МЕТОД СИСТЕМНОЇ ІНЖЕНЕРІЇ СИСТЕМ НЕЙРОННОГО МАШИННОГО ПЕРЕКЛАДУ

Павло Павлович Маслянко; Євгеній Петрович Сєльський

doi:10.20535/kpisn.2021.2.236939

Т. · № 2 · 2021 сер 31, 2021 статті

МЕТОД СИСТЕМНОЇ ІНЖЕНЕРІЇ СИСТЕМ НЕЙРОННОГО МАШИННОГО ПЕРЕКЛАДУ

ПМ

Павло Павлович Маслянко Відповідальний Igor Sikorsky Kyiv Polytechnic Institute, Ukraine Україна

ЄС

Євгеній Петрович Сєльський ENSTAIPParis, France Україна

Опублікованосер 31, 2021

PDF

НВКПІ 2 ТОМ · 2

ТОМ · № 2 · 2021 Переглянути випуск

Анотація

Проблематика. На ринку існує не так багато компаній-розробників систем машинного перекладу (СМП), продукти яких користуються попитом. Це, наприклад, “ GoogleTranslate” , “DeepLTranslator” , “ModernMT” , “Apertium” , “Trident” тощо . Існує потреба в упорядкованих і систематизованих методів розроблення СМП, а також потрібні науково обґрунтовані методи інженерії систем нейронного машинного перекладу (СНМП), щоб якнайшвидше отримати якісний і конкурентоспроможний продукт. Мета дослідження. Застосувати бізнес-профіль Еріксона-Пенкера для розроблення та формалізації методу системної інженерії СНМП. Методика реалізації. Методологія системної інженерії і бізнес-профіль Еріксона-Пенкера для формалізації впорядкованого способу розроблення СНМП. Результати дослідження. Метод розроблення СНМП на основі застосування технік системної інженерії складається з трьох основних етапів. На першому етапі структуру СНМП моделюють як бізнес-профіль Еріксона-Пенкера, на другому – визначають множину процесів, характерну для класу систем Data Science та міжнародного стандарту CRISP-DM, а на третьому проводять верифікацію та валідацію розробленої СНМП. Висновки. Запропоновано метод системної інженерії СНМП, що базується на модифікованому бізнес-профілі Еріксона-Пенкера представлення системи на метарівні, а також міжнародних стандартів процесів DataScience та DataMining. Досліджено ефективність застосування методу на прикладі розроблення системи двоспрямованого англійсько-українського нейронного машинного перекладу EUMT (English-Ukrainian Machine Translator) і встановлено, що система EUMT щонайменше не поступається за якістю англійсько-українського перекладу популярному перекладачеві “ GoogleTranslate ”. Повний код версії системи EUMT опублікований на платформі GitHub та доступний за посиланням: https://github.com/EugeneSel/EUMT

Ключові слова

#Статистичні методи #система нейронного машинного перекладу #системна інженерія #метод Еріксона-Пенкера

Посилання

H.-E. Eriksson and M. Penker, Business modeling with UML. New York: John Wiley & Sons, 2000, 459 p.
A. Kossiakoff et al., Systems Engineering Principles and Practice, V.K. Batovrin, Ed. Moscow, Russia: DMK Press, 2014, 624 p.
D.K. Hitchins, Systems Engineering: A 21st Century Systems Methodology. Wiley, 2007, 528 p.
S. Krymskyi, “Metod,” in Filosofskyi Entsyklopedychnyi Slovnyk, V.I. Shynkaruk, Ed. Kyiv, Ukraine: Abrys, 2002, 742 p.
P.Р. Maslyanko and O.S. Maystrenko, “The system engineering of organizational system informatization projects,” KPI Sci. News, no. 6, pp. 34–42, 2008.
C. O'Neil and R. Schutt, Doing data science: Straight talk from the frontline. O'Reilly Media, Inc., 2013, 406 p.
F. Provost and T. Fawcett, Data science for business: What you need to know about data mining and data-analytic thinking. O'Reilly Media, Inc., 2013.
D. Bahdanau et al., “Neural machine translation by jointly learning to align and translate,” in 3rd International Conference on Learning Representations, San Diego, United States, 2014.
J. Gehring et al. (2016). A convolutional encoder model for neural machine translation [Online]. Available: https://arxiv.org/pdf/1611.02344.pdf
A. Vaswani et al., “Attention is all you need,” in 31st Conference on Neural Information Processing Systems, Long Beach, CA, USA, 2017.
P. Bojanowski et al., “Enriching word vectors with subword information,” Trans. Assoc. Computation. Ling., vol. 5, pp. 135–146, 2017.
D.P. Kingma and J.L. Ba. (2014). Adam: A method for stochastic optimization [Online]. Available: https://arxiv.org/pdf/1412.6980.pdf?source=post_page
C. Szegedy et al. (2016). Rethinking the inception architecture for computer vision [Online]. Available: https://arxiv.org/pdf/1512.00567.pdf
K. Papineni et al. “Bleu: A method for automatic evaluation of machine translation,” in Proc. 40th Annual Meeting of the Association for Computational Linguistics (ACL), Philadelphia, 2002, pp. 311–318.
J. Tiedemann. (2012). Parallel data, tools and interfaces in OPUS [Online]. Available: http://www.lrec-conf.org/proceedings/lrec2012/pdf/463_Paper.pdf
M. Johnson et al. (2017). Google’s multilingual neural machine translation system: Enabling zero-shot translation [Online]. Available: https://arxiv.org/pdf/1611.04558.pdf
S. Holger et al. (2019). WikiMatrix: Mining 135M parallel sentences in 1620 language pairs from Wikipedia [Online]. Available: https://arxiv.org/pdf/1907.05791.pdf
A. El-Kishky et al. (2021). XLEnt: Mining Cross-lingual Entities with Lexical-Semantic-Phonetic Word Alignment [Online]. Available: http://data.statmt.org/xlent/elkishky_XLEnt.pdf
A. Abdelali et al., “The AMARA Corpus: Building parallel language resources for the educational domain,” in Proc. 9th International Conference on Language Resources and Evaluation (LREC'14), Reykjavik, Iceland, 2014, p. 1856–1862.

