Filmedy: Nahrazení textu „\\([^ ].?[^ ])\\*“ textem „'''$1'''“

2026-01-05T05:11:31Z

Nahrazení textu „\*\*([^ ].*?[^ ])\*\*“ textem „'''$1'''“

InfopediaBot: Bot: AI generace (gemini-2.5-pro + Cache)

2025-12-29T14:08:41Z

Bot: AI generace (gemini-2.5-pro + Cache)

Nová stránka

{{K rozšíření}}
{{Infobox - Technologie
| název = Strojový překlad
| obrázek = Machine Translation Diagram.svg
| popisek = Schematické znázornění procesu neuronového strojového překladu
| obor = [[Umělá inteligence]], [[Zpracování přirozeného jazyka]], [[Počítačová lingvistika]]
| princip = Automatický převod textu nebo řeči z jednoho [[přirozený jazyk|přirozeného jazyka]] do druhého pomocí [[počítač|počítačových]] [[algoritmus|algoritmů]].
| první_demonstrace = [[7. leden|7. ledna]] [[1954]] (Georgetown-IBM experiment)
| klíčové_technologie = [[Neuronová síť|Neuronové sítě]] ([[Transformer (architektura)|Transformer]]), [[Statistické modelování]], [[Velký jazykový model|Velké jazykové modely]], [[Velká data|Big Data]]
| hlavní_vývojáři = [[Google]], [[Meta Platforms|Meta]], [[Microsoft]], [[DeepL]], [[Apple Inc.|Apple]]
| příklady_použití = [[Překladač Google]], [[DeepL Translator]], [[Microsoft Translator]], automatické titulkování, [[lokalizace]] softwaru
}}

'''Strojový překlad''' (anglicky '''Machine Translation''', zkráceně '''MT''') je subdisciplína [[počítačová lingvistika|počítačové lingvistiky]] a [[umělá inteligence|umělé inteligence]], která se zabývá automatickým překladem textu nebo řeči z jednoho [[přirozený jazyk|přirozeného jazyka]] do druhého pomocí počítačového softwaru. Cílem je vytvořit překlad, který je co nejpřesnější, nejplynulejší a zachovává původní význam a kontext. Moderní systémy strojového překladu, zejména ty založené na [[neuronová síť|neuronových sítích]] a [[velký jazykový model|velkých jazykových modelech]], dosáhly v posledních letech pozoruhodné kvality, i když stále čelí výzvám v oblasti porozumění nuancím, [[idiom|idiomům]] a kulturnímu kontextu.

== 📜 Historie ==
Historie strojového překladu je úzce spjata s vývojem [[počítač|počítačů]] a [[umělá inteligence|umělé inteligence]].

=== ⏳ Rané počátky a studená válka ===
Myšlenka automatického překladu se objevila již v 17. století, ale praktické pokusy začaly až s příchodem elektronických počítačů ve 20. století. Významným impulsem byla [[studená válka]], kdy existovala silná poptávka po rychlém překladu dokumentů mezi [[angličtina|angličtinou]] a [[ruština|ruštinou]].

První veřejná demonstrace systému strojového překladu, známá jako '''Georgetown-IBM experiment''', proběhla [[7. leden|7. ledna]] [[1954]]. Systém, běžící na počítači [[IBM]] 701, přeložil více než 60 vět z ruštiny do angličtiny. Přestože šlo o velmi omezený systém s malým slovníkem a několika gramatickými pravidly, vyvolal vlnu optimismu a masivního financování výzkumu.

Tento optimismus však opadl v roce [[1966]], kdy zpráva amerického výboru ALPAC (Automatic Language Processing Advisory Committee) zhodnotila dosavadní pokrok jako velmi malý a drahý. Zpráva doporučila omezit financování, což vedlo k útlumu výzkumu na téměř dvě desetiletí, období známé jako první "[[Zima umělé inteligence|zima AI]]".

