Pondělí 13. července 2020, svátek má Markéta
  • schránka
  • Přihlásit Můj účet
  • Pondělí 13. července 2020 Markéta

Počítač překládá a nemaří policejní vyšetřování, říká analytik Ondřej Bojar

  16:37aktualizováno  16:37
Policie zachytává denně spousty textových zpráv podezřelých obchodníků s drogami, jsou ovšem ve vietnamštině. Překladatelé jsou nákladní, nemají dostatek času a mohou i některé informace „vynést ven“. V tu chvíli nastává práce pro Ondřeje Bojara a jeho tým, který se věnuje strojovému překladu vietnamských esemesek.

Ondřej Bojar, MATFYZ, strojový překlad z vietnamštiny do češtiny, rozhovor pro iDNES.cz | foto:  Petr Topič, MAFRA

Jak vypadají překlady pro policii? Jak to funguje?
Když vyrábíme překladový systém, využíváme databázi milionů tréninkových překladů. Naprogramujeme strukturu neuronové sítě, zhruba padesát milionů „volných parametrů“, které si počítač sám nastaví během „trénování“ tak, aby trénovací věty překládal co nejpodobněji tomu, jak je přeložili lidé. 

Fotogalerie

Fakt, že slova mají různé významy, že spolu ve větě nějak souvisí atd., je jenom „rozpuštěn v trénovacích datech“. Významy slov nijak neprogramujeme. Počítač se naučí „opičit se“. Jak přesně to dělá, to se ještě pořádně neví, na to máme grant základního výzkumu. Při tom opičení ale samozřejmě může udělat (a dělá) chyby.

Jak se dají chyby eliminovat?
Chyby vznikají především v místech, kde nebyla dostatečná trénovací data. Děje se to třeba u jmen. Clintons přeloží jako kliniku, ale taky jako kly a tuny. To je samozřejmě u překladu pro policii opravdu velmi nechtěná věc. Lidé ale také dělají chyby, a to i na oficiálních transparentech. 

Třeba motto neslavného programu ROP Severozápad, které anglicky říká: Vision ends up being a dream, což je Vize dopadne jako sen, nikoli Vize přestane být snem, jak je na stránkách. Nebo příklad z velštiny, kde na velšskou verzi dopravní značky místo upozornění pro řidiče vytiskli omluvu překladatele „momentálně nejsme v kanceláři“, že překlad dodá později.

Analytik Ondřej Bojar

Narodil se v Praze a prakticky od malička ho bavily počítače a studium lidského myšlení. Humanitní studia a společenské vědy podle něj ale neměly pro zkoumání mentálních procesů dostatečně ostré nástroje, a tak skončil na Matfyzu Univerzity Karlovy, kde se již od svých magisterských studií věnuje počítačové lingvistice. 

„Texty jsou jednoduše dostupná hmatatelná data, která ale odrážejí velmi komplexní skryté procesy. Zpracovat je strojem podobně, jako to dělají lidé, nás může hodně o myšlení naučit,“ říká o své práci. 

Je ženatý a má tři děti.

Ondřej Bojar, MATFYZ, strojový překlad z vietnamštiny do češtiny, rozhovor pro...

Ondřej Bojar, MATFYZ, strojový překlad z vietnamštiny do češtiny, rozhovor pro iDNES.cz

Zaměřujete se na překlady z vietnamštiny. V čem je jiný česko-vietnamský překlad?
Specifickým problémem u překladu vietnamštiny je malý okruh překladatelů, kteří jazyk ovládají. Policii se tedy může stát, že dají zprávu člověku, který je s gangem propojený, a ten gang varuje, „hele, změň si telefon, sledují tě, nic takového neříkej“. 

To se ale u počítače nestane, ten nikomu data nepředá, nikoho nevaruje, žádné informace nevynese ven. I když strojový překlad není úplně stoprocentně kvalitní, může být spolehlivější než překladatel. Proto jsme se rozhodli program nasadit pro tento účel.

