Makine çevirisi

Bu derste yapay zekânın hem en eski hedeflerinden hem de günlük hayata en çok karışmış uygulaması olan makine çevirisini sıfırdan işliyoruz: üç kuşaklık teknik tarihçe, sinirsel modellerin çalışma mantığı, 2024–2025 tablosu, Türkçenin özel zorlukları ve sık yanılgılar. Temeller için NLP nedir? dersine, tamamı için Yapay Zekâ dersleri sayfasına bakabilirsin.

Makine Çevirisi Nedir?

Makine çevirisi (machine translation, MT), bir dildeki metnin bilgisayar tarafından, otomatik olarak başka bir dile aktarılmasıdır. Yabancı dildeki bir menüyü telefon kamerasıyla anında Türkçe okuyabilmenin arkasında bu teknoloji çalışır. İşin zorluğu şuradadır: çeviri, doğal dili hem anlamayı hem üretmeyi aynı anda gerektirir; sistem hem kaynak metni “çözümlemeli” hem de hedef dilde doğal bir cümle “kurmalı”dır. Bu yüzden NLP’nin en kapsamlı alt alanlarından biri sayılır.

Üç Kuşak: Kuraldan Sinirsel Ağlara

Makine çevirisi tek bir teknoloji değildir; altmış yılı aşan sürede üç yaklaşımın birikimiyle bugüne ulaştı. Aradaki fark, bugünkü başarının nedenini açıklar.

Kural tabanlı çeviri (RBMT)

1950’lerden itibaren kullanılan en eski yaklaşımdır: dilbilimciler sözlükleri ve dönüştürme kurallarını elle yazar, bilgisayar bu kuralları sırayla uygular. Alanın klasik anekdotunda “The spirit is willing but the flesh is weak” cümlesi geri çeviride “Viski kuvvetlidir ama et bozuk” olmuştu. Mesajı gerçektir: kurallar dilsel durumların tamamını kapsayamaz; kuralda olmayan bir yapı sistemleri anlamsız çıktıya düşürür.

İstatistiksel çeviri (SMT)

1990’lardan itibaren yaygınlaştı. Fikir, kuralları veriyle değiştirmekti: sisteme aynı metnin iki dildeki sürümlerinden oluşan büyük bir paralel derlem verilir (klasik kaynaklar: Avrupa Parlamentosu tutanakları, BM belgeleri) ve “bu kaynak öbeğin karşısında en sık hangi hedef öbek var?” sorusu olasılıklarla yanıtlanır. Kalite belirgin biçimde arttı; ama çeviri öbek öbek birleştirildiği için uzun cümlelerde akıcılık hâlâ mekanikti.

Sinirsel çeviri (NMT)

2010’ların ortasından itibaren standart hâle geldi. Çeviri, tek bir sinir ağı içinde uçtan uca öğrenilir: öbekler elle ayrılmaz, kurallar elle yazılmaz. Google 2016’da altyapısını sinirsel modele geçirdi; 2017’de yayımlanan Transformer bugünkü modellerin ortak temeli oldu. NMT, çıktıyı cümle bütününe bakarak ürettiği için daha akıcı ve bağlama duyarlıdır.

Üç yaklaşımı yan yana koyarsak:

• Kural tabanlı: elle yazılmış sözlük ve gramer; az veriyle çalışır ama kırılgandır, bakımı zordur.
• İstatistiksel: paralel derlemden olasılık hesabı; veri çoğaldıkça iyileşir ama akıcılık düşüktür.
• Sinirsel: tek ağ, uçtan uca öğrenme; en akıcı sonucu verir ama çok veri ve işlem gücü ister.

Sinirsel Makine Çevirisi Nasıl Çalışır?

Modern sistemlerin kalbinde kodlayıcı–çözücü (encoder–decoder) mimarisi vardır: kodlayıcı kaynak cümleyi okuyup anlamlı bir iç gösterime dönüştürür, çözücü bu gösterimden hedef dildeki cümleyi üretir. Süreç dört adımda izlenebilir:

1. Tokenleştirme: Cümle önce küçük parçalara bölünür; ayrıntıyı Token nedir? dersinde bulabilirsin.
2. Kodlama: Her token, anlamını sayısal olarak taşıyan vektörlere dönüşür; bu gösterimler Embedding nedir? dersinin konusudur. Kodlayıcı kelimeleri cümle içi bağlamlarıyla birlikte işler.
3. Çözme: Çözücü hedef cümleyi birer token hâlinde üretir; her adımda “bu bağlamda sıradaki en olası token ne?” sorusunu yanıtlar. Bu mantık, Dil modeli nedir? dersinde işlediğimiz sonraki token tahminiyle aynıdır.
4. Dikkat (attention): Model, hangi kelimeyi üretirken kaynak cümlenin hangi bölümüne odaklanacağına bu mekanizmayla karar verir.

