ম্যাপরিডিউস ও ক্লাউড কম্পিউটিং ব্যবহার করে মেশিন অনুবাদের থ্রুপুট বৃদ্ধি

সূচিপত্র

1. ভূমিকা

এই পাণ্ডুলিপিটি সাধারণ হার্ডওয়্যারে ম্যাপরিডিউস প্রোগ্রামিং মডেল ব্যবহার করে মেশিন অনুবাদ সিস্টেমের স্কেলিং নিয়ে একটি অভিজ্ঞতামূলক অনুসন্ধান উপস্থাপন করে। বেশিরভাগ এমটি গবেষণা অনুবাদের গুণগত মানকে অগ্রাধিকার দিলেও, এই কাজটি থ্রুপুট-এর মতো গুরুত্বপূর্ণ কিন্তু প্রায়শই উপেক্ষিত মেট্রিকের সমাধান করে—যা প্রতি একক সময়ে অনুবাদ করা পাঠ্যের পরিমাণ নির্দেশ করে। মূল অনুমানটি হলো, বাক্য-স্তরের অনুবাদ কাজের অন্তর্নিহিত সমান্তরালীকরণযোগ্য প্রকৃতি এগুলিকে ম্যাপরিডিউসের মতো বিতরণকৃত প্রক্রিয়াকরণ কাঠামোর জন্য আদর্শ প্রার্থী করে তোলে, যা আউটপুটের গুণগত মানের সাথে আপোস না করেই উল্লেখযোগ্য থ্রুপুট লাভ সক্ষম করে।

প্রেরণা এসেছে বাস্তব-বিশ্বের এমন পরিস্থিতি থেকে যেখানে উচ্চ-পরিমাণ অনুবাদের প্রয়োজন হয়, যেমন বড় ডকুমেন্ট কর্পাস (যেমন, প্রজেক্ট গুটেনবার্গ), প্রযুক্তিগত ম্যানুয়াল, বা সংবেদনশীল মালিকানাধীন পাঠ্য স্থানীয়করণ করা, যেখানে গুগল ট্রান্সলেটের মতো পাবলিক এপিআইগুলি খরচ, গতির সীমা বা গোপনীয়তার উদ্বেগের কারণে অনুপযুক্ত।

2. মেশিন অনুবাদ

গবেষণাটি দুটি প্রাথমিক এমটি প্যারাডাইম পরীক্ষা করে:

• রুল-ভিত্তিক মেশিন অনুবাদ (আরবিএমটি): উৎস ও লক্ষ্য ভাষার মধ্যে স্থানান্তরের জন্য ভাষাগত নিয়ম ও দ্বিভাষিক অভিধান ব্যবহার করে। পরীক্ষাটি একটি অগভীর স্থানান্তর আরবিএমটি সিস্টেম ব্যবহার করেছিল।
• স্ট্যাটিস্টিক্যাল মেশিন অনুবাদ (এসএমটি): মানুষের অনুবাদ করা পাঠ্যের বড় সমান্তরাল কর্পাস বিশ্লেষণ থেকে প্রাপ্ত পরিসংখ্যানগত মডেলের ভিত্তিতে অনুবাদ তৈরি করে।

একটি মূল ভিত্তিগত প্রাক্কলন হলো অনুবাদ এককগুলির (সাধারণত বাক্য) স্বাধীনতা। এই স্বাধীনতাই কাজটিকে একাধিক নোডে বিভক্ত ও বিতরণ করা সম্ভব করে তোলে, চূড়ান্ত সমষ্টিগত আউটপুটের ভাষাগত সংগতি বা গুণগত মানকে প্রভাবিত না করেই।

3. ম্যাপরিডিউস প্রোগ্রামিং মডেল

ম্যাপরিডিউস, গুগলের অগ্রণী কাজ, হলো বিতরণকৃত ক্লাস্টারে বিশাল ডেটাসেট প্রক্রিয়াকরণের জন্য একটি প্রোগ্রামিং মডেল। এটি বিতরণ, ফল্ট টলারেন্স এবং লোড ব্যালেন্সিং-এর জটিলতা বিমূর্ত করে সমান্তরাল গণনাকে সহজ করে। মডেলটি দুটি প্রাথমিক ফাংশন নিয়ে গঠিত:

1. ম্যাপ: ইনপুট কী-ভ্যালু জোড়া প্রক্রিয়া করে এবং মধ্যবর্তী কী-ভ্যালু জোড়ার একটি সেট তৈরি করে।
2. রিডিউস: একই মধ্যবর্তী কীের সাথে যুক্ত সমস্ত মধ্যবর্তী মান একত্রিত করে।