=== 📊 Éra statistických metod ===
V pozdních 80. a zejména v 90. letech 20. století došlo k paradigmatickému posunu od systémů založených na pravidlech k systémům založeným na [[statistika|statistice]]. Místo toho, aby se lingvisté snažili ručně naprogramovat složitá gramatická pravidla, začali výzkumníci využívat obrovské množství textových dat (tzv. [[paralelní korpus|paralelních korpusů]]), která obsahovala stejné texty v různých jazycích.

Statistický strojový překlad (SMT) se učí pravděpodobnostní vztahy mezi slovy a frázemi ve zdrojovém a cílovém jazyce. Průlomem byl zejména frázový SMT, který nepřekládal slovo po slově, ale pracoval s celými segmenty vět. Tento přístup dominoval oboru až do poloviny roku 2010 a stál za úspěchem služeb jako raná verze [[Překladač Google|Překladače Google]].

=== 🧠 Nástup neuronových sítí ===
Kolem roku [[2014]] začala nová revoluce v podobě '''neuronového strojového překladu''' (NMT). Místo statistických modelů začaly systémy využívat hluboké [[neuronová síť|neuronové sítě]], konkrétně architektury typu [[rekurentní neuronová síť|rekurentních neuronových sítí]] (RNN) s mechanismy jako LSTM (Long Short-Term Memory).

Klíčovým zlomem byl rok [[2017]], kdy [[Google]] publikoval článek "Attention Is All You Need", který představil architekturu [[Transformer (architektura)|Transformer]]. Tato architektura, založená výhradně na mechanismu pozornosti (attention mechanism), umožnila efektivnější paralelní zpracování dat a lépe zachycovala dlouhodobé závislosti ve větách. Transformer se rychle stal standardem pro NMT a vedl k bezprecedentnímu skoku v kvalitě překladu.

=== 🤖 Současnost a velké jazykové modely ===
Od roku 2020 je vývoj strojového překladu stále více ovlivňován [[velký jazykový model|velkými jazykovými modely]] (LLM), jako jsou modely z rodiny [[GPT]], [[PaLM]] nebo [[Gemini (jazykový model)|Gemini]]. Tyto modely, trénované na obrovských objemech textových dat z internetu, vykazují vynikající schopnosti překladu i bez specifického tréninku na překladatelských datech (tzv. zero-shot nebo few-shot translation). Často dosahují kvality srovnatelné nebo dokonce lepší než specializované NMT systémy a lépe si poradí s kontextem, stylem a kreativitou.

== ⚙️ Metody a přístupy ==
Během historie se vyvinulo několik hlavních přístupů ke strojovému překladu.

=== 📖 Překlad založený na pravidlech (RBMT) ===
Nejstarší přístup, který se spoléhá na rozsáhlé soubory pravidel vytvořených [[lingvista|lingvisty]] a programátory.
* **Princip:** Systém využívá dvojjazyčné slovníky a explicitně naprogramovaná gramatická pravidla pro morfologickou, syntaktickou a sémantickou analýzu zdrojového textu a následnou syntézu v cílovém jazyce.
* **Výhody:** Překlady jsou předvídatelné a konzistentní. Dobře funguje pro specifické domény (např. technické manuály) s omezenou slovní zásobou.
* **Nevýhody:** Tvorba pravidel je extrémně náročná a nákladná. Systémy jsou křehké, špatně si poradí s nejednoznačností, výjimkami a hovorovým jazykem.

=== 📈 Statistický strojový překlad (SMT) ===
Tento přístup dominoval od 90. let do poloviny roku 2010.
* **Princip:** Systém se učí překládat analýzou paralelních korpusů. Pomocí statistických modelů odhaduje nejpravděpodobnější překlad fráze nebo věty.
* **Výhody:** Není třeba ručně vytvářet pravidla. Systém se automaticky učí z dat.
* **Nevýhody:** Kvalita silně závisí na množství a kvalitě trénovacích dat. Překlady mohou být gramaticky neohrabané a postrádat plynulost, protože model optimalizuje statistickou pravděpodobnost, nikoli lingvistickou správnost.

