조합하면 MT 결과물에 적절한 용어가 사용되고 고객 문서와 유사한 스타일로 번역되도록 할 수 있습니다.

라이온브리지 블로그에서 용어집 사용을 통해 MT 결과를 개선하는 방법을 자세히 알아보세요.

    - Yolanda Martin, 라이온브리지 MT 전문가

기업의 표준 관행으로서 기계 번역(MT)에 대한 의존도가 높아짐에 따라 직원들은 치명적인 오류의 확산을 방지할 필요가 있습니다.

치명적인 오류는 맞춤법이나 문법, 구두점 등 언어 기능과 관련된 유형의 표준 MT 오류에 비해 훨씬 큰 문제를 야기할 수 있습니다. 치명적 오류는 언어적 문제를 넘어 엔진에서 도출한 결과가 원래 의도한 메시지에서 크게 벗어날 때 발생합니다. 결과적으로 도출되는 잘못된 정보나 오해는 회사의 평판을 해치거나 재정 또는 법적 문제를 야기할 수 있으며 공공 안전이나 보건에 부정적인 영향을 미칠 수도 있습니다. 따라서 이러한 오류를 식별하고 기업의 소통을 저해하지 않도록 방지하기 위한 방법을 찾을 필요가 있습니다.

라이온브리지(Lionbridge)는 번역된 텍스트에 따라 특정한 자동 품질 검사를 수행하여 중요한 오류를 감지하는 한편 MT 속도는 유지하고 사람의 개입 필요성을 줄입니다.

자동화 기법에서는 다음 오류를 식별할 수 있습니다.

• 원본과 번역 텍스트의 의미가 반대인 경우
• 욕설, 비속어 또는 매우 민감한 단어
• 개인 및 조직의 이름 등의 고유명사가 일반적인 단어이기도 할 때 잘못 번역된 경우

기업은 컴퓨터 공학을 통해 기존 MT 기술을 개선하여 이러한 번역 오류를 방지함으로써 치명적인 오류를 예방할 수 있습니다. 그러한 기술이 가능해질 때까지 당사는 번역 프로세스 중 자동화 기술을 사용하여 잠재적인 문제를 식별하고 문제가 있는 문장을 수정하여 정확도를 높일 수 있습니다.

기계 번역 중에 겪는 치명적인 오류에 대한 심층 조사를 살펴보려면 당사 블로그를 확인해 주세요.

    - Luis Javier Santiago, MT 그룹 본부장

    과 Rafa Moral, 라이온브리지 혁신 담당 부사장

Google NMT, Bing NMT, Amazon, DeepL, Yandex 중 최고의 엔진은 무엇일까요? 지난 달 데이터와 현재의 전반적인 추세에 따르면 주요 엔진의 성능은 비슷한 것으로 나타났습니다. 따라서 MT 전략을 수립할 때는 어떤 MT 엔진이 특정 언어쌍을 더 쉽게 번역하는지 등 추가적인 요인도 고려할 필요가 있습니다.

특정 언어쌍을 처리하는 데 각 엔진에 어떤 어려움이 있는지 파악하면 언어별로 번역 비용을 계획하고 예산을 할당할 때 참고할 수 있습니다. 예를 들어, 복잡한 언어쌍을 처리할 때는 고품질 번역을 위해서는 더 많은 노력을 기울여야 합니다. 이처럼 기업은 언어 복잡성에 대한 분석을 바탕으로 비즈니스 의사 결정을 내릴 수 있습니다.

번역 용이성에 따라 언어의 순위를 매기기는 간단한 일이 아니지만, 다른 측정 기준을 통해 평가 할 수는 있습니다. 최종 번역 결과가 사람이 번역했을 때와 동일한 수준의 품질을 가지기 위해 사후 편집 과정에서 가한 변경 횟수를 의미하는 편집 거리(Edit Distance)를 활용하면 각 언어쌍에 대한 MT 복잡도와 번역 용이성(기계 번역 용이성)을 파악할 수 있습니다.

포르투갈어, 스페인어, 프랑스어, 이탈리아어 등 대부분의 로망스어는 영어에서 번역할 때 고품질 수준에 도달하기 위해 필요한 변경의 수가 더 적습니다. 이러한 대상 언어는 기계가 처리하기 가장 쉬운 언어인 것으로 나타났으며, 당사의 기계 번역 용이성 순위에서 1위부터 4위까지 차지했습니다. 우랄어인 헝가리어와 핀란드어는 다소 복잡한 언어로, 당사의 순위에서 가장 낮은 27위와 28위를 차지했습니다. 같은 어족에 속하는 다른 언어인 에스토니아어도 상당히 복잡한 언어 중 하나입니다. 라이온브리지(Lionbridge)에서 처리한 수백만 개의 문장을 기반으로 할 때, 이러한 결과는 MT 결과에서 어족의 중요성을 보여줍니다.