এমটির প্রেক্ষাপটে, ম্যাপ পর্যায়ে ইনপুট পাঠ্য থেকে বাক্যগুলিকে অনুবাদের জন্য বিভিন্ন ওয়ার্কার নোডে বিতরণ করা জড়িত। রিডিউস পর্যায়ে অনুবাদ করা বাক্যগুলি সংগ্রহ করে এবং চূড়ান্ত ডকুমেন্ট পুনর্গঠনের জন্য সাজানো জড়িত।

4. পদ্ধতি ও সিস্টেম আর্কিটেকচার

লেখকরা সম্পূর্ণ কার্যকরী আরবিএমটি এবং এসএমটি সিস্টেমগুলিকে ম্যাপরিডিউস মডেলে এম্বেড করেছিলেন। আর্কিটেকচারটিতে সম্ভবত নিম্নলিখিতগুলি অন্তর্ভুক্ত ছিল:

• জব শিডিউলিং এবং ইনপুট পাঠ্য কর্পাস বিতরণের জন্য একটি মাস্টার নোড।
• একাধিক ওয়ার্কার নোড, যার প্রতিটিতে এমটি ইঞ্জিনের (আরবিএমটি বা এসএমটি) একটি উদাহরণ চলছে।
• ইনপুট পাঠ্য এবং আউটপুট অনুবাদ সংরক্ষণের জন্য একটি বিতরণকৃত ফাইল সিস্টেম (যেমন এইচডিএফএস)।

ইনপুট ডকুমেন্টটি বাক্যে (বা যৌক্তিক অংশে) বিভক্ত করা হয়, যা ম্যাপ ফাংশন দ্বারা সমান্তরালভাবে প্রক্রিয়াকৃত স্বাধীন একক হয়ে ওঠে। সিস্টেমের নকশা নিশ্চিত করে যে প্রতিটি ওয়ার্কার নোডে অনুবাদ যুক্তি একটি স্ট্যান্ডালোন এমটি সিস্টেমের মতোই থাকে, অনুবাদের গুণগত মান সংরক্ষণ করে।

5. পরীক্ষামূলক সেটআপ ও মূল্যায়ন

মূল্যায়ন দুটি মূল মেট্রিকের উপর দৃষ্টি নিবদ্ধ করেছিল:

পরীক্ষাগুলি সাধারণ মেশিনের একটি ক্লাস্টারে পরিচালিত হয়েছিল, যা একটি খরচ-কার্যকর ক্লাউড বা অন-প্রিমাইস ডেপ্লয়মেন্টের অনুকরণ করেছিল।

6. ফলাফল ও বিশ্লেষণ

গবেষণাটি সফলভাবে প্রদর্শন করেছিল যে ম্যাপরিডিউস মডেল আরবিএমটি এবং এসএমটি উভয় সিস্টেমের থ্রুপুট উল্লেখযোগ্যভাবে বৃদ্ধি করতে পারে। প্রধান ফলাফলগুলির মধ্যে রয়েছে:

• রৈখিক স্কেলেবিলিটি: আরও ওয়ার্কার নোড যোগ করার সাথে থ্রুপুট প্রায় রৈখিকভাবে বৃদ্ধি পেয়েছে (ক্লাস্টার এবং জব ওভারহেডের সীমা পর্যন্ত), যা সমান্তরালীকরণ কৌশলের কার্যকারিতা যাচাই করে।
• গুণগত মান সংরক্ষণ: অনুমান অনুযায়ী, ম্যাপরিডিউস-ভিত্তিক সিস্টেমের অনুবাদ গুণগত মান (বিএলইইউ স্কোর) স্ট্যান্ডালোন সিস্টেমের তুলনায় পরিসংখ্যানগতভাবে উল্লেখযোগ্য হ্রাস দেখায়নি। অনুবাদ এককগুলির স্বাধীনতা সত্য প্রমাণিত হয়েছে।
• খরচ-কার্যকারিতা: এই পদ্ধতিটি সাধারণ হার্ডওয়্যারে কার্যকর প্রমাণিত হয়েছে, ব্যাচ অনুবাদ কাজের জন্য একক, আরও শক্তিশালী মেশিন বা ব্যয়বহুল ক্লাউড পরিষেবায় বিনিয়োগের জন্য একটি স্কেলযোগ্য বিকল্প প্রদান করে।

চার্ট বর্ণনা (অন্তর্নিহিত): একটি বার চার্টে ওয়াই-অক্ষে "প্রতি সেকেন্ডে অনুবাদ করা শব্দ" এবং এক্স-অক্ষে "ওয়ার্কার নোডের সংখ্যা" দেখানো হতো। দুটি ডেটা সিরিজ (একটি আরবিএমটির জন্য, একটি এসএমটির জন্য) একটি স্পষ্ট ঊর্ধ্বমুখী প্রবণতা দেখাত, যেখানে ম্যাপরিডিউস বাস্তবায়নগুলি একক-নোড বেসলাইনকে ছাড়িয়ে যায়। একটি পৃথক লাইন চার্টে বিভিন্ন নোড কনফিগারেশনের মধ্যে বিএলইইউ স্কোর স্থির থাকতে দেখা যেত।