Dikkatin gücünü somutlaştıralım: İngilizce “bank” sözcüğü tek başına hem “kıyı” hem “banka” demektir. Cümlede “river” geçiyorsa model “kıyı” yönüne, “money” geçiyorsa “banka” yönüne ağırlık verir. Kural tabanlı sistemlerin en çok tıkandığı bu belirsizlikler, bağlamı tek gösterimde toplayan sinirsel modellerin en kolay çözdüğü problemlerdir.

Makine Çevirisi Bugün Nerede? (2024–2025)

Bugünün tablosu iki başlıktan oluşur. Klasik çeviri servisleri (Google Translate, DeepL gibi) sinirsel modellerle çalışır; çok sayıda dili destekler, kamera ve ses girdisini de işleyebilir. Son iki yılın en belirleyici gelişmesi ise çok dilli büyük dil modellerinin çeviride kullanılması: LLM tabanlı sistemler belge düzeyinde çalışabilir, terminolojiyi tutarlı tutabilir ve “resmî bir dille çevir” gibi yönlendirmelere uyabilir. Mantığını LLM nedir? ve ChatGPT nasıl çalışır? derslerinde, genel çerçeveyi Üretken yapay zekâ nedir? dersinde bulabilirsin. Konuşma çevirisi de olgunlaştı; gerçek zamanlı sesli çeviri artık tanıdık bir özellik.

Peki kalite nasıl ölçülür? En bilinen otomatik ölçüt BLEU’dur: öneriyle insan çevirileri arasındaki kelime öbeği örtüşmesini hesaplar; hızlıdır ama anlam doğruluğunu yakalamakta zayıftır. Kritik değerlendirmelerde insan puanlaması, ürün tarafında ise kalite tahmini (QE) devreye girer: model hangi cümlelerden emin olmadığını işaretleyerek denetimin nereye yoğunlaşacağını söyler.

Türkçe Neden Zordur?

Türkçe bu açıdan öğretici bir örnektir; İngilizce gibi “kelime dizimi” dillerinden yapıca uzaktır:

• Eklemeli yapı: “Avrupalılaştıramadıklarımızdan mısınız?” tek kelimeye bir cümleyi sığdırır; bu dizilimler tokenleştirmeden çeviriye kadar her aşamayı zorlaştırır.
• Belirsiz zamir: Türkçedeki “o”, İngilizcede he, she ya da it karşılığıdır; sistem cinsiyeti bağlamdan çıkarsamak zorundadır.
• Cümle dizilimi: Türkçe fiili sona koyar, İngilizce fiili ortaya koyar. Çeviriyi belirleyen bilgi çoğu zaman cümlenin en sonunda gelir.
• İnce nüanslar: “Eve gelirim” cümlesi bağlama göre kesin bir gelecek de bir olasılık ifadesi de olabilir; bu nüans tek kelimeye birebir taşınmaz.

Sık Yapılan Hatalar ve Yanılgılar

• “Model kelime kelime çevirir.” Yanlış. Kelime kelime eşleştirme kural tabanlı dönemin davranışıydı; sinirsel sistemler her sözcüğü tüm cümlenin bağlamı içinde değerlendirir.
• “Akıcı çeviri doğru çeviridir.” En tehlikeli yanılgı budur. NMT çıktısı gramerce kusursuz görünürken anlam eksik ya da uydurulmuş olabilir; akıcılık doğruluğun kanıtı değildir.
• “Çeviri birebir eşleştirmedir.” Diller arasında birebir karşılık yoktur. “It’s raining cats and dogs” için amaç anlamca eşdeğer doğal bir ifade bulmaktır; “kediler ve köpekler yağıyor” demek değildir.
• “LLM çevirisi her koşulda klasik motorlardan iyidir.” Bağlam ve üslupta genellikle güçlüdür; ama yaygın dil çiftlerinde kısa ve net metinlerde klasik NMT da en az onlar kadar tutarlıdır. Doğru araç metne göre seçilir.
• “Küçük hatalar önemsizdir.” Tek bir olumsuzluğun kaybolması ya da bir dozaj bilgisinin yanlış aktarılması ciddi sonuç doğurabilir. Profesyonel iş akışında bu yüzden makine çıktısı, insan çevirmenin son düzenlemesinden (post-editing) geçirilir.

Özetle makine çevirisi, dilin belirsizliğini veriyle evcilleştiren altmış yıllık bir birikimdir: günlük iletişimde neredeyse görünmez olan bu teknoloji, kritik metinlerde hâlâ insan–makine iş birliğine muhtaçtır.