Попередня у випуску ВИБІР КРИТЕРІЮ ЯКОСТІ ДЛЯ ОЦІНЮВАННЯ ПРОГНОЗІВ НЕЛІНІЙНИХ НЕСТАЦІОНАРНИХ ПРОЦЕСІВ Наступна у випуску ПІДХОДИ ДО СОРТУВАННЯ В ЕВРИСТИЦІ НА ОСНОВІ ЗАЛИШКОВИХ НАЯВНИХ РЕСУРСІВ І ПЕРІОДІВ ДО ОБРОБКИ ДЛЯ МІНІМІЗАЦІЇ ЗАГАЛЬНОГО ЗВАЖЕНОГО ЗАПІЗНЮВАННЯ У ПОСТУПАЛЬНОМУ ОДНОМАШИННОМУ ПЛАНУВАННІ З ПЕРЕМИКАННЯМИ БЕЗ ПРОСТОЮ

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

РОЗРОБКА МЕТОДУ ФОРМАЛІЗАЦІЇ ДИНАМІЧНИХ ТЕПЛОВИХ ПОРТРЕТІВ ДЛЯ НАДІЙНОГО ВИЯВЛЕННЯ ЦІЛЕЙ

Степан Лис, Оксана Оборська

Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в…

#тепловізійні системи #ідентифікація цілей #локалізація зони інтересу #динамічний тепловий портрет

10.20535/kpisn.2026.3.359114

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі

10.20535/kpisn.2026.3.359610

МЕТОДИ ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ОБРОБКИ ТА ПЕРЕДАЧІ ДАНИХ У ПРОМИСЛОВИХ СИСТЕМАХ АВТОМАТИЗАЦІЇ

Ярослав Корпань, Євген Федоров, Ольга Нечипоренко

Проблематика. Сучасні промислові системи контролю характеризуються високим рівнем інтеграції інформаційних і фізичних процесів та використанням розподілених…

#промислові системи автоматизації #SCADA-системи #цілісність даних #кібербезпека ICS

10.20535/kpisn.2026.3.361520

Схожі статті

Костянтин Д. Грішин, Nadezhda Nedashkovskaya, МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ КОНФІГУРАЦІЙ РУК УКРАЇНСЬКОЇ ЖЕСТОВОЇ МОВИ , Наукові вісті КПІ: Том 143 № 2 (2026)
Дмитро Петренко, Анатолій Протасов, АЛГОРИТМ БЕЗКАРТОГРАФІЧНОЇ НАВІГАЦІЇ РОБОТА HUSKY НА ОСНОВІ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ТА АДАПТИВНОГО НАВЧАЛЬНОГО ПЛАНУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Костянтин Бровко, Павло Буданов, Олег Великогорський, Юлія Олійник, Наталія Винокурова, Сергій Войтенко, ІМІТАЦІЙНА МОДЕЛЬ ЦИФРОВОГО ДВІЙНИКА ТЕХНОЛОГІЧНОГО ПРОЦЕСУ ЕНЕРГОБЛОКУ АЕС , Наукові вісті КПІ: Том 143 № 2 (2026)
Віталій Голубінка, АВТОНОМНА СИСТЕМА РЕКОМЕНДАЦІЇ ІНДЕКСІВ ДЛЯ РЕЛЯЦІЙНИХ БАЗ ДАНИХ НА ОСНОВІ COST-MODEL ТА PLAN COVERING , Наукові вісті КПІ: Том 143 № 2 (2026)
Євген Панкратов, Григорій Тимчик, МІКРОСЕРВІСНА АРХІТЕКТУРА ТА АЛГОРИТМИ МОДУЛЬНОЇ СИСТЕМИ АВТОМАТИЗАЦІЇ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ МАЛОГО БІЗНЕСУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Павло Кость, Лариса Гліненко, МЕТОДИКА ВИБОРУ СТРУКТУРИ ПЕРЕДАВАЛЬНОГО ТРАКТУ ДЛЯ ТЕРМОЯДЕРНИХ УСТАНОВОК , Наукові вісті КПІ: Том 143 № 2 (2026)
Валерій Лось, Олександр Ряхін, МОДИФІКАЦІЯ НЕЙРОМЕРЕЖЕВОГО МЕТОДУ SPINN ДЛЯ НАБЛИЖЕНОГО РОЗВ'ЯЗАННЯ МІШАНОЇ ЗАДАЧІ ДЛЯ РІВНЯННЯ ТЕПЛОПРОВІДНОСТІ В ЕЛІПТИЧНІЙ ОБЛАСТІ , Наукові вісті КПІ: Том 144 № 3 (2026)
Roman M. Galagan, Andrii S. Momot, АНАЛІЗ ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПІДВИЩЕННЯ ДОСТОВІРНОСТІ АКТИВНОГО ТЕПЛОВОГО НЕРУЙНІВНОГО КОНТРОЛЮ , Наукові вісті КПІ: № 1 (2019)
Yevhen I. Bilous, Oleh I. Nesterenko, СПРОЩЕННЯ МОДЕЛІ ВИМІРЮВАННЯ В АЛГОРИТМІ КВАТЕРНІОННОГО ФІЛЬТРА КАЛМАНА БЕЗПЛАТФОРМНОЇ КУРСОВЕРТИКАЛІ , Наукові вісті КПІ: № 1 (2019)
Tetiana M. Gensitska, Tetiana I. Gural, Volodymyr M. Tiagur, МЕТОД КАЛІБРУВАННЯ КУТОВИХ ПАРАМЕТРІВ СКАНЕРІВ ДИСТАНЦІЙНОГО ЗОНДУВАННЯ ЗЕМЛІ , Наукові вісті КПІ: № 1 (2019)

