Neděle 1. srpna 2021, svátek má Oskar
  • schránka
  • Přihlásit Můj účet
  • Neděle 1. srpna 2021 Oskar

Počítač překládá a nemaří policejní vyšetřování, říká analytik Ondřej Bojar

  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.

Koronavirus

Volby do Poslanecké sněmovny 2021

Parlamentní volby v roce 2021 se konají ve dvou dnech, v pátek 8. října od 14 do 22 hodin a v sobotu 9. října od 8 do 14 hodin. Ve volbách vybíráme dvě stovky poslanců Sněmovny ve 14 volebních krajích.

Kandidátky stran a koalicí:

Aplikaci Tečka si stáhlo už 1,9 milionu lidí, řekl Dzurilla v Rozstřelu

  • Nejčtenější

Jih Česka zasáhly bouřky se silným větrem, hasiči evidují desítky zásahů

Bouře se prohnala takřka celou jižní částí Česka, v noci na pondělí může spadnout až 80 milimetrů srážek a vítr dosáhne...

Na Děčínsku opět zasahovali hasiči, silné bouřky hrozí i v dalších krajích

Vydatný déšť v pondělí odpoledne zaměstnal hasiče na Děčínsku, kde padaly stromy, voda zaplavila i viadukt. Podle...

Soud zrušil respirátory v budovách i MHD. Ministerstvo vydá opatření znovu

Aktuální opatření o nošení respirátorů uvnitř není dost odůvodněné, Nejvyšší správní soud ho proto zrušil. Uvedl to v...

Kandidátka Zelených na kancléřku má další problém. Řekla slovo na N

Kandidátka Zelených na německou kancléřku Annalena Baerbocková má další problém. V přednášce použila takzvané slovo na...

{NADPIS reklamního článku dlouhý přes dva řádky}

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

Volno pro očkované státní zaměstnance schválila vláda. Nemocní odloží roušku

V 7 hodin zasedla vláda, které premiér Andrej Babiš předložil návrh o dvou dnech placeného volna za očkování, a to všem...

KOMENTÁŘ: Cesta do elektromobilního pekla. Auta přinášejí víc problémů než výhod

Premium Nová doba elektromobilní nás vrátí o půlstoletí zpátky: auto bude luxus, mobilita taky a draze to zaplatíme všichni. I...

Mlčeti zlato. Profesionální vyjednavač vysvětluje, jak jednat s dětmi či šéfem

Premium Každý člověk vyjednává v průměru pětkrát za den. Doma s partnerem, s dětmi, v práci se šéfem, s podřízenými. Radim...

Český vlk z Wall Street jde k soudu. Hlavní roli v kauze Via Chem má miliardář Sisák

Premium Schyluje se k dlouho očekávané soudní bitvě, v níž je hlavní postavou známý český finančník a miliardář Petr Sisák...

  • Další z rubriky

Hasiči zasahovali v obcích zničených tornádem. Vichr v bouřkách trhal plachty

Varování před prudkým deštěm s bouřkami se vyplnilo, zasáhly především východ republiky. Hasiči vyjížděli k desítkám...

Politici přišli ukázat hotovou D1. Hotová není, zbývá dokončit tři úseky

Dálnice D1 by měla být po celkové rekonstrukci plně průjezdná počátkem října. Po pondělním odstranění dopravního...

V sobotu přibylo 117 případů covidu, o deset méně než před týdnem

Testy odhalily sobotu v Česku 117 nových případů covidu-19, o deset méně než před týdnem. Reprodukční číslo, udávající...

Žáci dohánějí výuku po pandemii. Z letních škol jsou děti nadšené

Premium Hledat žáky o prázdninách ve škole je asi to poslední, co by člověka napadlo. Letos to však neplatí. Po celé republice...

LETNÍ SOUTĚŽ: Přidejte svůj tip na výlet a hrajte o jednu z 10 krásných cen
LETNÍ SOUTĚŽ: Přidejte svůj tip na výlet a hrajte o jednu z 10 krásných cen

Vkládejte svoje tipy na výlety s dětmi a vyhrávejte hodnotné ceny po celé léto. Sdílejte svoje oblíbená místa, hodnoťte tipy ostatních, hrajte o...

Britney Spears se ukázala nahoře bez. Prý na protest proti otci

Britney Spears (39), která s otcem bojuje u soudu kvůli opatrovnictví a správě jejího majetku, zveřejnila na sociálních...

Ostych a stud před kolegy jsou ztracená energie, míní Vica Kerekes

Slovenská herečka maďarského původu Vica Kerekes (40) přijala nabídku režiséra Tomáše Svobody a zahraje si v jeho...

Neteř princezny Diany se vdala. Vzala si o 32 let staršího miliardáře

Lady Kitty Spencerová (30) se vdala. Neteř princezny Diany si vzala jihoafrického módního magnáta Michaela Lewise (62)....

Dabéři Naked Attraction: Byli jsme v šoku, že něco takového může vůbec existovat

Nahota je televizní evergreen a stále dokáže diváky přikovat u obrazovek. Počátkem devadesátých let to bylo Tutti...

Zemřel herec Vladimír Marek, roky bojoval s rakovinou

V nedožitých 70 letech zemřel ve čtvrtek divadelní, muzikálový i televizní herec Vladimír Marek. Podle Blesk.cz se od...