BLEU ရမှတ်သည် စက်ဘာသာပြန်မော်ဒယ်များ၏ စွမ်းဆောင်ရည်ကို အကဲဖြတ်ရန်အတွက် တွင်ကျယ်စွာအသုံးပြုသည့် မက်ထရစ်တစ်ခုဖြစ်သည်။ ၎င်းသည် စက်ဖြင့်ထုတ်လုပ်ထားသော ဘာသာပြန်ဆိုချက်တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ကိုးကားဘာသာပြန်ခြင်းကြား ဆင်တူမှုကို တိုင်းတာသည်။ AutoML Translation ဖြင့်လေ့ကျင့်ထားသော စိတ်ကြိုက်ဘာသာပြန်မော်ဒယ်တစ်ခု၏အခြေအနေတွင်၊ BLEU ရမှတ်သည် မော်ဒယ်၏ထွက်ရှိမှုအရည်အသွေးနှင့် ထိရောက်မှုဆိုင်ရာ အဖိုးတန်ထိုးထွင်းသိမြင်မှုများကို ပေးစွမ်းနိုင်သည်။
BLEU ရမှတ်ကို မည်သို့အသုံးပြုသည်ကို နားလည်ရန်၊ အရင်းခံသဘောတရားများကို ဦးစွာနားလည်ရန် အရေးကြီးပါသည်။ BLEU သည် Bilingual Evaluation Understudy ကို ကိုယ်စားပြုပြီး ၎င်းကို လူမှထုတ်လုပ်ထားသော ကိုးကားဘာသာပြန်များနှင့် နှိုင်းယှဉ်ခြင်းဖြင့် စက်ဘာသာပြန်များ၏ အရည်အသွေးကို အလိုအလျောက်အကဲဖြတ်ရန် နည်းလမ်းအဖြစ် တီထွင်ထားသည်။ ရမှတ်သည် 0 မှ 1 အထိ ကွာသည်၊ ပိုကောင်းသော ဘာသာပြန်မှုကို ညွှန်ပြသော ပိုမြင့်သောရမှတ်ဖြင့် ကွာသည်။
AutoML Translation သည် အသုံးပြုသူများအား ၎င်းတို့၏ကိုယ်ပိုင်ဒေတာကို အသုံးပြု၍ စိတ်ကြိုက်ဘာသာပြန်ပုံစံများကို လေ့ကျင့်ခွင့်ပြုသည့် Google Cloud AI Platform မှ ပေးဆောင်ထားသော အစွမ်းထက်သောကိရိယာတစ်ခုဖြစ်သည်။ မော်ဒယ်ကို လေ့ကျင့်သင်ကြားပြီးသည်နှင့်၊ ထည့်သွင်းစာသားအသစ်အတွက် ဘာသာပြန်ဆိုချက်များကို ဖန်တီးရန် ၎င်းကို အသုံးပြုနိုင်သည်။ ထို့နောက် ဤဘာသာပြန်များ၏ အရည်အသွေးကို အကဲဖြတ်ရန် BLEU အမှတ်ကို အသုံးပြုနိုင်သည်။
BLEU ရမှတ်ကို တွက်ချက်ရန်၊ မော်ဒယ်မှ ဖန်တီးထားသော ဘာသာပြန်ချက်များကို ကိုးကားချက်တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ဘာသာပြန်ဆိုမှုများနှင့် နှိုင်းယှဉ်ပါသည်။ နှိုင်းယှဥ်မှုသည် n စကားလုံးများ၏ ဆက်နွှယ်နေသည့် အစီအစဥ်များဖြစ်သည့် n-grams ကို အခြေခံထားသည်။ BLEU ရမှတ်သည် မော်ဒယ်ထုတ်ပေးသော ဘာသာပြန်ခြင်းတွင် တိကျသေချာမှုသာမက ကိုးကားဘာသာပြန်ခြင်းများတွင် ၎င်းတို့၏ တည်ရှိမှုကိုပါ ထည့်သွင်းစဉ်းစားပါသည်။ ၎င်းသည် ဘာသာပြန်များ၏ လုံလောက်မှုနှင့် ကျွမ်းကျင်မှုကို ဖမ်းယူရန် ကူညီပေးသည်။
ဒါကို ဥပမာတစ်ခုနဲ့ ဥပမာပြကြည့်ရအောင်။ ကျွန်ုပ်တို့တွင် ရည်ညွှန်းဘာသာပြန်ချက်တစ်ခုရှိသည်ဆိုပါစို့- "ကြောင်သည် ဖျာပေါ်တွင်ထိုင်နေပါသည်။" မော်ဒယ်သည် အောက်ပါဘာသာပြန်ကိုထုတ်ပေးသည်- "ကြောင်သည် ဖျာပေါ်တွင်ထိုင်သည်" ဤစာကြောင်းများကို n-grams အဖြစ် ခွဲနိုင်သည်။
