www.LemkoTran.com<\/code>, aby umo\u017cliwi\u0107 nowym m\u00f3wcom rewitalizacj\u0119 ich j\u0119zyka.<\/p>\n\nNowi u\u017cytkownicy j\u0119zyka s\u0105 kluczem do rewitalizacji j\u0119zyka, a mo\u017cliwo\u015b\u0107 „poprawnego m\u00f3wienia\u201e w j\u0119zyku \u0142emkowskim jest teraz w zasi\u0119gu ich r\u0119ki.<\/p>\n\n
S\u0142owa kluczowe:<\/strong> Sztuczna inteligencja skoncentrowana na cz\u0142owieku, Rewitalizacja j\u0119zyka, \u0141emkowski.<\/p>\n\nPobierz PDF<\/a>Pobierz<\/a><\/div>\n\nProsz\u0119 cytowa\u0107 jako: Orynycz, P. (2022). Powiedz to dobrze: Neuronowe t\u0142umaczenie maszynowe AI umo\u017cliwia nowym u\u017cytkownikom rewitalizacj\u0119 j\u0119zyka \u0142emkowskiego. W: Degen, H., Ntoa, S. (red.) Artificial Intelligence in HCI. HCII 2022. Lecture Notes in Computer Science, t. 13336. Springer, Cham. https:\/\/doi.org\/10.1007\/978-3-031-05643-7_37<\/a><\/p>\n\n\u2705 Ta wersja publikacji zosta\u0142a zaakceptowana do publikacji po recenzji, ale nie jest wersj\u0105 ostateczn\u0105 i nie odzwierciedla poprawek wprowadzonych po akceptacji ani \u017cadnych korekt. Wersja ostateczna jest dost\u0119pna online pod adresem <\/a>https:\/\/doi.org\/10.1007\/978-3-031-05643-7_37<\/a>. Korzystanie z tej zaakceptowanej wersji podlega warunkom u\u017cytkowania zaakceptowanego manuskryptu wydawcy: https:\/\/www.springernature.com\/gp\/open-research\/policies\/accepted-manuscript-terms<\/a>.<\/p>\n\nSpis tre\u015bci<\/h2>- Streszczenie<\/a><\/li>
- 1 Wprowadzenie<\/a>
- 1.1. Problemy<\/a><\/li>
- 1.2 Dotychczasowe prace<\/a><\/li>
- 1.3 Badany system<\/a><\/li>
- 1.4 Hipoteza<\/a><\/li>
- 1.5 Przewidywania<\/a><\/li>
- 1.6 Metody i uzasadnienie<\/a><\/li>
- 1.7 G\u0142\u00f3wne wyniki<\/a><\/li><\/ul><\/li>
- 2 Materia\u0142y i metody<\/a>
- 2.1 Konfiguracja<\/a><\/li><\/ul><\/li>
- 3 Wyniki<\/a>
- 3.1 Wyniki wed\u0142ug us\u0142ugi t\u0142umaczenia maszynowego<\/a><\/li><\/ul><\/li>
- 4 Dyskusja<\/a><\/li>
- Referencje<\/a><\/li><\/ul><\/div>\n\n
1 Wprowadzenie<\/h2>\n\n1.1. Problemy<\/h3>\n\n
Celem tego eksperymentu jest przyczynienie si\u0119 na poziomie lokalnym do globalnego wyzwania, jakim jest zanik j\u0119zyk\u00f3w, kt\u00f3ry mo\u017ce nast\u0119powa\u0107 w tempie jednego dziennie, przy czym szanse na przetrwanie ma zaledwie jeden na dziesi\u0119\u0107 j\u0119zyk\u00f3w [1, s. 1329]<\/a>. W momencie publikacji, SIL International’s Ethnologue<\/em> u\u017cywa Rozszerzonej Skali Mi\u0119dzypokoleniowego Zak\u0142\u00f3cenia Transmisji Lewisa i Simonsa z 2010 roku, aby oszacowa\u0107, \u017ce 3018 j\u0119zyk\u00f3w jest zagro\u017conych [2]<\/a>, co stanowi 43% z 7001 indywidualnych \u017cywych j\u0119zyk\u00f3w zliczonych w momencie publikacji w standardzie ISO 639-3 Mi\u0119dzynarodowej Organizacji Normalizacyjnej [3]<\/a>. Tymczasem Google Translate obs\u0142uguje tylko 108 j\u0119zyk\u00f3w [4]<\/a>, a Facebook 112 [5]<\/a>, co jest pocz\u0105tkiem. Niemniej jednak, jeden j\u0119zyk jest teraz mniej niedostatecznie obs\u0142ugiwany, poniewa\u017c owoc tego eksperymentu zosta\u0142 wdro\u017cony na serwerze internetowym jako publiczna us\u0142uga t\u0142umaczeniowa.