ترجمه ماشینی و تجزیه و تحلیل متن همیشه به عنوان دو راه اصلی سازمانها برای مقابله با چالش درک و کسب اطلاعات از محتوای زبان خارجی در نظر گرفته شده اند. در حالی که ترجمه ماشینی به شما امکان می دهد محتوای زبان خارجی را بگیرید و آنرا به زبانی تبدیل کنید که می توانید بخوانید و درک کنید، تجزیه و تحلیل متن به شما امکان می دهد متن محتوا را درک نمایید در حالی که اصلاً نیازی به خواندن آن ندارید.

استفاده از تحلیل متن و ترجمه ماشین در دهه گذشته

در طول یک دهه گذشته، استفاده از تحلیل متن و ترجمه ماشین همیشه برای تجزیه و تحلیل داده ها، خواه استفاده از اسناد، هوش منبع باز یا کشف الکترونیکی دست به دست هم داده اند. به طرز عجیبی، اکثر شرکت ها تلاش و سرمایه گذاری خود را روی یکی از آنها متمرکز کرده اند. در موارد نادری که فروشندگان نرم افزار هر دو آنها را به عنوان یک برنامه ترکیبی برای پردازش زبان طبیعی ارائه می دادند، سرمایه گذاری اصلی تحقیق و توسعه به طور معمول هر دو روش را با برنامه ای بررسی می کرد که به عنوان یک فناوری پشتیبان برجسته برای دیگر روش پیش تر ترویج یافته بود.

در آن زمان، حداقل از نظر پشتیبانی زبان، تعادل به نفع ترجمه ماشین بود. این فناوری در حال رشد، که قادر به ترجمه فوری حجم زیادی محتوا بود، از زبان های بیشتری نسبت به پلت فرم تحلیل متنی موجود در بازار پشتیبانی می کرد. بیشتر فروشندگان حدود ۴۰ زبان را ارائه می دادند، در حالی که پیشرو در فروش تحلیلگر متن فقط از ۱۰ زبان پشتیبانی می نمود.

نتیجه

اکنون با اتخاذ شبکه های عصبی در چند سال گذشته، هر دو ترجمه ماشینی و تجزیه و تحلیل متنی در حالی که نتایج بهتری کسب می کنند، نیاز به آموزش کمتری دارند. در مورد ترجمه ماشینی، استفاده از الگوریتم های یادگیری عصبی منجر به تلاش کمتری می شود در حالی که به طور قابل توجهی کیفیت ترجمه را برای مجموعه بزرگی از زبان ها افزایش می دهد که قبلاً بیشتر توسط موتورهای آماری پشتیبانی می شدند. برای تجزیه و تحلیل متن، این به معنای امکان توسعه موتورهای آنالیز برای زبان های بیشتر، با هزینه ای بسیار کمتر است. بنابراین، پروژه های اطلاعاتی داده ها کمتر به ترجمه ماشین و بیشتر و بیشتر به تجزیه و تحلیل متن برای استخراج اطلاعات متکی هستند.