АВТО БЛОГ YAMAHA-VOLGA.RU

Однако триумфальные заголовки скрыли одну маленькую деталь. Никто не упомянул, что переведенные примеры были тщательно отобраны и протестированы, чтобы исключить двусмысленность. Для повседневного использования эта система была не лучше карманного разговорника. Тем не менее началась гонка вооружений такого рода: Канада, Германия, Франция и особенно Япония присоединились к гонке за машинный перевод.

Гонка за машинным переводом

Напрасная борьба за улучшение машинного перевода длилась сорок лет. В 1966 году американский комитет ALPAC в своем знаменитом отчете назвал машинный перевод дорогим, неточным и бесперспективным. Вместо этого они рекомендовали сосредоточиться на разработке словарей, что исключило американских исследователей из гонки почти на десятилетие.

Тем не менее, основа для современной обработки естественного языка была создана только учеными и их попытками, исследованиями и разработками.Все сегодняшние поисковые системы, спам-фильтры и личные помощники появились благодаря кучке стран, шпионящих друг за другом.

Машинный перевод на основе правил (RBMT)

Первые идеи, связанные с машинным переводом на основе правил, появились в 70-х годах. Ученые внимательно следили за работой интерпретаторов, пытаясь заставить чрезвычайно медлительные компьютеры повторить эти действия. Эти системы включают:

• Двуязычный словарь (RU -> EN)
• Набор лингвистических правил для каждого языка (например, существительные, оканчивающиеся на определенные суффиксы, такие как -heit, -keit, -ung, женского рода)

Вот и все.При необходимости системы могут быть дополнены хитростями, такими как списки имен, корректоры орфографии и транслитераторы.

PROMPT и Systran — самые известные примеры систем RBMT. Просто загляните на Алиэкспресс, чтобы почувствовать мягкое дыхание этого золотого века.

Но даже у них были свои нюансы и подвиды.

Прямой машинный перевод

Это наиболее простой вид машинного перевода. Он разделяет текст на слова, переводит их, немного корректирует морфологию и гармонизирует синтаксис, чтобы все звучало более или менее правильно.Когда солнце садится, обученные лингвисты пишут правила для каждого слова.

Вывод возвращает какой-то перевод. Обычно это довольно хреново. Похоже, лингвисты зря потратили время.

Современные системы вообще не используют этот подход, и современные лингвисты им благодарны.

Машинный перевод на основе перевода

В отличие от прямого перевода, мы сначала готовимся, определяя грамматическую структуру предложения, как нас учили в школе.Затем мы манипулируем целыми конструкциями, а не словами. Это помогает добиться приличного преобразования порядка слов в переводе. Теоретически.

На практике это все еще приводило к дословному переводу и утомляло лингвистов. С одной стороны, были упрощены общие правила грамматики. Но с другой — усложнилось из-за увеличения количества словосочетаний по сравнению с отдельными словами.

Межъязычный машинный перевод

В этом методе исходный текст преобразуется в промежуточное представление и является унифицированным для всех языков мира (интерлингва).Это тот же интерлингва, о котором мечтал Декарт: метаязык, который следует универсальным правилам и превращает перевод в простую задачу «туда-сюда». Затем интерлингва конвертировал в любой целевой язык, и вот в чем была особенность!

Из-за преобразования Interlingua часто путают с системами на основе передачи. Разница заключается в лингвистических правилах, характерных для каждого отдельного языка и интерлингва, а не в языковых парах. Это означает, что мы можем добавить третий язык в систему интерлингва и осуществлять перевод между всеми тремя.Мы не можем этого сделать в системах, основанных на переводе.

Выглядит идеально, но в реальной жизни это не так. Создать такой универсальный интерлингва было крайне сложно — многие ученые работали над этим всю свою жизнь. У них ничего не получилось, но благодаря им у нас теперь есть морфологический, синтаксический и даже семантический уровни представления. Но единственная теория смыслового текста стоит целого состояния!

Идея промежуточного языка вернется. Подождем немного.

Как видите, все RBMT тупые и устрашающие, и по этой причине они редко используются, за исключением особых случаев (например, перевод прогнозов погоды и т. Д.).Среди преимуществ RBMT часто упоминаются его морфологическая точность (он не путает слова), воспроизводимость результатов (все переводчики получают один и тот же результат) и способность настраивать его в соответствии с предметной областью (обучать экономистов или терминов специально для программистов, например).

Даже если кому-то удастся создать идеальный RBMT, и лингвисты улучшат его всеми правилами орфографии, всегда будут некоторые исключения: все неправильные глаголы в английском языке, отдельные префиксы в немецком языке, суффиксы в русском языке и ситуации, когда просто люди говорят по-другому.Любая попытка учесть все нюансы приведет к потере миллионов человеко-часов.

И не забывайте об омонимах. Одно и то же слово может иметь разное значение в разном контексте, что приводит к множеству переводов. Сколько значений здесь можно уловить: Я видел человека на холме в телескоп ?

Языки развивались не на основе фиксированного набора правил — факт, который нравится лингвистам. На них гораздо больше повлияла история вторжений за последние триста лет.Как вы могли объяснить это машине?

Сорок лет холодной войны не помогли найти какое-либо четкое решение. RBMT был мертв.

Машинный перевод на основе примеров (EBMT)

Япония была особенно заинтересована в борьбе за машинный перевод. Холодной войны не было, но были причины: мало кто в стране знал английский. Это обещало стать серьезной проблемой на предстоящей вечеринке глобализации. Таким образом, японцы были чрезвычайно заинтересованы в поиске рабочего метода машинного перевода.

Английский-японский перевод на основе правил чрезвычайно сложен. Структура языка совершенно другая, и почти все слова нужно переставлять и добавлять новые. В 1984 году Макото Нагао из Киотского университета придумал , используя готовые фразы вместо повторного перевода .

Представим, что нам нужно перевести простое предложение — «Я иду в кино». Допустим, мы уже перевели еще одно похожее предложение — «Я иду в театр» — и можем найти слово «кино» в словаре.

Все, что нам нужно, это выяснить разницу между двумя предложениями, перевести пропущенное слово и потом не облажаться. Чем больше у нас примеров, тем лучше будет перевод.

Точно так же я строю фразы на незнакомых языках!

EBMT показал свет ученым со всего мира: оказывается, вы можете просто снабдить машину существующими переводами и не тратить годы на формирование правил и исключений. Еще не революция, но явно первый шаг к ней.Революционное изобретение статистического перевода произойдет всего за пять лет.