=== 🧠 Neuronový strojový překlad (NMT) ===
Současný dominantní přístup.
* **Princip:** Využívá hluboké neuronové sítě (nejčastěji architekturu Transformer) k modelování celého procesu překladu. Systém kóduje zdrojovou větu do číselné reprezentace (vektoru) a poté ji dekóduje do cílového jazyka.
* **Výhody:** Produkuje výrazně plynulejší a gramaticky správnější překlady. Lépe zachycuje kontext a dlouhé závislosti ve větách.
* **Nevýhody:** Vyžaduje obrovské množství dat a výpočetního výkonu pro trénink. Funguje jako "[[černá skříňka]]" – je obtížné interpretovat, proč systém zvolil konkrétní překlad. Může generovat "halucinace" (plynulý, ale fakticky nesprávný text).

=== 🤝 Hybridní systémy ===
Tyto systémy kombinují prvky více přístupů, například pravidlových a statistických, nebo statistických a neuronových, ve snaze využít výhod každého z nich a minimalizovat jejich nedostatky.

== 🎯 Výzvy a omezení ==
Navzdory obrovskému pokroku se strojový překlad stále potýká s řadou problémů:
* '''Nejednoznačnost:''' Mnoho slov má více významů (lexikální nejednoznačnost) a větné struktury mohou být interpretovány různě (syntaktická nejednoznačnost).
* '''Idiomy a hovorový jazyk:''' Doslovný překlad idiomů (např. "it's raining cats and dogs") nedává smysl.
* '''Kulturní kontext:''' Překlad často vyžaduje znalost kulturních reálií, které stroj nemá.
* '''Tón a styl:''' Zachování formálního, neformálního, humorného nebo poetického tónu je velmi obtížné.
* '''Nízkozdrojové jazyky:''' Pro jazyky s malým množstvím dostupných digitálních textů (např. mnoho afrických nebo domorodých jazyků) je trénink kvalitních modelů obtížný.
* '''Zkreslení (Bias):''' Modely se učí z dat vytvořených lidmi a mohou reprodukovat a zesilovat společenské stereotypy, například genderové zkreslení (překlad "doctor" jako "lékař" a "nurse" jako "sestřička").

== ⚖️ Hodnocení kvality překladu ==
Měření kvality strojového překladu je netriviální úkol. Používají se dvě hlavní metody:
* '''Lidské hodnocení:''' Profesionální překladatelé hodnotí překlady na základě kritérií jako je '''plynulost''' (fluency) a '''adekvátnost''' (adequacy – jak dobře je zachován význam). Je to nejpřesnější, ale také nejdražší a nejpomalejší metoda.
* '''Automatické metriky:''' Algoritmy, které porovnávají strojový překlad s jedním nebo více referenčními lidskými překlady. Nejznámější metrikou je '''BLEU''' (Bilingual Evaluation Understudy), která měří překryv n-gramů (sekvencí slov) mezi strojovým a referenčním překladem. Další metriky zahrnují METEOR, TER nebo novější, na [[embedding|embeddingách]] založené metriky jako COMET.

== 🌍 Využití v praxi ==
Strojový překlad se stal součástí každodenního života a profesionálních nástrojů:
* '''Webové překladače:''' Služby jako [[Překladač Google]], [[DeepL Translator]] nebo [[Microsoft Translator]] umožňují okamžitý překlad webových stránek, dokumentů a textů.
* '''Komunikační aplikace:''' Integrace do aplikací jako [[Skype]] nebo [[Facebook Messenger]] umožňuje komunikaci v reálném čase mezi lidmi mluvícími různými jazyky.
* '''CAT nástroje:''' Profesionální překladatelé používají nástroje pro počítačem podporovaný překlad (Computer-Assisted Translation), kde jim strojový překlad nabízí návrhy, které mohou upravit a vylepšit.
* '''Lokalizace:''' Automatizace překladu softwaru, her a webových stránek pro globální trhy.
* '''Analýza informací:''' Vlády a korporace používají MT k monitorování a analýze zpráv a sociálních médií v cizích jazycích.

