ترغب بنشر مسار تعليمي؟ اضغط هنا

Smarterp: نظام CAI لدعم المترجمين الفوريين في الوقت الحقيقي

SmarTerp: A CAI System to Support Simultaneous Interpreters in Real-Time

167   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

نقدم نظاما لدعم الترجمة الفورية في مجالات محددة.سيتم تطوير النظام من خلال تآزر قوي بين الفنيين، معظمهم من الخبراء في كل من كل من الكلام ومعالجة النصوص والنص، والمستخدمين النهائيين، I.E. المترجمين الفوريين المحترفين الذين يحددون المتطلبات وسيقوم باختبار المنتج النهائي.تم تحقيق بعض النتائج المشجعة الأولية على اختبارات القياسية التي تم جمعها بهدف قياس أداء المكونات الفردية للنظام بأكمله، وهي: التعرف التلقائي على الكلام (ASR) والاعتراف الكياري المسمى.

المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

نحن نصف تجربتنا مع توفير الترجمة التلقائية اللغة المنطوقة في وقت واحد لحدث مع الترجمة الفورية البشرية.نحن نقدم نظرة عامة مفصلة عن الأنظمة التي نستخدمها، مع التركيز على التوصيل البيني والقضايا التي يجلبها.نقدم أدواتنا لمراقبة خط الأنابيب وتطبيق الويب لتقديم نتائج خط أنابيب SLT لدينا للمستخدمين النهائيين.أخيرا، نناقش التحديات المختلفة التي واجهناها، حلولها الممكنة ونقترح تحسينات للنشر في المستقبل.
هذا اقتراح بحثي لأبحاث الدكتوراه في اكتشاف السخرية، والترجمة في الوقت الحقيقي لجور اللغة الإنجليزية من الكلمات الساخرة.تفاصيل البحث السابق في مواضيع مماثلة، اتجاهات البحث المحتملة والأهداف البحثية.
يسعى البحث إلى وضع اطار مفاهيمي لكل من توظيف ذكاء الأعمال مثل OLAP و DM و ETL ونظام المعلومات الاستراتيجي، كذلك العلاقة بين المفهومين. كما يسعى البحث إلى التوصل إلى نموذج مقترح لتوظيف بعض أدوات ذكاء الأعمال من اجل دعم نظام المعلومات الاستراتيجي بهدف حصول المستفيد على المعلومات المطلوبة.
هذا البحث يقدم طريقة جديدة لتقليل زمن تنفيذ برامج المعالجة, عن طريق اختصار حجم المعلومات المعالجة و لاسيما في التطبيقات التي تكون الأولوية فيها لسرعة المعالجة على المعلومات التقصيلية للصور, كأنظمة الكشف و الملاحقة.
دفعت التدريب المسبق متعدد الوسائط إلى التقدم الرائع في أبحاث الرؤية واللغة. هذه النماذج المدربة مسبقا واسعة النطاق، على الرغم من نجاحها، تعاني مصححة من سرعة الاستدلال البطيء بسبب التكلفة الحسابية الهائلة بشكل أساسي من الاهتمام عبر الوسائط في بنية محو ل. عند تطبيقها على تطبيقات الحياة الحقيقية، فإن طلب الكمون والحساب الحساب يردع بشدة الاستخدام العملي للنماذج المدربة مسبقا. في هذه الورقة، ندرس استرجاع نص الصورة (ITR)، سيناريو أكثر نضجا من تطبيق V + L، الذي تمت دراسته على نطاق واسع حتى قبل ظهور النماذج المدربة مسبقا مؤخرا. نقترح نهج بسيط ولكنه فعال للغاية، الذي يسرع وقت الاستدلال في ITR بآلاف المرات، دون التضحية بالدقة. يزيل LightNingdot الاهتمام المتعلق بالعشرات المستهلكة للوقت من خلال استخراج فهارس ميزة ذات مخزيرة مؤقتا في وضع عدم الاتصال، وتوظيف مطابقة منتجات DOT الفورية عبر الإنترنت، والتي تسرع بشكل كبير عملية الاسترجاع بشكل كبير. في الواقع، يحقق LightNingDot أداء فائقا عبر معايير ITR الرئيسية مثل DataSets Flickr30k و Coco، مما يتفوق على النماذج الموجودة المدربة مسبقا تستهلك 1000 مرة من الساعات الحاسوبية باستخدام نفس الميزات.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا