This project aims to improve machine translation (MT) accuracy and efficiency by integrating Large Language Models (LLMs) with retrieval-based MT techniques and synthetic data augmentation. The approach involves generating synthetic bilingual and monolingual datasets from existing parallel corpora, such as DGT, ParaCrawl, and news crawls, and enhancing these synthetic datasets through neural fuzzy repair and back translation techniques.
Expected outcomes include the development of MT systems that demonstrate improved translation quality by leveraging the capabilities of LLMs. By exploring the combination of retrieval-based methods and synthetic data generation and augmentation, this project seeks to contribute to the ongoing development of more accurate and efficient MT systems, facilitating better global communication.
Dit project heeft als doel de nauwkeurigheid en efficiëntie van machinevertalingen (MT) te verbeteren door Large Language Models (LLM's) te integreren met op retrieval gebaseerde MT-technieken en synthetische data-augmentatie. De aanpak omvat het genereren van synthetische tweetalige en eentalige datasets uit bestaande parallelle corpora, zoals DGT, ParaCrawl en news crawl, en het verbeteren van deze synthetische datasets door middel van neural fuzzy repair en back translation.
De verwachte resultaten omvatten de ontwikkeling van MT-systemen die een verbeterde vertaalkwaliteit aantonen door gebruik te maken van mogelijkheden van LLM's. Door de combinatie van op retrieval gebaseerde methoden en het genereren en vergroten van synthetische gegevens te onderzoeken, probeert dit project bij te dragen aan de voortdurende ontwikkeling van nauwkeurigere en efficiëntere MT-systemen, waardoor betere mondiale communicatie mogelijk wordt gemaakt.