7. আলোচনা ও ভবিষ্যৎ কাজ

পাণ্ডুলিপিটি এই সিদ্ধান্তে পৌঁছেছে যে এমটি থ্রুপুট স্কেল করার জন্য ম্যাপরিডিউস একটি কার্যকর ও কার্যকর প্যারাডাইম। এটি দুটি প্রধান অবদান তুলে ধরে: ১) থ্রুপুটকে একটি গুরুত্বপূর্ণ এমটি মেট্রিক হিসেবে জোর দেওয়া, এবং ২) এমটি কাজে ম্যাপরিডিউসের প্রয়োগযোগ্যতা প্রদর্শন করা।

লেখকরা পরামর্শ দিয়েছেন যে ভবিষ্যৎ কাজে নিম্নলিখিতগুলি অন্বেষণ করা যেতে পারে:

• আরও আধুনিক, সম্পদ-নিবিড় এমটি প্যারাডাইমের সাথে একীকরণ (তখন উদীয়মান নিউরাল এমটির ইঙ্গিত দেয়)।
• নির্দিষ্ট এমটি ইঞ্জিন বৈশিষ্ট্যের জন্য ম্যাপরিডিউস বাস্তবায়ন অপ্টিমাইজ করা।
• পরিবর্তনশীল অনুবাদ লোডের জন্য ক্লাউড পরিবেশে গতিশীল সম্পদ বরাদ্দ অন্বেষণ করা।

8. মূল বিশ্লেষণ ও বিশেষজ্ঞ মন্তব্য

মূল অন্তর্দৃষ্টি: এই ২০১৬ সালের গবেষণাপত্রটি এসএমটির যুগ এবং আসন্ন গণনা-ক্ষুধার্ত নিউরাল এমটির (এনএমটি) ঢেউয়ের মধ্যে একটি দূরদর্শী, ব্যবহারিক সেতু। এর প্রতিভা অ্যালগরিদমিক নতুনত্বে নয়, বরং একটি নির্মমভাবে ব্যবহারিক সিস্টেম ইঞ্জিনিয়ারিং অন্তর্দৃষ্টিতে নিহিত: বাক্য স্তরে এমটি একটি "অত্যন্ত সমান্তরাল" সমস্যা। যদিও এআই সম্প্রদায় (এবং এখনও) মডেল আর্কিটেকচারে আবদ্ধ ছিল—যুগান্তকারী "অ্যাটেনশন ইজ অল ইউ নিড" গবেষণাপত্র (ভাসওয়ানি এট আল., ২০১৭) থেকে শুরু করে সর্বশেষ মিশ্রণ-বিশেষজ্ঞ এলএলএম পর্যন্ত—এই কাজটি প্রায়শই উপেক্ষিত ডেপ্লয়মেন্ট পাইপলাইনের উপর দৃষ্টি নিবদ্ধ করে। এটি জিজ্ঞাসা করে, "আমরা কীভাবে যা ইতিমধ্যে আছে তা সস্তা হার্ডওয়্যার দিয়ে ১০০ গুণ দ্রুত কাজ করাব?"

যৌক্তিক প্রবাহ: যুক্তিটি মার্জিতভাবে সরল। প্রাক্কলন ১: বাক্য অনুবাদ মূলত স্বাধীন। প্রাক্কলন ২: ম্যাপরিডিউস স্বাধীন কাজ সমান্তরালীকরণে দক্ষ। উপসংহার: ম্যাপরিডিউসের মাধ্যমে এমটি থ্রুপুট রৈখিকভাবে স্কেল করা উচিত। পরীক্ষাটি এটি পরিষ্কারভাবে যাচাই করে। আরবিএমটি এবং এসএমটি উভয়ের পছন্দ চতুর; এটি দেখায় যে পদ্ধতিটি অন্তর্নিহিত অনুবাদ অ্যালগরিদমের প্রতি উদাসীন, এটিকে একটি সাধারণীকরণযোগ্য সিস্টেম সমাধান করে তোলে। এটি অ্যাপাচে স্পার্কের মতো ফ্রেমওয়ার্কের পিছনের দর্শনের অনুরূপ, যা গণনামূলক যুক্তিকে বিতরণকৃত এক্সিকিউশন ইঞ্জিন থেকে আলাদা করে।