<\/p>\n\nNowe technologie sztucznej inteligencji kusz\u0105 obietnic\u0105 pomocy, kt\u00f3ra natychmiast kompensuje utrat\u0119 j\u0119zyka poprzez interakcj\u0119 cz\u0142owiek-komputer. W moim poprzednim eksperymencie silniki neuronowe nowej generacji osi\u0105gn\u0119\u0142y wy\u017csze wyniki jako\u015bci t\u0142umaczenia z rosyjskiego i polskiego na angielski ni\u017c kontrola ludzka [6, s. 9]<\/a>. Tymczasem Facebook i Google1<\/sup> zainwestowa\u0142y ogromne zasoby w dostarczanie lepszych ni\u017c ludzkie automatycznych system\u00f3w t\u0142umaczeniowych bez koszt\u00f3w dla konsumenta. <\/p>\n\n1<\/sup> Ujawnienie: pracuj\u0119 jako p\u0142atny lingwista rosyjski, polski i ukrai\u0144ski oraz specjalista kontroli jako\u015bci t\u0142umacze\u0144 dla projektu Google Translate; siedziba g\u0142\u00f3wna znajduje si\u0119 w San Francisco.<\/p>\n\nNadludzka sztuczna inteligencja nie jest tania: trenowanie neuronowych modeli j\u0119zykowych wymaga dwuj\u0119zycznych korpus\u00f3w z liczb\u0105 s\u0142\u00f3w w setkach tysi\u0119cy, a idealnie w milionach, kt\u00f3rych przet\u0142umaczenie kosztowa\u0142oby setki tysi\u0119cy dolar\u00f3w, sumy przekraczaj\u0105ce mo\u017cliwo\u015bci wi\u0119kszo\u015bci spo\u0142eczno\u015bci j\u0119zyk\u00f3w o niskich zasobach. Na szcz\u0119\u015bcie ten eksperyment pokazuje, \u017ce istniej\u0105 bardziej zaradne i skuteczne sposoby odpowiedzi na wyzwanie tworzenia pomocy t\u0142umaczeniowych do rewitalizacji zagro\u017conych j\u0119zyk\u00f3w w \u015brodowiskach o niskich zasobach. <\/p>\n\n
1.2 Dotychczasowe prace<\/h3>\n\n
Zbudowa\u0142em pierwszy na \u015bwiecie system t\u0142umaczenia maszynowego z j\u0119zyka \u0142emkowskiego na angielski i udost\u0119pni\u0142em go publicznie. Jego obiektywne wyniki jako\u015bci t\u0142umaczenia ulega\u0142y poprawie: silnik osi\u0105gn\u0105\u0142 wynik BLEU (bilingual evaluation understudy) 14,57 latem 2021 roku, co zosta\u0142o zaprezentowane profesjonalistom na konferencji Interservice\/Industry Training, Simulation and Education Conference Narodowego Stowarzyszenia Przemys\u0142u Obronnego i opublikowane w jej materia\u0142ach [6]<\/a>. Dla por\u00f3wnania, jako t\u0142umacz-cz\u0142owiek pracuj\u0105cy w warunkach polowych, odci\u0119ty od \u015bwiata zewn\u0119trznego, uzyska\u0142em wynik BLEU 28,66. Jesieni\u0105 2021 roku silnik osi\u0105gn\u0105\u0142 wynik BLEU 15,74, co zosta\u0142o przedstawione j\u0119zykoznawcom, naukowcom i szerszej spo\u0142eczno\u015bci podczas wydarzenia prezentacyjnego zorganizowanego przez Uniwersytet w Pittsburghu.2<\/sup> <\/p>\n\n2<\/sup> Ujawnienie: wydarzenie by\u0142o sponsorowane przez Carpatho-Rusyn Society (Pensylwania), a Uniwersytet w Pittsburghu zap\u0142aci\u0142 mi za prezentacj\u0119.<\/p>\n\n1.3 Badany system<\/h3>\n\n
\u0141emkowski jest zdecydowanie do powa\u017cnie zagro\u017conego [6, s. 3<\/a>, 7, ss. 177-178<\/a>], niskozasobowym [8]<\/a>, oficjalnie uznanym j\u0119zykiem mniejszo\u015bciowym [9]<\/a>, przypuszczalnie rdzennym dla transgranicznych wy\u017cyn na po\u0142udnie od obszar\u00f3w metropolitalnych Krakowa, Tarnowa i Rzeszowa; historyczne izoglosy demarkacyjne b\u0119d\u0105, miejmy nadziej\u0119, tematem przysz\u0142ego artyku\u0142u. Polski urz\u0105d statystyczny w 2011 roku odnotowa\u0142 6279 mieszka\u0144c\u00f3w, dla kt\u00f3rych j\u0119zyk \u0142emkowski by\u0142 j\u0119zykiem \u201ezwykle u\u017cywanym w domu\u201d (nawet je\u015bli dodatkowo u\u017cywali j\u0119zyka polskiego) [10, str. 3<\/a>], co stanowi wzrost o 12% w por\u00f3wnaniu z 5605 osobami, dla kt\u00f3rych j\u0119zyk \u0142emkowski by\u0142 \u201ej\u0119zykiem najcz\u0119\u015bciej u\u017cywanym w domu\u201d w 2002 roku [11, str. 6<\/a>, 12, str. 7<\/a>]. W momencie publikacji trwa opracowywanie wynik\u00f3w nowego spisu.<\/p>\n\n\u0141emkowski mo\u017cna sklasyfikowa\u0107 jako j\u0119zyk wschodnios\u0142owia\u0144ski, poniewa\u017c spe\u0142nia zwyczajowe kryteria cech strukturalnych genetycznych, z kt\u00f3rych najwa\u017cniejsz\u0105 jest pe\u0142nog\u0142os [13, s. 20<\/a>], zgodnie z kt\u00f3rym zak\u0142ada si\u0119, \u017ce samog\u0142oska powsta\u0142a w pras\u0142owia\u0144skich sekwencjach sp\u00f3\u0142g\u0142oski C<\/code><\/em> po kt\u00f3rej nast\u0119puje samog\u0142oska \u015brednia lub niska V<\/code> (*e<\/code>, lub *o<\/code>, z kt\u00f3r\u0105 *a<\/code> si\u0119 po\u0142\u0105czy\u0142a [14, s. 366]<\/a>), po kt\u00f3rej nast\u0119puje p\u0142ynna R (to jest *l<\/code> lub *r<\/code>), po kt\u00f3rej nast\u0119puje kolejna sp\u00f3\u0142g\u0142oska C<\/code><\/em>, to znaczy CVRC > CVRVC<\/code>. Dla ilustracji, por\u00f3wnajmy staroangielskie s\u0142owo oznaczaj\u0105ce „topi\u0107 si\u0119\u201e, meltan<\/g> (<\/x>) [15, s. 718]<\/g> z jego domniemanym \u0142emkowskim odpowiednikiem mo\u0142\u00f3dyj<\/g> [16, s. 92<\/g>, 17, s. 150<\/g>] (<\/x>), oznaczaj\u0105cym „m\u0142ody\u201e. Inne wschodnios\u0142owia\u0144skie odpowiedniki obejmuj\u0105 ukrai\u0144skie mo\u0142od\u00fdj<\/em> i rosyjskie mo\u0142od\u00f3j<\/em> [17]<\/a>, oba wykazuj\u0105ce samog\u0142osk\u0119 po sp\u00f3\u0142g\u0142osce p\u0142ynnej (CVRVC<\/code>). Tymczasem j\u0119zyki zachodnios\u0142owia\u0144skie nie maj\u0105 samog\u0142oski przed p\u0142ynn\u0105; por\u00f3wnaj polskie m\u0142ody<\/em> i s\u0142owackie mlad\u00fd<\/em> (oba CRVC<\/code>) [17]<\/a>. Ponadto pokrewie\u0144stwo postulowano dla innych s\u0142\u00f3w t\u0142umaczonych jako \u201e\u0142agodny\u201d, w tym sanskryckie m\u1e5bd\u00fa<\/em> (CRC<\/code>) [18, str. 830]<\/a> i \u0142aci\u0144skie mollis<\/em> (CVRC<\/code> je\u015bli od *moldvis<\/em>) [15<\/a>, 17<\/a>, 19, str. 323<\/a>].