Введение

В последние десятилетия искусственный интеллект (ИИ) стал одной из самых активно развивающихся областей науки и технологий. Искусственный интеллект и глубокое обучение уже давно перестали быть просто модными терминами: они стали неотъемлемой частью нашей повседневной жизни. От автоматического распознавания речи и изображения до работы чат–ботов и автономных автомобилей — эти технологии лежат в основе множества современных приложений. Однако, чтобы понять и внедрять такие сложные системы, требуется глубокое осмысление их теоретической базы. Понимание сложных концепций, таких как нейронные сети и алгоритмы машинного обучения, зависит не только от знаний в области математики и информатики, но и от точности и однозначности перевода специализированных терминов.

Целью данной статьи является рассмотрение специфики перевода ключевых терминов. Почему это важно? Точная передача значений терминов обеспечивает как адекватное понимание концепций, так и их правильное применение в профессиональной и научной деятельности.

Исторические и современные основы классификаций терминов

Идея классифицировать термины появилась в рамках развития терминоведения как науки. Одним из первых учёных, предложивших системный подход к изучению терминологии, был Д. С. Лотте. В своей работе «Основы построения научно-технической терминологии» он предложил разделять термины по их функциям, структуре и логическим связям, что позволило упорядочить и стандартизировать терминологию в различных научных и технических областях. Идея Лотте о классификации терминов включала распределение терминов по сферам применения и упорядочение терминов в рамках определённой системы знаний [6]. Классификация терминов, как отмечала А. В. Суперанская, позволяет не только выявить связи между понятиями, но и обеспечивает однозначность их использования в профессиональной среде [7].

Классификация терминов в области искусственного интеллекта началась с выделения ключевых понятий, связанных с этой наукой. Одним из первых, кто предложил систематизировать термины ИИ, был Джон Маккарти, создатель термина artificial intelligence («искусственный интеллект»). Он предложил концептуальные основы, которые легли в основу современного терминоведения в области ИИ. В 1956 году Маккарти выделил ключевые понятия, такие как machine learning («машинное обучение»), problem-solving («решение задач»), knowledge representation («представление знаний»). Эти идеи легли в основу дальнейшей классификации терминов в области ИИ [9].

Важный вклад в классификацию терминов ИИ внесли Питер Норвиг и Стюарт Расселл, авторы фундаментального труда Artificial Intelligence: A Modern Approach. Они предложили классифицировать термины по областям применения (например, машинное обучение, робототехника, обработка естественного языка) и по типам задач (поиск, планирование, распознавание образов) [10].

В статье рассматривается объединение шести критериев в рамках одной классификации — это расширение уже существующих подходов, но в таком виде оно не встречается. Данная система учитывает как традиционные аспекты (происхождение, структура), так и современные (область применения, степень абстракции, семантика). Практическая ценность работы заключается в подходе, которыйможет быть особенно полезен в переводе научной литературы, где требуется учитывать контекст, происхождение термина и его семантическое значение. Несмотря на то, что каждая категория имела аналоги в предыдущих исследованиях, их объединение в единое целое можно считать новым вкладом в терминоведение.

Анализ специфики перевода терминов

При изучении перевода терминологии в научных и технических текстах, особенно в таких сложных областях, как глубокое обучение, выделяются категории терминов, которые помогают лучше понять их структуру и функциональное назначение. Этот анализ позволяет выявить общие черты терминологии и обеспечивает правильное применение в профессиональной и научной деятельности

Классификация терминов может быть полезной для систематизации знаний и облегчения процесса перевода. Для анализа терминологии в данной статье рассматривается классификация по следующим признакам:

1. По области применения: научные термины, технические термины.
2. По степени абстракции: конкретные термины, абстрактные термины.
   1. Классификация терминов по области применения

Терминосистема охватывает широкий спектр тем, поэтому термины можно классифицировать по их области применения. Это деление помогает лучше понять, где и как используется тот или иной термин, а также какие из них имеют узкоспециализированное или общее значение. Научные термины описывают фундаментальные концепции, которые связаны с математикой, статистикой и теоретической базой глубокого обучения. Они используются для объяснения принципов работы алгоритмов и моделей.