A proč čeština a vietnamština?
Je to poměrně málo studovaná dvojice jazyků. A navíc jsem měl studenta, který byl z Vietnamu a již dříve vyrobil česko-vietnamsko-anglický korpus, kde největší část tvoří filmové titulky a také TED Talks, což jsou pravidelné popularizační přednášky z oblasti vědy, techniky, umění, politiky, vzdělání, kultury, byznysu a spousty dalšího. 

V těch záznamech přednášek jsou také titulky, ale s delšími větami než v těch filmových, a tak je to pro nás lepší. Díky tomu jsme mohli vytvořit více než milion větných párů, na kterých se dá stavět.

To stačilo?
Jo, to je docela dobré, není to zlé a pro začátek to stačilo, i když to bylo trochu mimo naši doménu, kde jsme ten překlad chtěli použít. Nejsou tam překlady esemesek. Jednak jde o slovní zásobu, například názvy toho, co se dá kde výnosně ukrást, nebo komu doručit jakou drogu, i když v některých filmech možná ano. Brali jsme všechno, co bylo k dispozici. Jde ale i o stavbu vět, tedy v případě SMS spíš klasických útržků a kusých sdělení.

Jaká data jste měli od policie?
Data od policie byla to nejcennější! Nejen proto, že je nikdo neoprávněný nesmí vidět, ale proto, že jde přesně o ten typ textů, které má systém nakonec překládat. Je to reprezentativní vzorek, ale pro naši trénovací potřebu je sám o sobě moc malý. Bylo to jen asi 55 tisíc anonymizovaných SMS, které policie překládala vlastními silami už dřív. Ta data jsme si ale nemohli nikam vzít, všechno muselo probíhat na centrále, protože s obsahem zpráv nebylo možno se seznámit z důvodu ochrany trestního řízení.

Jaké další problémy jste měli?
Neuměli jsme vietnamsky. Když jsme tam byli, pročítali jsme si výstupy našeho systému na neškodných zprávách, které nám kolega vybral, a srovnávali je s tím, co pro policii dříve přeložili lidé. Museli jsme přitom věřit tomu překladateli, že to taky správně pochopil. A podle toho jsme tak zběžně kontrolovali, jestli náš systém není úplně mimo.

A umíte už vietnamsky?
Neumím. Tam jste chvilku, nesmíte si pořádně nic opsat, na učení lidí je takový „distanční kurz“ na houby.

Jak tedy pokračovalo překládaní pomocí programu a počítače?
Ze začátku to vypadalo, že lépe funguje starý frázový model. Což je na malém množství dat i pravda, je rychlejší a spolehlivější. Po pár překladech a zkouškách jsme ale zjistili, že pro naše potřeby je výrazně lepší ten nový, neuronový. Proto jsme přešli na něj. Láme se to kolem milionu větných párů, kde pak vede právě ten neuronový.

Z těch zpráv, které jste měli od policie k dispozici už přeložené, byly použitelné všechny?
To nebyly. Překladatel občas něco vynechal, protože věděl, že dělá pro policii. Nepřekládal tak věty nebo situace typu „Nakup deset rohlíků“, nebo když tam byla nějaká hádka s milenkou. V tom případě tam napsal „nezájmové“ nebo „hádá se s milenkou“.

Jak věděli, že rohlíky jsou rohlíky, a ne nějaký kód?
Nevěděli, jen to tak vyhodnotili a šetřili si práci s překládáním. Strojový překlad by přeložil všechno. I to je jeho výhoda. Jenže takovéhle „překlady“ nám kazila ta trénovací data, protože celá vietnamská věta pro počítač byla „přeložena“ jako „nezájmové“, i když to tak ve vietnamštině nebylo, protože tam byla věta „Nakup deset rohlíků“. Když se takové věty ocitly v trénovacích datech, síť najednou sama naučila dělat i analýzu obsahu: sama usoudila, že věty o rohlících jsou „nezájmové“ a urážky a podobně jsou „hádka s milenkou“.

Jsou neuronové sítě velmi chytré, protože dokážou rozpoznat miliony věcí, ale velmi otrocké, protože produkují jen to, co je naučíte i v rámci analýzy?
Přesně tak.

Nevím, jak vy, ale moje textové zprávy po telefonu nejsou vždycky úplně podle pravidel českého pravopisu. Jak se program vyrovnává s chybějící diakritikou, překlepy, chybami nebo slangovými výrazy?
No to je zrovna fakt, co jsme mohli propracovat ještě lépe. Třeba s překlepy jsme mohli udělat víc, na ty jsme se tolik nezaměřili. Ale zaměřili jsme se na diakritiku. To se dělá tak, že si naschvál pokazíte trénovací data. Dali jsme je tam víckrát a také bez vietnamské diakritiky. Tím pádem se ta neuronka naučí, že úplně nezáleží na tom, jestli tam diakritika je, nebo ne. A odhadne, co by to tak mohlo být. 

Ve vietnamštině se diakritika používá opravdu hodně, jsou tam i obrácené čárky nad písmenky i pod nimi, dvojtečky a podobně. Třeba bo má tři různé varianty, a to jít, hovězí nebo máslo. To je pak v překladu bez diakritiky opravdu problém rozeznat, navíc jsou esemesky velmi krátké, bez kontextu konverzace.

Jak to tedy potom stroj řeší?
Tipuje. Sází na nejpravděpodobnější variantu. A ještě větší problém je chudá morfologie vietnamštiny a odlišnost mluvnických kategorií.

Proč?
Jsou tam třeba i takové věci, jestli jste v konverzaci osoba podřízená, nebo nadřízená ve společenské hierarchii. S tím vlastně mají možná problém i Vietnamci, kteří se v Česku narodili nebo tady velice dlouho žijí a jejich vietnamština není úplně skvělá. Záleží na tom, jestli mluvíte s osobou starší, nebo mladší, pokud je starší zhruba o patnáct let, tak je ještě další rozdíl, který Vietnamci řeší, a to, jestli je starší, nebo mladší než jeho rodiče. Jak se u nás mění koncovka podle tykání a vykání, ve vietnamštině je to něco jako tykání a vykání + ještě věk podle rodičů.

Vietnamci tykají a vykají v několika různých variantách?
Přesně tak. A to všechno se pak v konverzaci projevuje, avšak na úkor kategorií, které jsou důležité pro nás, jako je třeba slovesná osoba. Česko-vietnamský překlad je skutečně výjimečný. Narazili jsme třeba na větu: „A dang o nha a.“ Tu jeden policejní překladatel přeložil jako: „Jsem u sebe doma.“ A přesně stejnou větu jiný překladatel přeložil: „Jsi doma?“ Já jsem si to pak ještě „ověřoval“ u nějakých Vietnamců ve večerce, a co jsem se dokázal dorozumět, říkali, že je to skutečně nekonkrétní. Tady je vidět, jak je potřebná nejen velikost a správnost testovacích dat, ale i opatrnost v interpretaci.

Jak je potom pro policii relevantní to, co jim odevzdáte?
My ty překlady odevzdáváme investigativcům a ti až pak vyhodnocují, koho nebo kde chytit. To nejsou podklady pro žádné soudce nebo podobně, ani to není naším cílem a úkolem. Měli by si dát pozor, aby se jim nestalo to, co v Izraeli, kde na den zavřeli člověka, protože Facebook jeho „Dobré ráno“ vedle fotografie s bagrem přeložil jako „Zaútočte na ně“ a žádný arabský mluvčí to před zatčením nezkontroloval.

Je to spíš vodítko?
V podstatě ano. Pokud by to pak bylo součástí nějakého dokazování, pro soud to přeloží někdo ještě jednou a přesněji. My to děláme proto, aby se ten proud textových zpráv nemusel za peníze dávat překladatelům, kteří by navíc neměli kapacitu to zvládnout. Policie to pak má rychle, zadarmo a vybere si případně to, co je potřeba dopřeložit lépe. Cílů je několik – rychlost, úplnost, levnost a omezení překladatelů, kteří by mohli teoreticky něco vynést, do budoucna v jakémkoli jazyce.

Prymula: Testy na covid budou do měsíce za pětistovku, vakcína už říjnu

  • Nejčtenější

Virus ze zahraničí přivezli už první dovolenkáři, potvrdilo ministerstvo

Prázdniny a s nimi spojená sezona letních dovolených teprve začíná a Češi už řeší kromě spálenin od sluníčka i další...

Po srážce vlaků na Karlovarsku jsou dva mrtví, policie řeší obecné ohrožení

Na Karlovarsku se odpoledne srazily dva osobní vlaky. Prvotní neoficiální informace uváděly, že se zranilo dvacet až...

Opilá řidička zavinila havárii, policistu se nepovedlo resuscitovat

Při nehodě dvou osobních vozidel v pražské ulici 5. května v neděli večer zemřel dvaatřicetiletý policista. Další dva...

V Brně smetla řidička cyklistu, škoda na kole je 300 tisíc

Nepozorná řidička srazila v Brně cyklistu, který se vážně zranil a byl odvezen do nemocnice. Muž jel bez helmy. Škoda...

{NADPIS reklamního článku dlouhý přes dva řádky}

{POPISEK reklamního článku, také dlouhý přes dva a možná dokonce až tři řádky, končící na tři tečky...}

S vrahem batolete z Loun se rozloučila rodina. Kuču pohřbila v bílé rakvi

S Josefem Kučou, který byl odsouzen za vraždu lounského batolete k dvaadvacetiletému trestu odnětí svobody, se ve...

Snažím se naučit mít jizvy po popálení ráda, říká Týnuš Třešničková

Premium Byl to okamžik. Vteřina, v níž ji ožehly plameny. Vlasy, krk, ruce, obličej... Ten krásný obličej, který ji živí. Jedna...

Největší slabiny ojetých dodávek. Přinášíme přehled nejporuchovějších vozů

Premium Dodávky byly stvořeny pro práci. Najedou mnohem více kilometrů než osobní auta, a to v náročných podmínkách. Ne všechna...

VELKÝ TEST ZOO: přehled cen, zvířat i atrakcí. Přijeďte, pomůžete!

Premium Mají otevřeno 365 dní v roce, ať praží slunce, nebo se žení čerti. Na několik týdnů je zavřel až koronavirus. Chcete...

  • Další z rubriky

Vláda řeší právo bránit život se zbraní i rozpočet na Expo

Senátní návrh na ústavní zakotvení práva bránit život i se zbraní, jmenování soudců či možné zapojení až 68 vojáků do...

Koronavirus dovezlo ze zahraničí devět Čechů, z toho tři ze Slovenska

V červenci se Češi dosud nakazili koronavirem v šesti zemích. V centrální databázi infekčních nemocí je od 1. do 11....

Vznikl globální přehled hub online. Čeští vědci sestavili celosvětový atlas

Desetitisíce vzorků čítá on-line atlas složení houbových společenstev, který vytvořili vědci z Mikrobiologického ústavu...

Miliony pro Oklešťka a další. Jak bohatí jsou čeští hejtmani?

Premium Hejtman Olomouckého kraje Ladislav Okleštěk (ANO) získal bezmála šest milionů korun od soukromé osoby. MF DNES to...

Nejjasnější kometa za třináct let. Na obloze ji uvidíte i bez dalekohledu

Oficiálně se jmenuje C/2020 F3, ale má také civilnější pojmenování Neowise. Po dlouhé době je to tak jasná kometa, že...

Maďarka tvrdí, že nemůže pracovat, protože je příliš sexy

Plastiky dvaadvacetiletou Barbie Barbaru Lunu Siposovou z Maďarska stály v přepočtu přes tři miliony korun. Nyní nemůže...

Výpovědi už se nevyhnete. Nový zákoník práce přinese i spravedlivější dovolenou

Premium Poslední velká novela zákoníku práce za uplynulých devět let začne z podstatné části platit od začátku příštího roku, v...

Úspěšný šéf Škody po pěti letech náhle končí, prohrál boj o moc

Mladoboleslavská Škoda Auto oznámila, že Bernhard Maier po téměř pěti letech v čele společnosti opustí k 31. červenci...

Snažím se naučit mít jizvy po popálení ráda, říká Týnuš Třešničková

Premium Byl to okamžik. Vteřina, v níž ji ožehly plameny. Vlasy, krk, ruce, obličej... Ten krásný obličej, který ji živí. Jedna...