언어 내 비교는 한계가 있지만 이러한 순위는 다국어 프로젝트 관리를 개선하기 위한 몇 가지 흥미로운 인사이트를 제공합니다. 라이온브리지 블로그에서 전체 언어 순위표를 확인하세요.

    - Rafa Moral, 라이온브리지 혁신 담당 부사장 

6월에는 Yandex MT 엔진의 러시아어 번역에 소폭의 개선이 관찰되었으며 Microsoft Bing MT 엔진은 번역 결과가 약간 저하된 것으로 나타났습니다. 이것이 특기할 만한 변화인지 그저 중요하지 않은 허위 결과인지 확인하기 위해 이 결과를 다른 방식으로도 분석했습니다.

단 하나의 황금 기준을 채택하여 MT 번역과 사람에 의한 하나의 '완벽한' 번역 사이의 격차를 측정하는 대신 여러 기준 번역을 채택했습니다. 이를 위해 전문 번역사가 작업한 10개의 번역을 MT 기계별 번역 결과와 비교했습니다. 이 접근법을 취했을 때 6월 Yandex와 Microsoft Bing에서 나타난 번역 품질의 작은 변동은 사라졌습니다. 이에 따라 MT 번역 품질에는 변화가 없었다는 결론을 내리게 되었습니다. 즉, 6월 결과는 평탄하게 유지되었습니다.

데이터와 해당 그래픽 표현에서는 다소 오해의 소지가 있습니다. 특히 서로 다른 측정치 간에 변화가 경미할 때 이러한 오해가 자주 발생합니다. 결과를 정확히 해석하기 위해서는 데이터를 평가할 때 둘 이상의 접근법을 취하는 것이 좋습니다.

다음 달에도 MT 엔진 품질에는 거의 변화가 없을 전망입니다. 이 섹션에서는 전반적인 MT 결과를 제공하고 분석할 예정입니다. 다음 달에는 MT 언어쌍을 비교해 보겠습니다. 데이터를 사용하여 MT 복잡도에 따라 언어와 언어군을 분류할 수 있는지 알아보고 기계 번역에서 어떤 언어쌍은 다른 언어쌍보다 더 쉽게 번역되는지 등을 살펴보고자 합니다.

    - Rafa Moral, 라이온브리지 혁신 담당 부사장 

이번 달도 MT 엔진의 발전은 대체로 정체되었습니다.

Amazon 엔진에서는 영어-스페인어 쌍을 처리하는 방식이 점차 개선되고 있는 것으로 확인되었습니다. 이제 Amazon 엔진은 이 언어쌍에 대해 가장 앞선 엔진이 되었습니다. Amazon은 영어-스페인어 쌍에서의 개선보다는 덜하지는 다른 언어쌍에 대해서도 소폭의 발전을 보였습니다. 이러한 발전은 몇 가지 일반적인 설정 변경과 영어-스페인어 쌍에 대한 작업의 결과인 것으로 추측됩니다. 개선 결과, 일부 특수문자와 측정 표시가 있는 문자열의 처리가 영향을 받은 것으로 보입니다.

Yandex는 두 달 연속으로 소폭의 개선을 보였습니다. 흥미롭게도 이때의 개선도 스페인어에서 일어났습니다.

앞서 언급했듯이, 중요한 변화는 없었습니다. 모든 엔진은 유사한 성능을 보이고 있습니다. 다음 달에는 일부 구체적인 MT 영역을 분석하고 전반적인 관찰 결과를 제공할 예정입니다. 물론 주요 진행 상황도 추적할 것입니다.

    - Rafa Moral, 라이온브리지 혁신 담당 부사장 

지난 몇 달 동안 MT 엔진 성능에 큰 변화가 없었다가 요즘 들어 Yandex가 약간의 진전을, 특히 독일어 엔진에서 다소 진전을 보였습니다.

한 상세 분석 결과에 따르면 Yandex 엔진은 구두점 문자(예: 물음표, 느낌표, 괄호, 슬래시)와 측정 단위 처리 등 문장 처리에서 개선을 보인 것으로 나타났습니다. 이러한 발전은 해당 모델이 개선된 결과라기보다는 MT 설정을 일부 미세 조정한 결과로 보입니다. 하지만 희귀 용어 추적 역시 개선된 것으로 봐서 Yandex의 진전은 모델의 일부 조정 내지는 더 많은 데이터 학습 때문일 수도 있습니다.

지난해 동 기간에는 여러 MT 엔진이 흥미로운 몇 가지 개선을 보였습니다. 이러한 개선에는 관련된 어떤 시간 패턴이 있을까요? 2021년에 관찰된 경향성이 올해도 나타날까요? 라이온브리지(Lionbridge)는 이 엔진들의 MT 성능을 추적하고 있으며, 다음달 무렵에 그 결과를 보고할 예정입니다.

전반적으로 MT 엔진 평가에 대한 관심이 높아지고 있습니다. 오늘날 MT 기술이 충분히 성숙했다는 데는 대부분의 사람이 의견을 같이하며, 사람의 개입 여부나 하이브리드 방식 유무와 관계없이 이러한 기술은 거의 모든 번역 사례에서 유용한 것으로 인식되고 있습니다. 그러나 MT 사용자들은 여전히 MT 결과를 평가, 측정, 개선하기 위한 적절한 방법을 찾는 데 어려움을 겪고 있습니다.

    - Rafa Moral, 라이온브리지 혁신 담당 부사장 

지금까지 이 페이지를 계속 읽어 보셨다면 일반적인 MT 비교 평가에는 이제 친숙하실 것입니다. 라이온브리지(Lionbridge)는 매월 특정 언어쌍에 대해 어떤 MT 엔진이 가장 좋은 성과를 보이는지 파악하고 엔진 개선 현황을 추적하고 있습니다. 3월, 여러 다양한 MT 엔진의 성능은 계속해서 현 상태를 유지하고 있습니다. 이러한 추세는 이미 한동안 주목하고 있었습니다. 지난달에도 언급했듯이, 이는 새로운 MT 패러다임의 필요성을 의미하는 것일 수 있습니다.

여기서는 일반적인 결과를 공유하고 있지만 맞춤 MT 비교 평가를 추진하는 기업들이 점점 늘어나고 있습니다. 일반 평가와는 달리 이러한 평가에서는 기업의 특정 요구사항을 고려해 가장 효과적인 MT 엔진을 결정합니다.

기업이 MT를 사용하기 시작하거나 현재 MT를 사용하는 방식을 개선하고자 하는 경우, 어떤 MT 엔진이 가장 효과적인지 파악하는 것이 매우 중요합니다. 라이온브리지는 맞춤 평가를 실행할 때 본 페이지에서 설명한 것과 유사한 방식을 취하되, 기업의 콘텐츠 유형과 언어쌍 요건을 토대로 권고 사항을 제시합니다.

맞춤 MT 비교 평가는 수년 동안 제공되어 왔지만 최근 들어 그 수요가 더욱 커지고 있습니다. 이러한 추세는 기업이 디지털 시장에서 성공을 거두는 데 MT가 중요한 역할을 하기 때문인 것으로 판단됩니다.

    - Rafa Moral, 라이온브리지 혁신 담당 부사장 

2022년 1월과 2월, Google MT 엔진만 약간의 개선을 보인 가운데 추적 중인 다른 엔진들은 거의 정체 상태입니다. 이러한 관찰에 따라 몇 가지 중요한 질문을 던질 수 있습니다. 신경망 기계 번역(NMT) 패러다임은 정체기에 도달한 것일까? 엔진 성능에 이렇다 할 진전을 보이지 못하는 상황에서 이제 새로운 패러다임 전환이 필요한 시점이 온 것일까? NMT가 통계적 MT를 대체할 때도 비슷한 추세가 관찰되었습니다.

통계적 MT의 시대가 끝날 무렵, MT 출력물의 품질에는 사실상 거의 변화가 일어나지 않았습니다. 또한 서로 다른 MT 엔진 간의 출력물 품질도 유사해졌으며, 현재에도 유사한 추세가 확인되고 있습니다. 당장 NMT가 대체되지는 않겠지만, 기하급수적 성장과 수확 가속의 법칙이 옳다고 전제하면 규칙 기반 MT가 30년간 운영되었고 통계적 MT가 10여 년간 주도권을 이어갔으며 NMT가 현재 6년째를 맞이한 것을 고려할 때 새로운 패러다임 전환도 멀지 않은 것으로 보입니다.

    - Rafa Moral, 라이온브리지 혁신 담당 부사장 

1월 한 달 동안 주요 기계 번역(MT) 엔진의 성능에는 큰 변화가 관찰되지 않았습니다. 

Google은 일부 언어 및 도메인에 대해 약간의 점진적인 개선을 보였습니다. 그 밖에 대부분의 엔진은 성능이 제자리걸음을 보였습니다. Microsoft는 지난 몇 개월에 걸쳐 성능이 개선되었으나 1월에는 큰 변화를 보이지 않았습니다. 전반적으로 범용 MT 기술 중에서는 Google 번역이 품질 면에서 계속 선두를 달리고 있습니다. 

12월에는 추가로 다섯 번째 MT 엔진을 추적하기 시작했으며, Yandex를 모니터링함으로써 러시아어에 대한 MT 품질 분석을 개선할 수 있게 되었습니다.

    - Rafa Moral, 라이온브리지 혁신 담당 부사장 

    - Jordi Macias, 라이온브리지 언어 탁월성 부문 부사장