<\/p>\n\nW tym eksperymencie nie oceniano, jak dobrze \u0142emkowski spe\u0142nia zwyczajowe, wsp\u00f3\u0142czesne ukrai\u0144skie kryteria cech strukturalnych genetycznych. Jednak\u017ce podobie\u0144stwo mi\u0119dzy \u0142emkowskim a standardowym ukrai\u0144skim zosta\u0142o po raz pierwszy, o ile mi wiadomo, skwantyfikowane w druku. Poni\u017cej, m\u00f3j silnik \u0142emkowski uzyska\u0142 wynik BLEU 6,28, prawie trzykrotnie wy\u017cszy ni\u017c wynik ukrai\u0144skiego Google Translate wynosz\u0105cy BLEU 2,17. Mo\u017cna przeprowadzi\u0107 dalsze eksperymenty w celu kwantyfikacji podobie\u0144stwa mi\u0119dzy \u0142emkowskim, standardowym ukrai\u0144skim, polskim i rusi\u0144skim skodyfikowanym na S\u0142owacji, a tak\u017ce \u015bwie\u017ce spojrzenie na klasyfikacj\u0119 typologiczn\u0105 \u0142emkowskiego. <\/p>\n\n
Ilo\u015b\u0107 i jako\u015b\u0107 zasob\u00f3w ulegaj\u0105 poprawie, podobnie jak pomys\u0142owo\u015b\u0107 wspierana przez technologi\u0119. Wszystkie znane korpusy dwuj\u0119zyczne, obejmuj\u0105ce mniej ni\u017c siedemdziesi\u0105t tysi\u0119cy s\u0142\u00f3w \u0142emkowskich, zosta\u0142y zgromadzone na potrzeby tego eksperymentu. Oczyszczam dwuj\u0119zyczny korpus transkrypcji wywiad\u00f3w przeprowadzonych z rodzimymi u\u017cytkownikami w Polsce i moich t\u0142umacze\u0144 na j\u0119zyk angielski, kt\u00f3re klient ze Stan\u00f3w Zjednoczonych zleci\u0142 mi wykona\u0107 i pozwoli\u0142 wykorzysta\u0107. Kompiluj\u0119 r\u00f3wnie\u017c korpusy jednoj\u0119zyczne, kt\u00f3re w momencie publikacji licz\u0105 534 512 s\u0142\u00f3w. <\/p>\n\n
1.4 Hipoteza<\/h3>\n\n
Na podstawie mojego subiektywnego wra\u017cenia jako profesjonalnego t\u0142umacza, \u017ce rodzimi u\u017cytkownicy j\u0119zyka \u0142emkowskiego, z kt\u00f3rymi przeprowadzono wywiady w Polsce, cz\u0119\u015bciej u\u017cywali s\u0142\u00f3w z oczywistymi polskimi odpowiednikami ni\u017c standardowymi ukrai\u0144skimi, postawi\u0142em hipotez\u0119, \u017ce przy innych r\u00f3wnych warunkach, maszyn\u0119 mo\u017cna skonfigurowa\u0107 do t\u0142umaczenia na \u0142emkowski z angielskiego i osi\u0105gn\u0105\u0107 obiektywne wyniki jako\u015bci BLEU wy\u017csze ni\u017c us\u0142ugi ukrai\u0144skie i rosyjskie Google Translate.<\/p>\n\n
1.5 Przewidywania<\/h3>\n\n
System t\u0142umaczenia \u0142emkowskiego.<\/strong> Przewidzia\u0142em, \u017ce wspomniany system t\u0142umaczenia osi\u0105gnie wynik BLEU 15 w t\u0142umaczeniu na \u0142emkowski z angielskiego w por\u00f3wnaniu z korpusem dwuj\u0119zycznym.<\/p>\n\nGoogle Translate.<\/strong><\/p>\n\nUs\u0142uga z angielskiego na ukrai\u0144ski<\/em>. Przewidywa\u0142em, \u017ce us\u0142uga Google Translate z angielskiego na ukrai\u0144ski osi\u0105gnie wynik BLEU 10 wzgl\u0119dem korpusu dwuj\u0119zycznego. <\/p>\n\nUs\u0142uga z angielskiego na rosyjski<\/em>. Przewidywa\u0142em, \u017ce us\u0142uga Google Translate z angielskiego na rosyjski osi\u0105gnie wynik BLEU 1 wzgl\u0119dem korpusu dwuj\u0119zycznego. <\/p>\n\n1.6 Metody i uzasadnienie<\/h3>\n\n