== 💡 Pro laiky ==
Představte si tři různé typy překladatelů, kteří ilustrují hlavní metody strojového překladu:

1. '''Překladatel-Gramatik (Přístup založený na pravidlech):''' Tento překladatel má obrovskou knihovnu gramatických pravidel a masivní dvojjazyčný slovník. Když dostane větu, pečlivě ji rozebere na slovní druhy, určí podmět a přísudek a pak ji podle přísných pravidel složí v druhém jazyce. Jeho překlad je gramaticky často správný, ale zní kostrbatě a roboticky, protože mu chybí cit pro jazyk a výjimky.

2. '''Překladatel-Statistik (Statistický přístup):''' Tento překladatel nikdy nestudoval gramatiku. Místo toho přečetl miliony knih, které už někdo přeložil. Když má přeložit větu, prohledá svou paměť a najde nejpravděpodobnější překlad na základě toho, jak často se dané fráze objevovaly spolu v textech, které četl. Jeho překlady jsou lepší než u gramatika, ale občas poskládá slova v divném pořadí, protože se řídí jen pravděpodobností, ne skutečným porozuměním.

3. '''Překladatel-Intuitivní student (Neuronový přístup):''' Tento překladatel se učil jazyk podobně jako člověk – posloucháním a čtením obrovského množství textů. Nevytvářel si explicitní pravidla ani statistiky, ale postupně si vyvinul "cit" pro to, co zní v daném jazyce přirozeně. Dokáže pochopit kontext celé věty a generovat plynulý a přirozeně znějící překlad. Je to nejlepší ze všech tří, ale protože se spoléhá na svou intuici, občas si něco domyslí nebo špatně pochopí velmi specifický detail.

== 🔮 Budoucnost strojového překladu ==
Vývoj směřuje k ještě pokročilejším systémům, které budou lépe zvládat současné výzvy. Mezi klíčové trendy patří:
* '''Lepší práce s kontextem:''' Překlad nejen jednotlivých vět, ale celých dokumentů a konverzací se zachováním konzistence.
* '''Personalizace:''' Přizpůsobení překladu stylu a terminologii konkrétního uživatele nebo firmy.
* '''Multimodalita:''' Překlad textu obsaženého v obrázcích nebo videích a kombinace textu, hlasu a obrazu.
* '''Přímý překlad řeči:''' Překlad mluveného slova přímo do mluveného slova v jiném jazyce bez mezikroku v podobě textu.
* '''Větší důraz na nízkozdrojové jazyky:''' Vývoj technik, které umožní vytvářet kvalitní překladače i pro jazyky s omezenými datovými zdroji.

{{DEFAULTSORT:Strojovy preklad}}
{{Aktualizováno|datum=29.12.2025}}
[[Kategorie:Umělá inteligence]]
[[Kategorie:Zpracování přirozeného jazyka]]
[[Kategorie:Lingvistika]]
[[Kategorie:Překladatelství]]
[[Kategorie:Počítačová lingvistika]]
[[Kategorie:Vytvořeno Gemini 2.5 Pro]]

← Starší verze		Verze z 5. 1. 2026, 07:11
Řádek 42:		Řádek 42:
	=== 📖 Překlad založený na pravidlech (RBMT) ===		=== 📖 Překlad založený na pravidlech (RBMT) ===
	Nejstarší přístup, který se spoléhá na rozsáhlé soubory pravidel vytvořených [[lingvista\|lingvisty]] a programátory.		Nejstarší přístup, který se spoléhá na rozsáhlé soubory pravidel vytvořených [[lingvista\|lingvisty]] a programátory.
	* Princip: Systém využívá dvojjazyčné slovníky a explicitně naprogramovaná gramatická pravidla pro morfologickou, syntaktickou a sémantickou analýzu zdrojového textu a následnou syntézu v cílovém jazyce.		* '''Princip:''' Systém využívá dvojjazyčné slovníky a explicitně naprogramovaná gramatická pravidla pro morfologickou, syntaktickou a sémantickou analýzu zdrojového textu a následnou syntézu v cílovém jazyce.
	* Výhody: Překlady jsou předvídatelné a konzistentní. Dobře funguje pro specifické domény (např. technické manuály) s omezenou slovní zásobou.		* '''Výhody:''' Překlady jsou předvídatelné a konzistentní. Dobře funguje pro specifické domény (např. technické manuály) s omezenou slovní zásobou.
	* Nevýhody: Tvorba pravidel je extrémně náročná a nákladná. Systémy jsou křehké, špatně si poradí s nejednoznačností, výjimkami a hovorovým jazykem.		* '''Nevýhody:''' Tvorba pravidel je extrémně náročná a nákladná. Systémy jsou křehké, špatně si poradí s nejednoznačností, výjimkami a hovorovým jazykem.