Статистический машинный перевод (SMT)

В начале 1990 года в исследовательском центре IBM была впервые показана система машинного перевода, которая ничего не знала о правилах и лингвистике в целом. Он проанализировал похожие тексты на двух языках и попытался понять закономерности.

Идея была простой, но красивой. Идентичное предложение на двух языках разбивается на слова, которые впоследствии сопоставляются.Эта операция повторяется около 500 миллионов раз, чтобы посчитать, например, сколько раз слово «Das Haus» переводится как «дом» vs «здание» vs «строительство» и так далее.

Если в большинстве случаев исходное слово переводилось как «дом», машина использовала это. Обратите внимание, что мы не устанавливали никаких правил и не использовали какие-либо словари — все выводы были сделаны машиной, руководствуясь статистикой и логикой, что «если люди так переводят, то и я буду». Так родился статистический перевод.

Метод оказался намного эффективнее и точнее всех предыдущих.И никакие лингвисты не понадобились. Чем больше текстов мы использовали, тем лучше был перевод.

Остался еще один вопрос: как машина будет соотносить слово «Das Haus» и слово «строительство» — и как мы узнаем, что это правильные переводы?

Ответ был такой, что мы не узнаем. Вначале машина предположила, что слово «Das Haus» одинаково коррелирует с любым словом из переведенного предложения.Затем, когда «Das Haus» появилось в других предложениях, количество корреляций с «домом» увеличилось. Это «алгоритм выравнивания слов», типичная задача для машинного обучения университетского уровня.

Машине потребовались миллионы и миллионы предложений на двух языках, чтобы собрать релевантную статистику для каждого слова. Как мы их получили? Что ж, мы решили взять выдержки из заседаний Европейского парламента и Совета Безопасности Организации Объединенных Наций — они были доступны на языках всех стран-членов и теперь доступны для скачивания на Корпорациях ООН и Корпорациях Европарламентов.

Word-based SMT

Вначале первые системы статистического перевода работали путем разбиения предложения на слова, поскольку этот подход был простым и логичным. Первая модель статистического перевода IBM называлась Модель номер один. Довольно элегантно, правда? Угадайте, как они назвали вторую?

Модель 1: «мешок слов»

Модель 1 использовала классический подход — разбиение на слова и подсчет статистики. Порядок слов не принимался во внимание.Единственная уловка заключалась в переводе одного слова на несколько слов. Например, «Der Staubsauger» может превратиться в «Пылесос», но это не значит, что все будет наоборот.

Вот несколько простых реализаций на Python: shawa / IBM-Model-1.

Модель 2: учет порядка слов в предложениях

Отсутствие знаний о порядке слов в языках стало проблемой для Модели 1, а в некоторых случаях это очень важно.

Модель 2 справилась с этим: она запоминала обычное место, которое слово занимает в выходном предложении, и перетасовывала слова для более естественного звучания на промежуточном этапе.Дела пошли лучше, но все еще было паршиво.

Модель 3: дополнительная плодородность

Новые слова появлялись в переводе довольно часто, например, статьи на немецком языке или использование «до» при отрицании на английском языке. «Ich will keine Persimonen» → «Я до не хочу хурмы». Чтобы справиться с этим, в Модель 3 были добавлены еще два шага.

• Вставка NULL-токена, если машина учитывает необходимость нового слова
• Выбор правильной грамматической частицы или слова для каждого выравнивания токен-слово

Модель 4: выравнивание слов

Модель 2 учитывала выравнивание слов, но ничего не знала о переупорядочении.Например, прилагательные часто меняются местами с существительным, и независимо от того, насколько хорошо запоминается порядок, результат не улучшится. Таким образом, Модель 4 учитывала так называемый «относительный порядок» — модель узнавала, всегда ли два слова меняются местами.

Модель 5: исправления

Здесь ничего нового. Модель 5 получила дополнительные параметры для обучения и исправила проблему с конфликтующими позициями слов.

Несмотря на свою революционную природу, словесные системы все еще не справлялись с падежами, полом и омонимией.По словам машины, каждое слово было переведено как единое верное слово. Такие системы больше не используются, поскольку их заменили более совершенные методы, основанные на фразе.

Phrase-based SMT

Этот метод основан на всех принципах словарного перевода: статистике, переупорядочении и лексических хитростях. Хотя, для обучения, он разбивал текст не только на слова, но и на фразы. Если быть точным, то это были n-граммы, представлявшие собой непрерывную последовательность из n слов подряд.

Таким образом, машина научилась переводить устойчивые комбинации слов, что заметно повысило точность.

Хитрость заключалась в том, что фразы не всегда были простыми синтаксическими конструкциями, и качество перевода значительно снижалось, если вмешивался кто-либо, знакомый с лингвистикой и структурой предложений. Фредерик Елинек, пионер компьютерной лингвистики, однажды пошутил по этому поводу: «Каждый раз, когда я увольняю лингвиста, производительность распознавателя речи повышается.”

Помимо повышения точности, фразовый перевод предоставил больше возможностей при выборе двуязычных текстов для обучения. Для словесного перевода решающее значение имеет точное соответствие источников, что исключает любой литературный или свободный перевод. Фразовому переводу у них не было проблем. Чтобы улучшить перевод, исследователи даже начали анализировать новостные сайты на разных языках для этой цели.

Начиная с 2006 года, все начали использовать этот подход.Google Translate, Yandex, Bing и другие высококлассные онлайн-переводчики работали по фразе вплоть до 2016 года. Каждый из вас наверняка помнит моменты, когда Google либо переводил предложение безупречно, либо приводил к полной чепухе, верно? Ерунда пришла из-за фразовых особенностей.

Старый добрый подход, основанный на правилах, неизменно давал предсказуемый, хотя и ужасный результат. Статистические методы были удивительными и загадочными. Google Translate без колебаний превращает «триста» в «300».Это называется статистической аномалией.

Фразовый перевод стал настолько популярным, что когда вы слышите «статистический машинный перевод», это именно то, что на самом деле имеется в виду. Вплоть до 2016 года во всех исследованиях фразовый перевод считался передовым. Тогда никто даже не подумал, что Google уже разжигает огонь, готовясь полностью изменить наш образ машинного перевода.

SMT на основе синтаксиса

Этот метод также следует упомянуть вкратце. За много лет до появления нейронных сетей перевод на основе синтаксиса считался «будущим или переводом», но идея не получила широкого распространения.

Сторонники перевода на основе синтаксиса считали возможным объединить его с методом, основанным на правилах. Необходимо провести достаточно точный синтаксический анализ предложения — определить подлежащее, сказуемое и другие части предложения, а затем построить дерево предложений. С его помощью машина учится преобразовывать синтаксические единицы между языками, а остальные переводить словами или фразами. Это решило бы проблему выравнивания слов раз и навсегда.

Проблема в том, что синтаксический разбор работает ужасно, несмотря на то, что мы считаем его решенным некоторое время назад (поскольку у нас есть готовые библиотеки для многих языков). Я попытался использовать синтаксические деревья для задач немного более сложных, чем разбор темы и предиката. И каждый раз я сдавался и использовал другой метод.

Дайте мне знать в комментариях, если вам удастся хоть раз воспользоваться им.

Neural Machine Translation (NMT)

Довольно забавная статья об использовании нейронных сетей в машинном переводе была опубликована в 2014 году.Интернет его вообще не заметил, кроме Google — вынули лопаты и начали копать. Два года спустя, в ноябре 2016 года, Google сделал революционное объявление.

Идея была близка к переносу стиля между фотографиями. Помните такие приложения, как Prisma, которые улучшали изображения в стиле известных художников? Никакой магии не было. Нейронную сеть научили распознавать картины художника. Затем были удалены последние слои, содержащие решение сети. Получившееся стилизованное изображение было лишь промежуточным изображением, которое получила сеть.Это фантастика сети, и мы считаем ее прекрасной.

Если мы можем перенести стиль на фотографию, что, если мы попытаемся наложить другой язык на исходный текст? Текст будет именно таким «стилем художника», и мы постараемся передать его, сохранив при этом суть изображения (другими словами, суть текста).

Представьте, что я пытаюсь описать свою собаку — среднего размера, острый нос, короткий хвост, всегда лает. Если бы я дал вам этот набор черт собаки и если бы описание было точным, вы могли бы его нарисовать, даже если никогда не видели.

А теперь представьте, что исходный текст — это набор определенных функций. По сути, это означает, что вы кодируете его и позволяете другой нейронной сети декодировать его обратно в текст, но на другом языке. Декодер знает только свой язык. Он не имеет представления о происхождении признаков, но может выразить их, например, на испанском языке. Продолжая аналогию, неважно, как вы рисуете собаку — мелками, акварелью или пальцем. Раскрашиваешь как можешь.

Еще раз — одна нейронная сеть может только кодировать предложение для определенного набора функций, а другая может только декодировать их обратно в текст.Оба понятия не имеют друг о друге, и каждый из них знает только свой язык. Напомнить что-нибудь? Интерлингва вернулся. Та-да.

Вопрос в том, как нам найти эти функции? Когда мы говорим о собаке, это очевидно, но что делать с текстом? Тридцать лет назад ученые уже пытались создать универсальный языковой код, и это закончилось полной неудачей.

Тем не менее, сейчас у нас есть глубокое обучение. И это его основная задача! Основное различие между глубоким обучением и классическими нейронными сетями заключается именно в способности искать эти специфические особенности, не имея представления об их природе.Если нейронная сеть достаточно велика, и под рукой есть пара тысяч видеокарт, можно найти эти особенности и в тексте.

Теоретически мы можем передать функции, полученные от нейронных сетей, лингвистам, чтобы они могли открыть для себя новые смелые горизонты.

Возникает вопрос, какой тип нейронной сети следует использовать для кодирования и декодирования? Сверточные нейронные сети (CNN) идеально подходят для изображений, поскольку они работают с независимыми блоками пикселей.

Но в тексте нет независимых блоков — каждое слово зависит от своего окружения. Текст, речь и музыка всегда согласованы. Таким образом, рекуррентные нейронные сети (RNN) будут лучшим выбором для их обработки, поскольку они запоминают предыдущий результат — в нашем случае предыдущее слово.

Теперь RNN используются повсюду — в распознавании речи Siri (он анализирует последовательность звуков, где следующий зависит от предыдущего), подсказках клавиатуры (запомните предыдущий, угадайте следующий), генерации музыки и даже чат-ботах.

Для ботаников вроде меня: На самом деле архитектура нейронных трансляторов сильно различается. Вначале использовалась обычная RNN, затем была преобразована в двунаправленную, когда переводчик рассматривал не только слова перед исходным словом, но и следующее слово. Это было намного эффективнее. Затем последовала хардкорная многоуровневая RNN с LSTM-модулями для длительного хранения контекста перевода.

За два года нейросети превзошли все, что появилось за последние 20 лет перевода.Нейронный перевод содержит на 50% меньше ошибок порядка слов, на 17% меньше лексических ошибок и на 19% меньше грамматических ошибок. Нейронные сети даже научились согласовывать пол и падеж в разных языках. И никто их этому не учил.

Наиболее заметные улучшения произошли в тех областях, где прямой перевод никогда не использовался. Статистические методы машинного перевода всегда работали с использованием английского языка в качестве ключевого источника. Таким образом, если вы переводили с русского на немецкий, машина сначала переводила текст на английский, а затем с английского на немецкий, что приводит к двойной потере.

Нейронному преобразованию это не нужно — нужен только декодер, чтобы он мог работать. Это был первый случай, когда стал возможен прямой перевод между языками без единого словаря.

Google Translate (с 2016 года)

В 2016 году Google включил нейронный перевод для девяти языков. Они разработали свою систему под названием Google Neural Machine Translation (GNMT). Он состоит из 8 уровней кодера и 8 уровней декодера RNN, а также дополнительных подключений из сети декодера.

Они разделяют не только предложения, но и слова. Так они справились с одной из главных проблем NMT — редкими словами. NMT беспомощны, когда этого слова нет в их лексиконе. Скажем, Vas3k. Сомневаюсь, что кто-то научил нейросеть переводить мой ник. В этом случае GMNT пытается разбить слова на части и восстановить их перевод. Умная.

Подсказка: Google Translate, используемый для перевода веб-сайтов в браузере, по-прежнему использует старый алгоритм на основе фраз.Почему-то Google не обновил его, и различия довольно заметны по сравнению с онлайн-версией.

Google использует механизм краудсорсинга в онлайн-версии. Люди могут выбрать версию, которую они считают наиболее правильной, и, если она понравится многим пользователям, Google всегда переведет эту фразу таким образом и пометит ее специальным значком. Это прекрасно работает для коротких повседневных фраз, таких как «Пойдем в кино» или «Я жду тебя». Google знает разговорный английский лучше меня 🙁

Microsoft Bing работает точно так же, как Google Translate.Но Яндекс — другое дело.

Яндекс Переводчик (с 2017 года)

Яндекс запустил систему нейронного перевода в 2017 году. Ее главной особенностью, как заявлено, была гибридность. Яндекс сочетает нейронный и статистический подходы для перевода предложения, а затем выбирает лучший с помощью своего любимого алгоритма CatBoost.

Дело в том, что нейронный перевод часто дает сбой при переводе коротких фраз, поскольку он использует контекст для выбора правильного слова. Было бы сложно, если бы это слово появлялось в обучающих данных несколько раз.В таких случаях простой статистический перевод быстро и просто находит нужное слово.

Яндекс не сообщает подробностей. Отбивает нас маркетинговыми пресс-релизами. ХОРОШО.

Похоже, Google использует SMT для перевода слов и коротких фраз. Ни в одной статье об этом не упоминают, но это довольно заметно, если вы посмотрите на разницу между переводом коротких и длинных выражений. Кроме того, SMT используется для отображения статистики слова.

Заключение и будущее

Идея «Вавилонской рыбы» — мгновенный речевой перевод — все еще в восторге.Google сделал шаги в этом направлении со своими Pixel Buds, но на самом деле это все еще не то, о чем мы мечтали. Мгновенный речевой перевод отличается от обычного перевода. Вам нужно знать, когда начинать переводить, а когда молчать и слушать. Я пока не видел подходящих подходов для решения этой проблемы. Разве что Skype…

И еще одно пустое место: все обучение ограничивается набором параллельных текстовых блоков. Самые глубокие нейронные сети все еще обучаются на параллельных текстах. Мы не можем обучить нейронную сеть, не предоставив ей источника.Вместо этого люди могут дополнять свой словарный запас чтением книг или статей, даже если они не переводят их на свой родной язык.

Теоретически, если люди могут это сделать, то и нейронная сеть тоже может это сделать. Я нашел только один прототип, который пытался подстрекнуть сеть, которая знает один язык, читать тексты на другом языке, чтобы набраться опыта. Я бы сам попробовал, но я глупый. Хорошо, вот и все.

Эта история изначально была написана на русском языке, а затем переведена на английский на Vas3k.com , автор — Василий Зубарев. Он мой друг по переписке, и я почти уверен, что его блог нужно распространять.

Полезные ссылки

Другие статьи с Vas3k.com

Как работают Ethereum и смарт-контракты
Распределенная машина Тьюринга с защитой цепочки блоков vas3k.com Блокчейн наизнанку: как работает биткойн
Раз и навсегда в простые слова vas3k.com

И последнее…

Если вам понравилась эта статья, нажмите ? ниже, и поделитесь им с другими людьми, чтобы они тоже могли им насладиться.

История языкового перевода —

Слово «перевод» происходит от латинского слова translatio, что означает «переносить» или «переносить». Таким образом, перевод означает перенос текста с одного языка на другой. Возвращаясь к историческому переулку 3 ^-го века, первый перевод, который увидел мир, был переводом еврейской Библии на греческий язык.В то время отстраненные евреи забыли свой унаследованный язык, иврит, и поэтому, чтобы им было легче, Библия была переведена на греческий язык. Этому переводу было присвоено название Септуагинта, так как над этим проектом работали в общей сложности семьдесят переводчиков. Каждый переводчик работал в своей камере, будучи заключенным. Позднее Септуагинта была даже переведена на коптский, латинский, грузинский, армянский и ряд других языков.

Перевод древней истории

Слово Метафраз произошло от древнегреческого слова Метафразис, что означает «говорить через посредство».Буквально значение «Метафраза» означает точный дословный перевод. Это контрастирует со словом Paraphrase, которое обычно означает «сказать что-то другими словами». Если верить истории, то эти слова были открыты Цицероном и Горацием в Риме. И на протяжении 17, ^и века, Драйден поддерживал их использование.

Еще на Ближнем Востоке, в древних обществах переводческие услуги были обычным явлением. Во времена истории существовало множество языков, разработанных древними царствами, которые ограничивали общение людей друг с другом.Таким образом, услуги переводчиков служили им всем целям. Где-то около 2500 г. до н.э. люди использовали глиняные таблички для расшифровки символов доисторических семитских языков, таких как эблаитский и шумерский.

В 1799 году французская армия Наполеона обнаружила каменную плиту, известную как Розеттский камень, которая использовалась для гравировки иероглифов с эблаитского, шумерского и нескольких других языков. В настоящее время открытие Розеттского камня было одним из важнейших открытий, поскольку оно не только помогло людям оценить усилия древних переводчиков, но и дало ученым возможность изучать и объяснять египетские иероглифы.

Хотя над Розеттским камнем работали несколько известных древних переводчиков, одной из самых известных личностей был Жан-Франсуа Шампольон — французский ученый. Ему удалось перевести написанное заявление тремя разными шрифтами — демотическим письмом, древнегреческим языком и египетскими иероглифами. Более того, он даже сделал открытие и доказал, что не все иероглифы являются алфавитом, а некоторые символы даже являются истинными представлениями предыдущих существительных и идей.

Если говорить о роли переводчика, то это была профессия, призванная преодолеть разрыв между культурным разнообразием. Где-то в ^{-м и} годах римский драматург Теренс перевел греческие комедии на римские. Это было время, когда Джером ввел термин «чувство за чувством». Во время своего перевода Библии на латинский язык он сказал, что переводчик должен переводить не просто «слово в слово», но «смысл за смыслом».

Перевод через средневековую историю

Переходя к средневековой истории, это был период, когда западный мир начал изучать латынь.Поскольку это был новый язык для половины населения, были некоторые переводы с латыни на диалектные языки, чтобы люди могли легко понять вещи. Говорят, что еще в 9 ^-м веке перевод двух основных английских работ, таких как «Утешение философии» Боэция и «Церковная история» Беды, помог людям улучшить их незрелую английскую прозу. Эти два перевода были санкционированы родом Уэссексов в Англии — Альфредом Великим.

Позже, в 12 ^-м -м и 13-м ^-м веках, европейские ученые приехали издалека и обосновались в Толедо, Испания, чтобы переводить великие религиозные, научные, медицинские и философские труды с греческого, иврита и арабского языков на кастильский. и латинские языки. За эту работу по переводу они получали огромные деньги. И, как правило, их местом встречи была Толедская школа переводчиков, известная как Escuela de Traductores de Toledo.

Это было в 13, ^и годах, когда английский ученый Роджер Бэкон оценил тот факт, что переводчик должен не только знать один язык, но и иметь систематическую информацию как об исходном, так и о целевом языках, чтобы генерировать адекватные результаты перевода. Не только это, но и переводчик должен быть достаточно дисциплинированным в отношении переводческой работы.

В период Средневековья великий перевод, который произошел, был сделан Джеффри Чосером в 14 ^-м веках.Он перевел латинский труд Боэция и роман «Де ла Роз», написанный на французском языке, на английский язык. Более того, он также перевел на английский язык некоторые работы итальянского гуманиста Джованни Боккаччо. В то время итальянский и латынь были двумя языками, которые были более популярными, чем английский. И Джеффри Чосер основал традицию перевода английских стихов на эти два языка.

Оптимальный религиозный перевод средневековья был сделан Джоном Уиклифом, который перевел Библию Уиклифа с латыни на английский.

И затем арабские переводчики поддерживали греческие знания. Покорив греческий мир, они сделали несколько арабских версий научных и философских работ. В средние века эти арабские произведения были переведены на латынь, в основном в школах Испании. И эти переводы с арабского и греческого на латынь помогли укрепить знания эпохи Возрождения.

Перевод через новейшую историю

Ко времени современной истории потребность в переводчиках постоянно росла.На протяжении всей истории переводчикам удавалось адаптировать литературное произведение вручную. Однако, как только это случилось в начале 1950-х годов, работа ускорилась. И это было время, когда перевод стал достаточно кропотливой и трудоемкой задачей. Поэтому инженеры придумали способ сделать перевод автоматическим.

Их усилия воплотились в реальность в 1954 году. Это было время, когда проводился эксперимент Джорджтауна и IBM. Это была одна из самых ярких демонстраций машинного перевода.Эта методика позволила выполнить перевод почти 60 предложений с русского на английский за минуту. Однако реальный интерес к статистическим моделям машинного перевода вырос в 1980-х годах, когда произошел рост вычислительной мощности.

Поскольку машинный перевод недостаточно компетентен, чтобы заменить переводчика-человека; следовательно, все внимание было сосредоточено на разработке таких инструментов, которые облегчили бы процесс перевода и не заменяли бы людей-переводчиков. Во времена 1990-х годов распространение Интернета и начало эпохи глобализации оказали очень положительное влияние на машинный перевод.Поскольку компьютеры стали дешевыми, передовая технология программного обеспечения для распознавания речи обеспечила процветание индустрии машинного перевода. В 1996 году Systran предлагала бесплатные переводы небольшого текста. Присматривая за ними, компания AltaVista Babelfish пошла по тому же пути бесплатного перевода и в 1997 году получала 500 000 запросов на перевод каждый день.

А потом, в 2012 году, анонс Google побил все рекорды. По заявлению компании, Google Translate мог переводить столько, что можно было заполнить около 1 миллиона книг в день.Это был невероятный рост, который когда-либо могла испытать переводческая индустрия. Хотя представить мир без переводчиков-людей невозможно, тем не менее, машинный перевод является эффективным и экономичным способом выполнения требований к переводу.

С развитием промышленной революции и быстрым развитием экономики были введены новые машины, которые сделали перевод еще быстрее. Хотя 18, ^и годы обеспечили переводческой отрасли хорошее будущее, тем не менее, эпоха Интернета дала ей необходимый толчок.Это правда, что Интернет играет огромную роль в революционном доступе, понимании и переводе текстов и документов по всему миру.

Переводчики, изменившие историю переводов

Роль переводчика в переводческой отрасли действительно значительна. Когда мы говорим о машинном переводе, сразу следует понимать, что он является благом нынешней эпохи. Однако перевод — это старая концепция, и в прежние времена не было ничего, кроме переводчиков-людей.

Понятие переводчика возникло где-то в ^{-м году до нашей эры} г. до н.э. В это время Теренс, римский драматург, переводил греческие комедии на римский язык. Он приехал в Рим в качестве раба. И получил образование в рабстве. Позже, благодаря его знаниям, король освободил его. Он написал шесть крупных пьес и умер молодым.

Еще одним великим переводчиком был св. Иероним, который ввел термин «смысл» для обозначения смысла. Иероним был священником, теологом, историком и духовником.Он родился в деревне, известной как Стридон. Он наиболее известен своими комментариями к Евангелиям и переводом Библии на латинский язык. Если говорить о его произведениях, то список довольно велик. Не только это, но он также был известен тем, что учил христианской нравственной жизни, особенно тем людям, которые проживали в космополитических центрах, таких как Рим.

Двигаясь дальше, другим великим именем в области переводов было Кумараджива. Он был буддийским монахом, переводчиком и ученым.Он был широко известен своим неиссякаемым переводом буддийских текстов, написанных с санскрита, на китайский язык. Это была одна из самых узнаваемых и колоссальных работ, выполненных им в конце 4 ^-го века. Помимо этого, его широко известной работой был перевод Алмазной сутры, которая была важной сутрой Махаяны в Восточной Азии.

Переходя к средневековью, первый удивительный перевод на английский язык был сделан Джеффри Чосером в XIV ^-м веках.Он был известен как отец английской литературы. И не только в средние века, но даже сегодня он считается одним из лучших английских поэтов. Он был не только писателем, астрономом и философом, но и сделал большую карьеру бюрократа, дипломата и придворного. Он был первым поэтом, которого похоронили в Уголке поэтов Вестминстерского аббатства.

Как мы переводим сегодня?

Благодаря значительному развитию технологий переводческая отрасль претерпела значительные изменения.Сегодня эту услугу можно использовать в нескольких ситуациях и в разных формах. Начиная с вакансий и заканчивая карьерным ростом, все развивается вокруг службы переводов. Сегодня у людей в этой отрасли есть бесчисленные возможности карьерного роста. Один из таких шансов — стать медицинским переводчиком, а затем переводить маркетинговую или клиническую документацию, нормативную информацию, учебные программы и программное обеспечение для фармацевтических компаний. Для предприятий, которые намереваются расширить и привлечь совершенно новую аудиторию, приобретение услуг перевода стало необходимостью.От услуг по переводу бизнес-презентаций и предложений до содержания веб-сайтов, маркетинговой литературы, историй болезни, академических транскрипций и до перевода многих других письменных текстов — существует широкий спектр услуг, которые предоставляет переводческая компания.

Сегодня машинный перевод захватил мир. Хотя это не уменьшает потребность в переводчике, машинный перевод, тем не менее, оказал помощь в нескольких ситуациях и продолжает делать это.Благодаря значительному развитию технологий и использования Интернета людям стало проще использовать инструменты онлайн-перевода для быстрой адаптации. Сидят ли они в ресторане с меню, написанным на другом языке, или вообще едут в новую страну, с помощью технологий перевод текста с одного языка на другой занимает всего несколько секунд или минут. .

С изобретением нового оборудования время, затрачиваемое на перевод текстов, значительно сократилось.Это дало возможность владельцам бизнеса больше сосредоточиться на выходе на зарубежные рынки и развитии своего бизнеса.

Более того, эта модернизированная революция также сделала процесс расшифровки новых культур бесшовным. Даже если переводчик не имеет представления о целевой аудитории, достаточно провести небольшое исследование, чтобы глубже погрузиться в новую культуру и этику.

Несмотря на доступность широко распространенных инструментов машинного и компьютерного перевода, есть некоторые переводчики, которые задумываются о сравнении с художником.Они хотят похвалы не только за свою опасную жизнь, но и за знания, мастерство, страсть и преданность делу, которые они вкладывают в свою работу.

Сверхбыстрый, креативный и согласованный: Supertext запускает службу мгновенного перевода на основе чата

InstantTranslation позволяет бизнес-клиентам мгновенно подключаться к переводчикам Supertext. Все эти языковые эксперты являются носителями языка и демонстрируют человеческие качества со сверхчеловеческой скоростью.

Начиная с последних обновлений пресс-релизов и заканчивая настройками веб-сайтов и приложений, небольшие заказы, состоящие всего из нескольких слов или предложений, быстро становятся нормой в индустрии переводов.И клиенты Supertext не исключение. Несмотря на то, что общий объем слов, которые компания переводит каждый год, растет, объем отдельных заказов сокращается — в среднем на 22% только за последние два года.

А короткие тексты часто требуют быстрого перевода — настолько быстрого, что деловые люди иногда обращаются к Google Translate, DeepL и другим системам машинного перевода, а не ждут переводчика-человека. Но хотя инструменты онлайн-перевода предлагают впечатляюще быстрые результаты, они также могут вносить досадные ошибки в деловое общение.Не говоря уже о рисках для конфиденциальности, если конфиденциальные данные загружаются на общедоступную платформу, такую ​​как Google Translate.

Супертекст искал решение этой проблемы по запросу крупного заказчика. Результат: InstantTranslation, сервис, который соединяет бизнес-клиентов с квалифицированными переводчиками прямо в их браузере. Функция живого чата позволяет переводчику задавать вопросы и обсуждать варианты с клиентом, пока каждое слово не станет идеальным.

Надежный, совместный и совместимый с корпоративным языком

InstantTranslation предлагает основные преимущества, когда дело доходит до качества: специализированные переводчики, работающие на своем родном языке, гарантируют лингвистическую точность и могут решать любые контекстные запросы напрямую с клиентом.Где публикуется текст? Будет ли он включать изображения или графику? Заказчик предпочитает перевод, близкий к оригиналу, или переводчику следует проявить творческий подход? Уточнение этих моментов в процессе перевода приводит к получению текста, который не просто точен, но идеально адаптирован к его контексту.

Корпоративный язык имеет решающее значение, даже когда у вас мало времени. Вот почему служба InstantTranslation от Supertext объединяет существующие памяти переводов и терминологические базы клиентов, обеспечивая постоянный перевод названий продуктов и специфичных для клиентов терминов.

«Так же быстро, как Google Translate, и так же хорош, как и профессиональный переводчик»

Supertext расширяет свой портфель услуг по копирайтингу и переводу новой услугой для текстов до 350 символов. Услуги Supertext предоставляют компаниям любого размера доступ к международной команде, состоящей из более чем 2000 языковых профессионалов, работающих во всех областях.

Решение InstantTranslation было разработано в сотрудничестве с AMAG, крупнейшей автомобильной компанией Швейцарии, которая с лета 2020 года поэтапно внедряет эту услугу в своих различных отделах.AMAG, давний клиент Supertext, уже пользовался многими услугами перевода Supertext и хотел восполнить дополнительный пробел:

«InstantTranslation дает нам надежные переводы небольших срочных текстов в режиме реального времени, предлагая важные дополнительные преимущества для наших повседневных процессов».

Роджер Релли, руководитель отдела маркетинговых услуг AMAG

После успешного бета-тестирования нескольких клиентов новая услуга будет запущена в Швейцарии и Германии 27 января 2021 года.Первоначально InstantTranslation будет доступен на английском, немецком, французском и итальянском языках, а цены отражают принцип, согласно которому важна каждая секунда: переводы оплачиваются поминутно, без минимальной платы.

—
Узнать больше
Заказать демонстрацию

Загрузки
Пресс-релиз

Контакт для СМИ
Фабиан Диецигер, управляющий партнер
[email protected], +41 43 500 33 81

Нейронная сеть для Машинный перевод в производственном масштабе

Машинный перевод никоим образом не решается. GNMT по-прежнему может допускать серьезные ошибки, которые никогда не допустил бы переводчик-человек, например, пропуск слов и неправильный перевод имен собственных или редких терминов, а также перевод предложений изолированно, а не с учетом контекста абзаца или страницы. Мы еще многое можем сделать, чтобы лучше обслуживать наших пользователей. Однако GNMT представляет собой важную веху. Мы хотели бы отметить это вместе со многими исследователями и инженерами — как в Google, так и в более широком сообществе, — которые внесли свой вклад в это направление исследований в последние несколько лет.

Благодарности:
Мы благодарим членов команды Google Brain и команду Google Translate за помощь в проекте. Мы благодарим Нихила Тората и команду Big Picture за визуализацию.

Ссылки:
[1] Система нейронного машинного перевода Google: преодоление разрыва между человеческим и машинным переводом, Yonghui Wu, Mike Schuster, Zhifeng Chen, Quoc V. Le, Mohammad Norouzi, Wolfgang Macherey, Maxim Krikun, Yuan Цао, Цинь Гао, Клаус Машери, Джефф Клингнер, Апурва Шах, Мелвин Джонсон, Сяобин Лю, Лукаш Кайзер, Стефан Гоус, Ёсикиё Като, Таку Кудо, Хидэто Казава, Кейт Стивенс, Джордж Куриан, Нишант Патил, Янг Ван, Клифф Вэй Янг Джейсон Смит, Джейсон Риза, Алекс Рудник, Ориол Виньялс, Грег Коррадо, Макдуф Хьюз, Джеффри Дин.Технический отчет, 2016.
[2] Последовательность для последовательного обучения с помощью нейронных сетей, Илья Суцкевер, Ориол Виньялс, Куок В. Ле. Достижения в системах обработки нейронной информации, 2014.
[3] Решение проблемы редких слов в нейронном машинном переводе, Минь-Тханг Луонг, Илья Суцкевер, Куок В. Ле, Ориоль Виньялс и Войцех Заремба. Труды 53-го ежегодного собрания Ассоциации компьютерной лингвистики, 2015.
[4] Нейронный машинный перевод путем совместного обучения выравниванию и переводу, Дмитрий Богданау, Кюнхён Чо, Йошуа Бенджио.Международная конференция по обучающим репрезентациям, 2015 г.
[5] Голосовой поиск на японском и корейском языках, Майк Шустер и Кайсуке Накадзима. Международная конференция IEEE по акустике, обработке речи и сигналов, 2012 г.
[6] Нейронный машинный перевод редких слов с подсловами, Рико Сеннрих, Барри Хаддоу, Александра Берч. Материалы 54-го ежегодного собрания Ассоциации компьютерной лингвистики, 2016 г.

Десять лет назад мы объявили о запуске Google Translate вместе с использованием фразового машинного перевода в качестве ключевого алгоритма, лежащего в основе этой службы.С тех пор быстрый прогресс в области машинного интеллекта улучшил наши возможности распознавания речи и изображений, но улучшение машинного перевода остается сложной задачей.

Сегодня мы анонсируем систему нейронного машинного перевода Google (GNMT), которая использует самые современные методы обучения для достижения самых больших на сегодняшний день улучшений качества машинного перевода. Полные результаты наших исследований описаны в новом техническом отчете, который мы публикуем сегодня: « Система нейронного машинного перевода Google: устранение разрыва между человеческим и машинным переводом » [1].

Несколько лет назад мы начали использовать рекуррентные нейронные сети (RNN) для непосредственного изучения сопоставления входной последовательности (например, предложения на одном языке) с выходной последовательностью (это же предложение на другом языке) [2]. В то время как машинный перевод на основе фраз (PBMT) разбивает входное предложение на слова и фразы, которые переводятся в значительной степени независимо, нейронный машинный перевод (NMT) рассматривает все входное предложение как единицу для перевода. Преимущество этого подхода в том, что для этого требуется меньше выбор инженерного дизайна по сравнению с предыдущими системами перевода на основе фраз.Когда он впервые появился, NMT показал эквивалентную точность с существующими системами перевода на основе фраз на небольших общедоступных наборах данных.

С тех пор исследователи предложили множество методов для улучшения NMT, включая работу по обработке редких слов, имитируя внешнюю модель выравнивания [3], используя внимание для выравнивания входных слов и выходных слов [4] и разбивая слова на более мелкие единицы, чтобы справиться редкими словами [5,6]. Несмотря на эти улучшения, NMT не был достаточно быстрым и точным для использования в производственной системе, такой как Google Translate.В нашей новой статье [1] описывается, как мы преодолели множество проблем, связанных с тем, чтобы заставить NMT работать с очень большими наборами данных, и построили систему, которая является достаточно быстрой и достаточно точной, чтобы обеспечить лучший перевод для пользователей и сервисов Google.

Машинный перевод никоим образом не решается. GNMT по-прежнему может допускать серьезные ошибки, которые никогда не допустил бы переводчик-человек, например, пропуск слов и неправильный перевод имен собственных или редких терминов, а также перевод предложений изолированно, а не с учетом контекста абзаца или страницы. Мы еще многое можем сделать, чтобы лучше обслуживать наших пользователей.Однако GNMT представляет собой важную веху. Мы хотели бы отметить это вместе со многими исследователями и инженерами — как в Google, так и в более широком сообществе, — которые внесли свой вклад в это направление исследований в последние несколько лет.

Благодарности:
Мы благодарим членов команды Google Brain и команду Google Translate за помощь в проекте. Мы благодарим Нихила Тората и команду Big Picture за визуализацию.

Ссылки:
[1] Система нейронного машинного перевода Google: преодоление разрыва между человеческим и машинным переводом, Yonghui Wu, Mike Schuster, Zhifeng Chen, Quoc V.Ле, Мохаммад Норузи, Вольфганг Машери, Максим Крикун, Юань Цао, Цинь Гао, Клаус Машери, Джефф Клингнер, Апурва Шах, Мелвин Джонсон, Сяобин Лю, Лукаш Кайзер, Стефан Гоус, Йошикиё Като, Таку Казенсе Кудо, Хидэто Джордж Куриан, Нишант Патил, Вэй Ван, Клифф Янг, Джейсон Смит, Джейсон Риза, Алекс Рудник, Ориол Виньялс, Грег Коррадо, Макдуф Хьюз, Джеффри Дин. Технический отчет, 2016.
[2] Последовательность для последовательного обучения с помощью нейронных сетей, Илья Суцкевер, Ориол Виньялс, Куок В.Le. Достижения в системах обработки нейронной информации, 2014.
[3] Решение проблемы редких слов в нейронном машинном переводе, Минь-Тханг Луонг, Илья Суцкевер, Куок В. Ле, Ориоль Виньялс и Войцех Заремба. Труды 53-го ежегодного собрания Ассоциации компьютерной лингвистики, 2015.
[4] Нейронный машинный перевод путем совместного обучения выравниванию и переводу, Дмитрий Богданау, Кюнхён Чо, Йошуа Бенджио. Международная конференция по обучающим представительствам, 2015 г.
[5] Голосовой поиск на японском и корейском языках, Майк Шустер и Кайсуке Накадзима. Международная конференция IEEE по акустике, обработке речи и сигналов, 2012 г.
[6] Нейронный машинный перевод редких слов с подсловами, Рико Сеннрих, Барри Хаддоу, Александра Берч. Материалы 54-го ежегодного собрания Ассоциации компьютерной лингвистики, 2016 г.

Amazon запускает функцию Live Translation для устройств Echo — TechCrunch

Сегодня Amazon анонсировала новую функцию Alexa, Live Translation, которая будет переводить разговоры между людьми, говорящими на двух разных языках.Эта функция использует для работы технологию распознавания речи Amazon и технологию нейронного машинного перевода и поддерживает перевод между английским и французским, испанским, хинди, португальским (бразильским), немецким или итальянским языками.

Чтобы использовать LiveTranslation, владелец устройства Echo может ввести голосовую команду, например «Alexa, translate French», чтобы начать перевод между английским и французским языками. Когда вы слышите звуковой сигнал, вы можете говорить на любом языке, даже делая естественные паузы между предложениями, утверждает Amazon.Затем Alexa автоматически определит язык, на котором говорят, и переведет каждую сторону разговора. На устройствах Echo Show вы также можете видеть перевод в дополнение к его прослушиванию.

Чтобы завершить сеанс перевода, вы говорите «Алекса, остановись».

Согласно отчету Yahoo Finance за 2018 год, компания работает над функцией универсального языкового перевода.

Новое дополнение может сделать Alexa более конкурентоспособной по сравнению с устройствами Google, которые могут использовать существующий сервис Google Translate через Google Assistant.В начале 2019 года устройства Google Home представили возможность переводить разговоры на лету на широкий спектр языков с помощью функции, называемой режимом переводчика. Сегодня режим переводчика работает на многих устройствах Google, включая умные колонки, умные дисплеи, умные часы и даже Google Assistant на телефонах и планшетах. Однако, когда Google добавил живой перевод в свои Pixel Buds, эта функция сначала провалилась.

Насколько хорошо функция перевода Alexa будет работать, требует дальнейшего тестирования после сегодняшнего запуска.

Live translation — последнее из серии обновлений для устройств Echo, ориентированных на разные языки.

Эта функция следует за прошлогодним введением многоязычного режима для носителей США, который позволяет пользователям Alexa говорить на комбинации английского и испанского, французского и английского языков, а также, например, хинди и английского. Alexa также может переводить одно слово или фразу на более чем 50 поддерживаемых языков.

По словам Amazon, эта функция не только помогает пользователям лучше общаться, но и может использоваться для изучения языков и для общения между гостями и персоналом отеля через Alexa for Hospitality, платформу, разработанную для гостиничного бизнеса.

DeepL Blog

Мы рады сообщить вам, что сегодня мы запустили совершенно новую систему перевода, которая представляет собой еще один качественный скачок в качестве перевода. Используемые нами нейронные сети намного превосходят предыдущие технологии, и теперь вы можете бесплатно протестировать и использовать их на сайте www.DeepL.com.

Мы уже сделали несколько заголовков в 2017 году, когда выпустили DeepL Translator, который превосходил по качеству системы перевода даже крупных высокотехнологичных компаний и мог переводить даже более длинные отрывки без ошибок.Наши сервисы быстро стали популярными: сейчас ими пользуются более полумиллиарда человек.

Теперь нашим исследователям искусственного интеллекта удалось добиться еще одного прорыва в качестве перевода. В новой системе улучшены все критерии качественного перевода. Новые нейронные сети могут гораздо точнее представлять значение переведенных предложений на целевом языке и, в то же время, часто могут находить более профессиональные формулировки.

Это побудило нас провести новые слепые тесты. Мы перевели 119 длинных отрывков на самые разные темы с помощью DeepL Translator и некоторых конкурирующих систем. Затем мы попросили профессиональных переводчиков оценить эти переводы и выбрать лучший перевод, не имея информации о том, какая система выполняет какой перевод. Переводчики выбирали переводы из DeepL в четыре раза чаще, чем из любой другой системы:

Мы предполагаем, что такие компании, как Google или Microsoft, также имеют очень хорошие данные для обучения нейронных сетей перевода.С другой стороны, мы достигли множества инноваций в математике и методологии нейронных сетей, с помощью которых мы можем расширить наше лидерство. Это особый момент для всей нашей команды, когда этими улучшениями теперь могут пользоваться миллиарды людей.

В DeepL наша цель — разрушить языковые барьеры во всем мире и сблизить культуры. Для этого мы планируем добавить еще много языков и в ближайшие месяцы и годы хотим интегрировать технологии перевода везде, где люди общаются друг с другом, читают тексты, пишут или ведут бизнес друг с другом.Это видение также мотивирует многих исследователей и разработчиков ИИ присоединиться к DeepL. Если вы тоже хотите помочь нам сблизить мир, подайте заявку!

Запуск Amazon в Швеции застрял из-за досадных языковых ошибок | Новости | DW

Amazon запустил свой шведский веб-сайт в среду в рамках долгожданного расширения на рынок электронной коммерции Скандинавии.

Однако шведские СМИ быстро отметили, что онлайн-покупатели обнаружили множество орфографических ошибок и ошибок перевода на веб-сайте Amazon.se.

Подробнее : Немецкий сторожевой пес начинает расследование Amazon: отчет

Шведская газета Aftonbladet сообщила, что поздравительная открытка с гигантским петухом была переведена на слова, грубо ссылающиеся на мужские гениталии. Слово «рапс» для некоторых продуктов было просто переведено как «valdtakt», что на шведском означает изнасилование. Была описана форма для выпечки, предназначенная для «фекалий».

Шведский флаг в функции выбора страны также был ошибочно показан как аргентинский.

Представитель Amazon сказал, что розничный торговец хочет «поблагодарить всех за выявление этих проблем и помощь в внесении изменений и улучшении Amazon.se», добавив, что пользователи, обнаруживающие ошибки, должны использовать ссылки обратной связи, а Amazon затем исправит ошибки.

Никлас Сторакерс, генеральный директор шведской службы сравнения цен PriceRunner, сказал, что запуск был «самой неудачной работой, которую я когда-либо видел», сообщает технический веб-сайт Breakit.

Брейкит сказал, что, похоже, шведские лингвистические ошибки были «автоматическими переводами».«

Жесткий рынок

Amazon заявила, что Amazon.se предлагает 150 миллионов товаров в 30 категориях. Тем не менее, аналитик розничной торговли Дэниел Шмидт из Danske Bank сказал шведскому информационному агентству TT, что для Amazon может быть сложно стать доминирующим в Швеции в Интернете. розничный рынок, как в США, Великобритании и Германии.

«Вступить в Швецию в 2020 году — другое дело, чем войти в Германию и Англию 20 лет назад», — сказал Шмидт.

Подробнее : акции Amazon достигли нового максимума в условиях пандемии коронавируса

До запуска шведского сайта клиенты из северных стран делали покупки на сайтах Amazon в Германии и Великобритании.

«Мы продолжим упорно работать, чтобы завоевать доверие шведских клиентов, … обеспечивая удобные и надежные условия покупок», — заявил вице-президент Amazon по европейскому расширению Алекс Отес в заявлении перед запуском.

Comments |0|