W celu przyspieszenia, oszcz\u0119dno\u015bci zasob\u00f3w i zwi\u0119kszenia odporno\u015bci, laptop uznany za przestarza\u0142y przez mojego pracodawc\u0119 zosta\u0142 skonfigurowany do t\u0142umaczenia na \u0142emkowski i wykonywania po\u0142\u0105cze\u0144 z us\u0142ug\u0105 Google Translate na platformie Google Cloud, a tak\u017ce do oceny wspomnianych t\u0142umacze\u0144 przy u\u017cyciu standardowej w bran\u017cy miary BLEU.<\/p>\n\n
1.7 G\u0142\u00f3wne wyniki<\/h3>\n\n
System t\u0142umaczenia z angielskiego na \u0142emkowski osi\u0105gn\u0105\u0142 \u0142\u0105czny wynik BLEU 6.28431824990417<\/code>. Tymczasem us\u0142uga ukrai\u0144ska Google Translate uzyska\u0142a wynik BLEU 2.16830846776652<\/code>, us\u0142uga rosyjska BLEU 1.10424105952048<\/code>, a kontrolny polski transliterowany na alfabet cyrylicki BLEU 1.70036447680114<\/code>. <\/p>\n\n2 Materia\u0142y i metody<\/h2>\n\n
Powy\u017csza hipoteza zosta\u0142a przetestowana przez obliczenie wynik\u00f3w jako\u015bci BLEU dla ka\u017cdego systemu t\u0142umaczeniowego skonfigurowanego w spos\u00f3b szczeg\u00f3\u0142owo opisany poni\u017cej.<\/p>\n\n
2.1 Konfiguracja<\/h3>\n\n
Sprz\u0119t.<\/strong> Eksperyment zosta\u0142 przeprowadzony na laptopie HP Elitebook 850 G2 z procesorem Core i7-5600U 2,6 GHz i 16 gigabajtami pami\u0119ci o dost\u0119pie swobodnym. Zosta\u0142 odrzucony przez mojego pracodawc\u0119 jako przestarza\u0142y i wystawiony na sprzeda\u017c za 450 USD w momencie publikacji. <\/p>\n\nKonfiguracja<\/em>. W menu podstawowego systemu wej\u015bcia\/wyj\u015bcia (BIOS) urz\u0105dzenie zosta\u0142o skonfigurowane w celu w\u0142\u0105czenia technologii wirtualizacji (VTx). <\/p>\n\nSystem operacyjny.<\/strong> Windows 10 Professional 64 bit zosta\u0142 zainstalowany na go\u0142ym metalu. Upewniono si\u0119, \u017ce funkcje Windows Virtual Machine Platform<\/code> i Windows Subsystem for Linux<\/code> by\u0142y w\u0142\u0105czone. Nast\u0119pnie zainstalowano WSL2 Linux kernel update for x64 <\/code>machines (wsl_update_x64.msi) dost\u0119pne od Microsoft pod adresem https:\/\/aka.ms\/wsl2kernel<\/a><\/code>. <\/p>\n\nOprogramowanie.<\/strong> Instalator Docker Desktop dla Windows w wersji 4.4.3 (73365) zosta\u0142 pobrany z https:\/\/www.docker.com\/get-started<\/a><\/code> i uruchomiony z opcj\u0105 Install required Windows components for WSL 2 selected<\/code>.<\/p>\n\nPakiety.<\/strong> Eksperyment zale\u017ca\u0142 od poni\u017cszych pakiet\u00f3w z Python Package Index.<\/p>\n\nSacreBLEU.<\/strong> Wersja 2.0.0 zosta\u0142a zainstalowana przy u\u017cyciu pakietu Python udokumentowanego pod nast\u0119puj\u0105cym uniwersalnym lokalizatorem zasob\u00f3w (URL):https:\/\/pypi.org\/project\/sacrebleu\/2.0.0\/<\/a><\/code><\/p>\n\nBiblioteka klienta Google Cloud Translation API<\/em>. Wersja 2.0.1 zosta\u0142a zainstalowana przy u\u017cyciu pakietu Python udokumentowanego pod uniwersalnym lokalizatorem zasob\u00f3w (URL) https:\/\/pypi.org\/project\/google-cloud-translate\/2.0.1\/<\/a><\/code><\/p>\n\nPowy\u017csze zale\u017cno\u015bci zosta\u0142y okre\u015blone w pliku wymaga\u0144 w nast\u0119puj\u0105cy spos\u00f3b:google-cloud-translate==2.0.1<\/code>sacrebleu==2.0.0<\/code>\n<\/p>\n\nKontener.