ကိုးကား- ["The", "cat", "is", "sitting", "on", "the", "mat"] Model: ["The", "cat", "ထိုင်", "on", "ပု", "ဖျာ"]
ဤကိစ္စတွင်၊ မော်ဒယ်သည် n-grams အများစုကို မှန်ကန်စွာ ဘာသာပြန်သော်လည်း၊ verb tense ("is" vs. "sits") ကို လွတ်သွားပါသည်။ BLEU ရမှတ်သည် ဘာသာပြန်မှုတွင် နိမ့်သောရမှတ်ကို သတ်မှတ်ပေးခြင်းဖြင့် ၎င်းကို ထင်ဟပ်စေမည်ဖြစ်သည်။
BLEU ရမှတ်ကို ပြုပြင်ထားသော တိကျမှုနှင့် အတိုချုံးပြစ်ဒဏ်ကဲ့သို့သော နည်းလမ်းအမျိုးမျိုးဖြင့် တွက်ချက်နိုင်ပါသည်။ ဘာသာပြန်ဆိုမှုတစ်ခုတွင် n-gram အများအပြားပါဝင်နိုင်သည်ဟူသောအချက်ကို ပြုပြင်ထားသော တိကျမှုတွင် ထည့်သွင်းဖော်ပြထားပြီး brevity ပြစ်ဒဏ်သည် ကိုးကားသောဘာသာပြန်များထက် သိသိသာသာတိုတောင်းသော ဘာသာပြန်ဆိုချက်များကို အပြစ်ပေးပါသည်။
AutoML Translation ဖြင့်လေ့ကျင့်ထားသော စိတ်ကြိုက်ဘာသာပြန်မော်ဒယ်၏ BLEU ရမှတ်ကို အကဲဖြတ်ခြင်းဖြင့် သုံးစွဲသူများသည် မော်ဒယ်၏စွမ်းဆောင်ရည်ကို ထိုးထွင်းသိမြင်နိုင်ပြီး တိုးတက်မှုအတွက် နယ်ပယ်များကို ခွဲခြားသတ်မှတ်နိုင်ပါသည်။ တိုးတက်မှုကိုခြေရာခံပြီး မော်ဒယ်ရွေးချယ်မှု သို့မဟုတ် ချိန်ညှိခြင်းဆိုင်ရာအသိပေးဆုံးဖြတ်ချက်များချရန်အတွက် မတူညီသောမော်ဒယ်များ၏ BLEU ရမှတ်များကို နှိုင်းယှဉ်နိုင်သည်။
BLEU ရမှတ်သည် AutoML ဘာသာပြန်ခြင်းဖြင့် လေ့ကျင့်ထားသော စိတ်ကြိုက်ဘာသာပြန်မော်ဒယ်များ၏ စွမ်းဆောင်ရည်ကို အကဲဖြတ်ရန်အတွက် အဖိုးတန်မက်ထရစ်တစ်ခုဖြစ်သည်။ ၎င်းသည် ၎င်းတို့အား အကိုးအကားဘာသာပြန်ခြင်းများနှင့် နှိုင်းယှဉ်ခြင်းဖြင့် စက်ဖြင့်ထုတ်လုပ်ထားသော ဘာသာပြန်များ၏ အရည်အသွေးကို အတိုင်းအတာတစ်ခုအထိ ပံ့ပိုးပေးပါသည်။ BLEU ရမှတ်ကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် အသုံးပြုသူများသည် ၎င်းတို့၏ မော်ဒယ်များ၏ ထိရောက်မှုကို အကဲဖြတ်နိုင်ပြီး ဘာသာပြန်အရည်အသွေးကို မြှင့်တင်ရန်အတွက် ဒေတာမောင်းနှင်သည့် ဆုံးဖြတ်ချက်များ ချနိုင်သည်။
အခြား လတ်တလောမေးခွန်းများနှင့် အဖြေများ AutoML ဘာသာပြန်ခြင်း:
- AutoML Translation ဖြင့် စိတ်ကြိုက်ဘာသာပြန်ပုံစံတစ်ခုကို ဖန်တီးရာတွင် ပါဝင်သော အဆင့်များသည် အဘယ်နည်း။
- AutoML Translation သည် ယေဘူယျဘာသာပြန်အလုပ်များနှင့် သီးသန့်ဝေါဟာရများကြား ကွာဟချက်ကို မည်သို့ပေါင်းကူးသနည်း။
- သီးသန့်ဒိုမိန်းများအတွက် စိတ်ကြိုက်ဘာသာပြန်မော်ဒယ်များ ဖန်တီးရာတွင် AutoML ဘာသာပြန်ဆိုခြင်း၏ အခန်းကဏ္ဍက အဘယ်နည်း။
- စက်သင်ယူခြင်းနှင့် AI တွင် အထူးပြုထားသော ဝေါဟာရများနှင့် သဘောတရားများအတွက် စိတ်ကြိုက်ဘာသာပြန်ခြင်းပုံစံများသည် မည်သို့အကျိုးရှိနိုင်သနည်း။