	=== 📈 Statistický strojový překlad (SMT) ===		=== 📈 Statistický strojový překlad (SMT) ===
	Tento přístup dominoval od 90. let do poloviny roku 2010.		Tento přístup dominoval od 90. let do poloviny roku 2010.
	* Princip: Systém se učí překládat analýzou paralelních korpusů. Pomocí statistických modelů odhaduje nejpravděpodobnější překlad fráze nebo věty.		* '''Princip:''' Systém se učí překládat analýzou paralelních korpusů. Pomocí statistických modelů odhaduje nejpravděpodobnější překlad fráze nebo věty.
	* Výhody: Není třeba ručně vytvářet pravidla. Systém se automaticky učí z dat.		* '''Výhody:''' Není třeba ručně vytvářet pravidla. Systém se automaticky učí z dat.
	* Nevýhody: Kvalita silně závisí na množství a kvalitě trénovacích dat. Překlady mohou být gramaticky neohrabané a postrádat plynulost, protože model optimalizuje statistickou pravděpodobnost, nikoli lingvistickou správnost.		* '''Nevýhody:''' Kvalita silně závisí na množství a kvalitě trénovacích dat. Překlady mohou být gramaticky neohrabané a postrádat plynulost, protože model optimalizuje statistickou pravděpodobnost, nikoli lingvistickou správnost.

	=== 🧠 Neuronový strojový překlad (NMT) ===		=== 🧠 Neuronový strojový překlad (NMT) ===
	Současný dominantní přístup.		Současný dominantní přístup.
	* Princip: Využívá hluboké neuronové sítě (nejčastěji architekturu Transformer) k modelování celého procesu překladu. Systém kóduje zdrojovou větu do číselné reprezentace (vektoru) a poté ji dekóduje do cílového jazyka.		* '''Princip:''' Využívá hluboké neuronové sítě (nejčastěji architekturu Transformer) k modelování celého procesu překladu. Systém kóduje zdrojovou větu do číselné reprezentace (vektoru) a poté ji dekóduje do cílového jazyka.
	* Výhody: Produkuje výrazně plynulejší a gramaticky správnější překlady. Lépe zachycuje kontext a dlouhé závislosti ve větách.		* '''Výhody:''' Produkuje výrazně plynulejší a gramaticky správnější překlady. Lépe zachycuje kontext a dlouhé závislosti ve větách.
	* Nevýhody: Vyžaduje obrovské množství dat a výpočetního výkonu pro trénink. Funguje jako "[[černá skříňka]]" – je obtížné interpretovat, proč systém zvolil konkrétní překlad. Může generovat "halucinace" (plynulý, ale fakticky nesprávný text).		* '''Nevýhody:''' Vyžaduje obrovské množství dat a výpočetního výkonu pro trénink. Funguje jako "[[černá skříňka]]" – je obtížné interpretovat, proč systém zvolil konkrétní překlad. Může generovat "halucinace" (plynulý, ale fakticky nesprávný text).

	=== 🤝 Hybridní systémy ===		=== 🤝 Hybridní systémy ===

Strojový překlad - Historie editací

Filmedy: Nahrazení textu „\*\*([^ ].*?[^ ])\*\*“ textem „'''$1'''“

InfopediaBot: Bot: AI generace (gemini-2.5-pro + Cache)

Filmedy: Nahrazení textu „\\([^ ].?[^ ])\\*“ textem „'''$1'''“