El aprendizaje automático se ha utilizado para traducir automáticamente idiomas perdidos hace mucho tiempo

Griego antiguo inscrito en piedra don lloyd | Flickr

En 1886, el arqueólogo británico Arthur Evans encontró una piedra antigua con un curioso conjunto de inscripciones en un idioma desconocido. La piedra procedía de la isla mediterránea de Creta, y Evans viajó inmediatamente allí para buscar más pruebas. Rápidamente encontró numerosas piedras y tablillas con escrituras similares y las fechó alrededor del 1400 a.

Eso convirtió a la inscripción en una de las primeras formas de escritura jamás descubiertas. Evans argumentó que su forma lineal se derivaba claramente de imágenes de líneas toscamente rayadas pertenecientes a la infancia del arte, estableciendo así su importancia en la historia de la lingüística.

Él y otros más tarde determinaron que las piedras y las tablas estaban escritas en dos escrituras diferentes. El más antiguo, llamado Lineal A, data de entre 1800 y 1400 a. C., cuando la isla estaba dominada por la civilización minoica de la Edad del Bronce.

La otra escritura, Lineal B, es más reciente y apareció solo después de 1400 a. C., cuando la isla fue conquistada por los micénicos del continente griego.

Evans y otros intentaron durante muchos años descifrar las escrituras antiguas, pero los idiomas perdidos resistieron todos los intentos. El problema permaneció sin resolver hasta 1953, cuando un lingüista aficionado llamado Michael Ventris descifró el código del Lineal B.

Su solución se basó en dos avances decisivos. Primero, Ventris conjeturó que muchas de las palabras repetidas en el vocabulario lineal B eran nombres de lugares en la isla de Creta. Eso resultó ser correcto.

Su segundo avance fue suponer que la escritura registraba una forma temprana del griego antiguo. Esa percepción le permitió de inmediato descifrar el resto del lenguaje. En el proceso, Ventris demostró que el griego antiguo apareció por primera vez en forma escrita muchos siglos antes de lo que se pensaba.

El trabajo de Ventris fue un gran logro. Pero la escritura más antigua, Lineal A, sigue siendo uno de los grandes problemas lingüísticos hasta el día de hoy.

No es difícil imaginar que los avances recientes en la traducción automática podrían ayudar. En solo unos pocos años, el estudio de la lingüística se ha visto revolucionado por la disponibilidad de enormes bases de datos anotadas y técnicas para que las máquinas aprendan de ellas. En consecuencia, la traducción automática de un idioma a otro se ha convertido en una rutina. Y aunque no es perfecto, estos métodos han proporcionado una forma completamente nueva de pensar sobre el lenguaje.

Entran Jiaming Luo y Regina Barzilay del MIT y Yuan Cao del laboratorio de inteligencia artificial de Google en Mountain View, California. Este equipo ha desarrollado un sistema de aprendizaje automático capaz de descifrar idiomas perdidos, y lo han demostrado haciendo que descifre Lineal B, la primera vez que esto se hace automáticamente. El enfoque que utilizaron era muy diferente de las técnicas estándar de traducción automática.

Primero algunos antecedentes. La gran idea detrás de la traducción automática es comprender que las palabras se relacionan entre sí de manera similar, independientemente del idioma en cuestión.

Entonces, el proceso comienza con el mapeo de estas relaciones para un idioma específico. Esto requiere enormes bases de datos de texto. Luego, una máquina busca este texto para ver con qué frecuencia aparece cada palabra junto a las demás. Este patrón de apariencias es una firma única que define la palabra en un espacio de parámetros multidimensionales. De hecho, la palabra puede pensarse como un vector dentro de este espacio. Y este vector actúa como una poderosa restricción sobre cómo puede aparecer la palabra en cualquier traducción que se le ocurra a la máquina.

Estos vectores obedecen algunas reglas matemáticas simples. Por ejemplo: rey – hombre + mujer = reina. Y una oración puede pensarse como un conjunto de vectores que se suceden uno tras otro para formar una especie de trayectoria a través de este espacio.

La idea clave que permite la traducción automática es que las palabras en diferentes idiomas ocupan los mismos puntos en sus respectivos espacios de parámetros. Eso hace posible mapear un idioma completo en otro idioma con una correspondencia uno a uno.

De esta manera, el proceso de traducir oraciones se convierte en el proceso de encontrar trayectorias similares a través de estos espacios. La máquina ni siquiera necesita saber qué significan las oraciones.

Este proceso se basa de manera crucial en los grandes conjuntos de datos. Pero hace un par de años, un equipo alemán de investigadores mostró cómo un enfoque similar con bases de datos mucho más pequeñas podría ayudar a traducir idiomas mucho más raros que carecen de grandes bases de datos de texto. El truco consiste en encontrar una forma diferente de restringir el enfoque de la máquina que no dependa de la base de datos.

Ahora, Luo y compañía han ido más allá para mostrar cómo la traducción automática puede descifrar idiomas que se han perdido por completo. La restricción que utilizan tiene que ver con la forma en que se sabe que los idiomas evolucionan con el tiempo.

La idea es que cualquier idioma puede cambiar solo de ciertas maneras; por ejemplo, los símbolos en idiomas relacionados aparecen con distribuciones similares, las palabras relacionadas tienen el mismo orden de caracteres, etc. Con estas reglas restringiendo la máquina, se vuelve mucho más fácil descifrar un idioma, siempre que se conozca el idioma progenitor.

Luo y compañía pusieron a prueba la técnica con dos idiomas perdidos, el lineal B y el ugarítico. Los lingüistas saben que el Lineal B codifica una versión temprana del griego antiguo y que el ugarítico, descubierto en 1929, es una forma temprana del hebreo.

Dada esa información y las limitaciones impuestas por la evolución lingüística, la máquina de Luo y compañía puede traducir ambos idiomas con una precisión notable. Pudimos traducir correctamente el 67,3% de los cognados Lineal B a sus equivalentes griegos en el escenario de desciframiento, dicen. Hasta donde sabemos, nuestro experimento es el primer intento de descifrar el Lineal B automáticamente.

Es un trabajo impresionante que lleva la traducción automática a un nuevo nivel. Pero también plantea la interesante cuestión de otros idiomas perdidos, en particular aquellos que nunca han sido descifrados, como el Lineal A.

En este artículo, el Lineal A brilla por su ausencia. Luo y compañía ni siquiera lo mencionan, pero debe ocupar un lugar preponderante en su forma de pensar, como ocurre con todos los lingüistas. Sin embargo, aún se necesitan avances significativos antes de que este script sea apto para la traducción automática.

Por ejemplo, nadie sabe qué lenguaje codifica el Lineal A. Todos los intentos de descifrarlo en griego antiguo han fallado. Y sin la lengua progenitora, la nueva técnica no funciona.

Pero la gran ventaja de los enfoques basados ​​en máquinas es que pueden probar un idioma tras otro rápidamente sin fatigarse. Por lo tanto, es muy posible que Luo y compañía aborden el Lineal A con un enfoque de fuerza bruta: simplemente intente descifrarlo en todos los idiomas para los que ya funciona la traducción automática.

Si eso funciona, será un logro impresionante, que incluso a Michael Ventris le sorprendería.

Ref: arxiv.org/abs/1906.06718 : Desciframiento Neural vía Flujo de Costo Mínimo: de Ugarítico a Lineal B

esconder