Рассмотрим пример использования терминов сферы ИИ в англоязычном контексте: Artificial neural networks (ANNs) dominate the field of representation learning today [8].

В приведённом выше примере термин representation learning («обучение представлениям») может вызвать затруднения из-за своей специфики. В русском переводе используется точный эквивалент, что сохраняет научную точность. Аббревиатура ANNs («Искусственные нейронные сети») расшифровывается и переводится полностью, что соответствует стандартам академического языка.

Armed with this brief history of neurons, we can define the term deep learning deceptively straightforwardly: Deep learning involves a network in which artificial neurons — typically thousands, millions, or many more of them — are stacked at least several layers deep [8] — в данном примере термин deep learning переведен путём дословного калькирования как «глубокое обучение», что является устоявшимся в русскоязычной литературе вариантом. Англоязычное выражение stacked во фразе stacked at least several layers deep дословно означает «сложены», но в русском языке это звучало бы громоздко. В данном случае использован описательный перевод, который сохраняет смысл. Перевод научных терминов требует глубокого понимания контекста. Например, термин representation learning должен быть точно передан как «обучение представлениям», чтобы избежать двусмысленности.

Технические термины описывают реализацию алгоритмов и архитектур в программировании, специфичны для инженерии и технологий.

Например, термин gradient descent в предложении — gradient descent is a handy, efficient tool for adjusting a model’s parameters with the aim of minimizing cost, particularly if you have a lot of training data available [8] — имеет устойчивый перевод на русский язык «градиентный спуск». Вместо заимствования термина dropout , который часто остаётся в английском варианте в научных текстах, использовано адаптированное понятие «прореживание». Что бы перевести фразу Dropout is nevertheless an effective regularization technique, because it prevents any single neuron from becoming excessively influential within the network, в данном контексте используется описательный подход, который раскрывает суть термина для русскоязычной аудитории, сохраняя научную точность.

Технические термины, такие как dropout или ReLU , часто заимствуются без перевода. Однако для читателей без подготовки такие заимствования могут быть непонятны. Добавление описания помогает устранить эту проблему. Если прямой эквивалент отсутствует, используется калькирование. Например, backpropagation переводится как «обратное распространение ошибки», что делает термин понятным.

Научные термины чаще всего встречаются в теоретических разделах книги и используются для описания математических основ глубокого обучения. Технические термины появляются в практических разделах, где объясняются детали реализации и оптимизации моделей, а также в приложениях к реальным задачам, таким как компьютерное зрение. Такая иерархия позволяет эффективно работать с терминологией в зависимости от контекста и цели изучения.

2. Классификация терминов по степени абстракции

Классификация терминов по степени абстракции является полезным инструментом для понимания и систематизации терминологии в различных областях знания. Эта классификация позволяет обозначить уровень обобщенности и универсальности термина, что помогает лучше ориентироваться в его использовании и значении. Классификация включает основные категории: конкретные термины и технические концепции. Далее осуществляется более детальное рассмотрение каждой из указанных категорий. Конкретные термины обозначают конкретные алгоритмы, методы или архитектуры, физические объекты или явления, процессы, которые можно непосредственно наблюдать и воспринимать. Они характеризуются четкостью и ясностью значений, позволяя легко представить их в реальном мире.

Например, при переводе предложения — Together, a neuron’s bias and its weights constitute all of its parameters: the changeable variables that prescribe what the neuron will output in response to its inputs [8] — использовано калькирование термина neuron как «нейрон». Термин feature в предложении — Feature engineering — the transformation of raw data into thoughtfully transformed input variables [8] — переведён как «признак», что соответствует устоявшейся практике в области машинного обучения. А feature engineering переведено как «проектирование признаков», что точно передаёт суть процесса.

Технические концепции — это термины с максимальной степенью абстракции, которые часто применяются в научных и инженерных областях. Они могут представлять собой абстрактные принципы, теории или модели, которые служат основой для разработки технологий, анализов и методов.

Например, в предложении — Central to the two computational methods that enable neural networks to learn — gradient descent and backpropagation — is the comparison of the rate of change of cost C relative to neuron parameters like weight w [8] — gradient descent описывается как один из ключевых методов оптимизации, позволяющий обучать нейронные сети за счёт минимизации функции стоимости ( cost function ). Gradient descent переведён как «градиентный спуск» — это калькированный перевод, который широко используется в русскоязычной литературе по глубокому обучению. Backpropagation упоминается как второй ключевой метод, обеспечивающий вычисление градиентов для обновления параметров нейронной сети (например, весов w ), и переведён как «обратное распространение». Термин калькирован, что делает перевод точным и соответствующим общепринятой практике. Полное название термина backpropagation of error («обратное распространение ошибки») опущено, так как в данном контексте оно не требуется. Оба термина — gradient descent и backpropagation — относятся к категории технических концепций с максимальной степенью абстракции , так как описывают методы, лежащие в основе обучения нейронных сетей.

Таким образом, классификация терминов по степени абстракции помогает формализовать способы мышления о языке и терминологии, позволяя лучше структурировать информацию и облегчать коммуникацию между специалистами в различных областях. Понимание степени абстракции термина важно для точности и адекватности общения, особенно в научной и технической среде

Заключение

Анализ перевода терминологии позволяет выделить ключевые аспекты, связанные с адаптацией терминов в области искусственного интеллекта. Профессиональный перевод требует точности, сохранения контекстуальных значений и учёта культурных различий, чтобы обеспечить доступность и понимание текста для целевой аудитории.

Классификация терминов в области искусственного интеллекта по различным критериям (область применения, степень абстракции) позволяет систематизировать терминологию и облегчить её анализ. Такой подход даёт возможность не только углубить понимание ключевых понятий, но и выявить особенности их перевода и использования в профессиональной среде. Результаты классификации подтверждают, что термины из области глубокого обучения и искусственного интеллекта обладают высокой степенью сложности и требуют внимательного подхода к переводу.

Предложенная классификация может быть использована для разработки рекомендаций по переводу терминологии и создания словарей в области искусственного интеллекта. Она также предоставляет основу для дальнейших исследований в области терминоведения и автоматизации перевода научно-технических текстов.

Литература:

1. Алексеев И. С. Теория перевода: Лингвистические аспекты/ И. С. Алексеев — М.: Высшая школа, 1977.
2. Канделаки Т. Л. Русская терминология: Опыт лингвистического описания/ Т. Л. Канделаки — М.: Наука, 1970.
3. Комиссаров В. Н. Современное переводоведение: Учебное пособие/ В. Н. Комиссаров — М.: ЭТС, 2002.
4. Крон Дж. Глубокое обучение в картинках. Визуальный гид по искусственному интеллекту/ Дж Крон, Г. Бейлевельд, А. Бассенс. — Питер, 2020.
5. Левинская Е. И. Перевод и межкультурная коммуникация/ Е. И. Левинская — СПб.: Союз, 1997.
6. Лотте Д. С. Основы построения научно-технической терминологии: Вопросы теории и методики/ Д. С. Лотте — М.: АН СССР, 1961. — С. 25–28
7. Суперанская А. В. Общая терминология: Вопросы теории/ А. В. Суперанская — М.: Наука, 1989. — С. 48–53.
8. Krohn J. Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence (Addison-Wesley Data & Analytics Series)/ J. Krohn, G Beyleveld., A. Bassens — Addison-Wesley Professional, 2019.
9. McCarthy J. What is Artificial Intelligence? / J. McCarthy — Stanford University, 1980. — С. 1–3.
10. Russell S. Artificial Intelligence: A Modern Approach/ S. Russell, P. Norvig — Pearson, 2010. — С. 56–60.