Google memperkenalkan peningkatan AI untuk mengatasi bias gender dalam terjemahan


Google memperkenalkan peningkatan AI untuk mengatasi bias gender dalam terjemahan

Google memperkenalkan peningkatan AI untuk mengatasi bias gender dalam terjemahan

 

Google memperkenalkan peningkatan AI untuk mengatasi bias gender dalam terjemahan
Google memperkenalkan peningkatan AI untuk mengatasi bias gender dalam terjemahan

Selama bertahun-tahun, Google Translate menunjukkan bias gender dengan mengaitkan pekerjaan netral gender

dengan gender tertentu: dokter untuk pria dan perawat untuk wanita. Pada tahun 2018, raksasa pencarian mengatasi masalah itu dengan menyediakan terjemahan dalam kedua gender untuk kalimat dalam bahasa netral gender seperti Turki.

Kemarin, tim AI Google merilis model baru yang lebih scalable – artinya dapat diterapkan untuk menerjemahkan frasa dalam bahasa lain. Peluncuran baru ini membawa dukungan untuk terjemahan spesifik-jender dari Inggris ke Spanyol dan dari Finlandia, Hongaria, dan Persia ke Inggris.

Dalam sebuah posting blog, perusahaan menjelaskan ketika menerapkan pendekatan lama menerjemahkan Turki-

ke-Inggris ke bahasa lain, ia menemukan kesalahan dalam hasil akhir. Tim mengatakan ketika menggunakan Terjemahan Mesin Saraf (NMT) sistem gagal menunjukkan terjemahan spesifik gender untuk lebih dari 40% dari pertanyaan, karena dua terjemahan tidak komparatif kecuali untuk fenomena yang berhubungan dengan gender.

Kiri: Contoh awal terjemahan frasa bahasa Inggris yang netral-jender ke bahasa Spanyol yang spesifik jender. Dalam hal ini, hanya contoh bias yang diberikan. Kanan: Terjemahan baru menyediakan opsi terjemahan feminin dan maskulin.

Dalam pendekatan yang lebih lama, sistem menghasilkan terjemahan spesifik gender pada langkah kedua proses. Sistem beralih yang memproses dalam model yang lebih baru dengan menghasilkan terjemahan pada langkah pertama. Untuk langkah kedua, AI menggunakan rewriter yang baru dibangun, yang batuk terjemahan alternatif jika input jender.

Untuk melatih penulis ulang, tim pertama-tama menggunakan jutaan kalimat dalam bahasa Inggris untuk membuat

model dasar. Kemudian peneliti melatihnya untuk input feminin ke output maskulin dan sebaliknya. Akhirnya, hasil

dari kedua arah digabung untuk membuat model lapisan tunggal urutan-ke-urutan berbasis transformator.
Pendekatan lama v pendekatan baru

Google juga telah mengembangkan model reduksi bias untuk mengevaluasi bias ketika sistem memilih satu jenis kelamin dari yang lain. Perusahaan mengklaim akurasi model baru untuk menunjukkan terjemahan spesifik gender adalah 97%.

Baca Juga: