我們支援開發AI翻譯引擎與生成式AI，以及
調校所需的
大型語言模型建構
。

在機器翻譯及多語言生成式 AI 的開發與調校中，雙語語料庫的重要性日益提升。此外，當譯者開始接觸新領域的翻譯工作時，若能擁有公司內部累積的翻譯記憶庫，將能大幅提升翻譯效率。然而，自行收集系統化的雙語語料庫並非易事，透過外部採購數據，將心力集中於目標成果的開發或翻譯工作，會是更有效率的做法。

選擇雙語語料庫時，可參考以下 6 個要點。
1） 語言組合
2） 領域
3） 品質
4） 數量
5） 資料類型
6） 是否具備上下文

1）的「語言組合」是指譯者翻譯的語言對，或是機器翻譯開發中用於訓練的語言對，例如是日語與英語，還是日語與中文。在註冊至翻譯輔助工具的翻譯記憶庫時，「語言組合」同樣可說是最重要的要素。此外，若追求更自然的表達，哪種語言為原文也是關鍵要素。具體來說，即使同樣稱為「日語與英語的雙語語料庫」，將日語原文翻譯為英語，與將英語原文翻譯為日語，兩者在英語表達的流暢度及翻譯背景上，自然會存在差異。

2）中的「領域」是指觀光、醫療、法律、經濟、科學技術等領域。透過對想要提高精度的領域數據進行機器學習，將有助於加速開發。若要構建語言模型以提升特定領域的機器翻譯精度，通常認為達到約10萬對數據即可見效。即使是從雙語語料庫製作專業術語辭典，領域的重要性也不言而喻。以本公司為例，日本國內需求的領域隨著時代而變遷：在以觀光立國為口號、致力於應對入境旅遊的時代，需求集中在觀光領域；為了強化針對訪日及定居外國人的醫療服務，則需要醫療領域的雙語語料庫。隨後，需求轉向用於發表或說明業務內容的簡報資料，以及記錄會議、活動演講及其後問答環節的商業領域，這些需求在幾年內不斷演變。

3）中的「品質」換言之即為精度，取決於雙語語料庫的製作方式。理想情況下，數據應由人工翻譯而成；若使用機器翻譯且未經人工審閱或修正，品質自然會下降。此外，即使是人工翻譯的雙語數據，有時也會出現原文1句被譯為2句以上的情況，若要求原文與譯文必須以1句對應1句，則會影響品質。再者，若翻譯時過度省略，也稱不上是優質的雙語語料庫。

4）中的「數量」，舉例來說，若目的是為了登錄到公司內部使用的翻譯輔助工具之翻譯記憶庫或詞彙字典中，那麼在特定領域中擁有數萬對的雙語語料庫，對譯者而言已是相當有幫助的數量。若是要開發機器翻譯引擎等，進行特定領域的機器學習時，據說10萬對就能達到一定的效果。另一方面，若要開發通用型的機器翻譯引擎，則據說需要數千萬對。由此可見，所需的雙語語料庫數量會根據用途而有極大的差異。

5）中的「資料類型」，是指製作雙語語料庫的原始檔案是屬於報告書/白皮書、發表/會見/問答等哪一種類型。若想對書面語進行機器學習，使用報告書/白皮書會更有效；若想對口語進行機器學習，則使用從發表/會見/問答中製作的雙語語料庫會更有效。本公司的雙語語料庫對屬性進行了細緻的管理，因此可以按資料類型提取雙語語料庫。

6）中的「有無上下文」，是指多個句子之間是否存在語意上的連結。具體來說，字典中收錄的例句，其條件僅在於包含特定的標題詞，與其他例句之間並無脈絡可言。因此，判斷為「無上下文」。相對地，報告書由於是針對某個事件或現象的描述，由多個句子構成，因此屬於「有上下文」。同樣地，會見或問答也因為有多位發言者交替對話，可以說「有上下文」。不僅限於機器翻譯，為了讓聊天機器人生成更精確的回答，對於機器學習所使用的雙語語料庫是否「有上下文」，其需求比以往更加迫切。

總結
選擇雙語語料庫時，需根據用途考慮上述 1）至 6）點。特別是在針對特定領域進行機器學習時，考慮品質、資料類型以及是否有必要具備上下文至關重要。為了能活用符合目的的雙語語料庫，請先確認本公司的免費樣本資料。