1-10 з 92 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] H.-E. Eriksson and M. Penker, Business modeling with UML. New York: John Wiley & Sons, 2000, 459 p.

[2] A. Kossiakoff et al., Systems Engineering Principles and Practice, V.K. Batovrin, Ed. Moscow, Russia: DMK Press, 2014, 624 p.

[3] D.K. Hitchins, Systems Engineering: A 21st Century Systems Methodology. Wiley, 2007, 528 p.

[4] S. Krymskyi, “Metod,” in Filosofskyi Entsyklopedychnyi Slovnyk, V.I. Shynkaruk, Ed. Kyiv, Ukraine: Abrys, 2002, 742 p.

[5] P.Р. Maslyanko and O.S. Maystrenko, “The system engineering of organizational system informatization projects,” KPI Sci. News, no. 6, pp. 34–42, 2008.

[6] C. O'Neil and R. Schutt, Doing data science: Straight talk from the frontline. O'Reilly Media, Inc., 2013, 406 p.

[7] F. Provost and T. Fawcett, Data science for business: What you need to know about data mining and data-analytic thinking. O'Reilly Media, Inc., 2013.

[8] D. Bahdanau et al., “Neural machine translation by jointly learning to align and translate,” in 3rd International Conference on Learning Representations, San Diego, United States, 2014.

[9] J. Gehring et al. (2016). A convolutional encoder model for neural machine translation [Online]. Available: https://arxiv.org/pdf/1611.02344.pdf

[10] A. Vaswani et al., “Attention is all you need,” in 31st Conference on Neural Information Processing Systems, Long Beach, CA, USA, 2017.

[11] P. Bojanowski et al., “Enriching word vectors with subword information,” Trans. Assoc. Computation. Ling., vol. 5, pp. 135–146, 2017.

[12] D.P. Kingma and J.L. Ba. (2014). Adam: A method for stochastic optimization [Online]. Available: https://arxiv.org/pdf/1412.6980.pdf?source=post_page

[13] C. Szegedy et al. (2016). Rethinking the inception architecture for computer vision [Online]. Available: https://arxiv.org/pdf/1512.00567.pdf

[14] K. Papineni et al. “Bleu: A method for automatic evaluation of machine translation,” in Proc. 40th Annual Meeting of the Association for Computational Linguistics (ACL), Philadelphia, 2002, pp. 311–318.

[15] J. Tiedemann. (2012). Parallel data, tools and interfaces in OPUS [Online]. Available: http://www.lrec-conf.org/proceedings/lrec2012/pdf/463_Paper.pdf

[16] M. Johnson et al. (2017). Google’s multilingual neural machine translation system: Enabling zero-shot translation [Online]. Available: https://arxiv.org/pdf/1611.04558.pdf

[17] S. Holger et al. (2019). WikiMatrix: Mining 135M parallel sentences in 1620 language pairs from Wikipedia [Online]. Available: https://arxiv.org/pdf/1907.05791.pdf

[18] A. El-Kishky et al. (2021). XLEnt: Mining Cross-lingual Entities with Lexical-Semantic-Phonetic Word Alignment [Online]. Available: http://data.statmt.org/xlent/elkishky_XLEnt.pdf

[19] A. Abdelali et al., “The AMARA Corpus: Building parallel language resources for the educational domain,” in Proc. 9th International Conference on Language Resources and Evaluation (LREC'14), Reykjavik, Iceland, 2014, p. 1856–1862.