<\/strong><\/p>\n\nBudowa<\/em>. Eksperyment zosta\u0142 uruchomiony w kontenerze Docker z najnowsz\u0105 wersj\u0105 j\u0119zyka programowania Python, kt\u00f3r\u0105 w tym czasie by\u0142a wersja 3.10.2, dzia\u0142aj\u0105c\u0105 na systemie operacyjnym Debian Bullseye 11 Linux architektury AMD64, o skr\u00f3conym skr\u00f3cie Secure Hash Algorithm 2 bcb158d5ddb6<\/code>, dost\u0119pnym za pomoc\u0105 nast\u0119puj\u0105cego polecenia: docker pull python@sha256:bcb158d5ddb636fa3aa567c987e7fcf61113307820d466813527ca90d60fedc7<\/code><\/p>\n\n\u015arodowisko uruchomieniowe<\/em>. Kontener zosta\u0142 skonfigurowany do zapisywania surowych plik\u00f3w danych eksperymentalnych do lokalnego woluminu bind mounted. <\/p>\n\nOcena jako\u015bci t\u0142umaczenia.<\/strong>Wra\u017cliwo\u015b\u0107 na wielko\u015b\u0107 liter.<\/strong> Ocena zosta\u0142a przeprowadzona w spos\u00f3b wra\u017cliwy na wielko\u015b\u0107 liter.<\/p>\n\nTokenizacja.<\/strong> Segmenty zosta\u0142y tokenizowane przy u\u017cyciu wersji 13a standardowej procedury tokenizacji wewn\u0119trznej skryptu metrycznego Workshop on Statistical Machine Translation.<\/p>\n\nMetoda wyg\u0142adzania.<\/strong> Zastosowano domy\u015blnie technik\u0119 wyg\u0142adzania opracowan\u0105 w National Institute of Standards and Technology przez pracownik\u00f3w Rz\u0105du Federalnego Stan\u00f3w Zjednoczonych dla ich zestawu narz\u0119dzi BLEU Multimodal Information Group, b\u0119d\u0105c\u0105 trzeci\u0105 technik\u0105 opisan\u0105 przez Chen i Cherry [21, s. 363]<\/a>.<\/p>\n\nSygnatura<\/strong>. Powy\u017csze ustawienia wygenerowa\u0142y nast\u0119puj\u0105c\u0105 sygnatur\u0119:refs:1|case:mixed|eff:no|tok:13a|smooth:exp|version:2.0.0<\/code><\/p>\n\nKalibracja<\/strong>. Skonfigurowana jak powy\u017cej, maszyna produkuje nast\u0119puj\u0105ce wyniki: <\/p>\n\n\nSegment 1031.<\/em>\u0179r\u00f3d\u0142o angielskie<\/td> Everything was there.<\/code><\/td><\/tr>Odniesienie i transliteracja \u0142emkowska<\/td> \u0412\u0448\u044b\u0442\u043a\u043e \u0442\u0430\u043c \u0431\u044b\u043b\u043e.<\/code><\/td>V\u0161\u0177tko tam b\u0177lo.<\/code><\/td><\/tr>Lemkotran.com<\/code> hipoteza i transliteracja<\/td>\u0412\u0448\u044b\u0442\u043a\u043e \u0442\u0430\u043c \u0431\u044b\u043b\u043e.<\/code><\/td>V\u0161\u0177tko tam b\u0177lo.<\/code><\/td><\/tr>Wynik<\/td> BLEU = 100.00 100.0\/100.0\/100.0\/100.0 (BP = 1.000 ratio = 1.000 hyp_len = 4 ref_len = 4)<\/code><\/td><\/tr><\/tbody><\/table><\/figure>\n<\/div>\n\nWyja\u015bnienie<\/em>. Segment hipotezy by\u0142 identyczny z segmentem odniesienia i maszyna osi\u0105gn\u0119\u0142a doskona\u0142y wynik BLEU 100. <\/p>\n\n\nSegment 179.<\/em>
![\"\"](\"https:\/\/www.orynycz.com\/wp-content\/uploads\/2022\/02\/chart-1024x716.png\")