শক্তি ও ত্রুটি: গবেষণাপত্রটির শক্তি হলো সাধারণ হার্ডওয়্যারে এর কংক্রিট, অভিজ্ঞতামূলক প্রমাণ-অব-ধারণা, যা বড় ঐতিহ্যবাহী অনুবাদ চাহিদা সহ সংস্থাগুলির জন্য একটি স্পষ্ট রিটার্ন অন ইনভেস্টমেন্ট (আরওআই) প্রদান করে। যাইহোক, এর প্রধান ত্রুটি হলো সময়ের। ট্রান্সফরমার আর্কিটেকচার এনএমটিকে বিপ্লব ঘটানোর মাত্র এক বছর আগে প্রকাশিত, এটি আধুনিক মডেলগুলির স্টেটফুলনেস এবং কনটেক্সট-উইন্ডোর বিষয়টি বিবেচনা করে না। আজকের এলএলএম এবং উন্নত এনএমটি সিস্টেমগুলি প্রায়শই সংগতির জন্য ক্রস-বাক্য কনটেক্সট বিবেচনা করে। একটি সরল বাক্য-বিভাজন ম্যাপরিডিউস পদ্ধতি এই ধরনের মডেলের গুণগত মানের ক্ষতি করতে পারে, যেমন ডকুমেন্ট-লেভেল এমটির গবেষণায় উল্লেখ করা হয়েছে (যেমন, এডিনবার্গ বিশ্ববিদ্যালয়ের কাজ)। তদুপরি, ম্যাপরিডিউস মডেলটিকেই পুনরাবৃত্তিমূলক কাজের জন্য অ্যাপাচে স্পার্কের মতো আরও নমনীয় ফ্রেমওয়ার্ক দ্বারা মূলত প্রতিস্থাপিত করা হয়েছে। যাইহোক, গবেষণাপত্রটির দৃষ্টিভঙ্গি আধুনিক ক্লাউড-ভিত্তিক ব্যাচ অনুবাদ পরিষেবাগুলিতে (এডব্লিউএস ব্যাচ, গুগল ক্লাউড ট্রান্সলেশন এপিআই-এর ব্যাচ মোড) পুরোপুরি বাস্তবায়িত হয়েছে, যা এই বিতরণকৃত জটিলতাকে সম্পূর্ণরূপে বিমূর্ত করে।

কার্যকরী অন্তর্দৃষ্টি: অনুশীলনকারীদের জন্য, শিক্ষাটি চিরন্তন: সর্বদা আপনার স্কেলিং কৌশলকে আপনার মূল অ্যালগরিদম থেকে বিচ্ছিন্ন রাখুন। বেসপোক এমটি সিস্টেম চালানো সংস্থাগুলির জন্য, গবেষণাপত্রটি একটি খরচ-কার্যকর অনুভূমিক স্কেলিং কৌশলের একটি নীলনকশা। তাৎক্ষণিক পদক্ষেপ হলো আপনার এমটি পাইপলাইন নিরীক্ষণ করা: আপনার ইনপুট কি বিশ্বস্ততা হারানো ছাড়াই বিভক্ত করা যেতে পারে? যদি হ্যাঁ, তাহলে রে বা এমনকি কুবেরনেটস জবের মতো ফ্রেমওয়ার্কগুলি ম্যাপরিডিউসের চেয়ে আরও আধুনিক পথ প্রদান করে। দূরদর্শী অন্তর্দৃষ্টি হলো বাক্যের বাইরে সমান্তরালীকরণ চ্যালেঞ্জের জন্য প্রস্তুত হওয়া। পরবর্তী সীমান্ত, যেমন গুগলের পিএলএম প্রকল্পে দেখা গেছে, হলো একটি *একক, বিশাল মডেলের* গণনাকে হাজার হাজার চিপ জুড়ে দক্ষতার সাথে বিতরণ করা—এই গবেষণাপত্রের বিতরণকৃত-সিস্টেম-প্রথম মানসিকতা এই সমস্যাটিকে ফ্রেম করতে সাহায্য করে।

9. প্রযুক্তিগত বিবরণ ও গাণিতিক কাঠামো

মূল গাণিতিক ধারণাটি হলো সমান্তরালীকরণ গতি বৃদ্ধি, যা প্রায়শই আমডাহলের সূত্র দ্বারা নিয়ন্ত্রিত হয়। যদি এমটি কাজের একটি ভগ্নাংশ $P$ পুরোপুরি সমান্তরালীকরণযোগ্য হয় (যেমন, স্বাধীন বাক্য অনুবাদ), এবং একটি ভগ্নাংশ $(1-P)$ ধারাবাহিক হয় (যেমন, মডেল লোড করা, চূড়ান্ত সমষ্টি), তাহলে $N$ নোড ব্যবহার করে তাত্ত্বিক গতি বৃদ্ধি $S(N)$ হলো:

$$S(N) = \frac{1}{(1-P) + \frac{P}{N}}$$

এমটির জন্য, $P$ ১-এর খুব কাছাকাছি, যা প্রায়-রৈখিক গতি বৃদ্ধির দিকে নিয়ে যায়: $S(N) \approx N$। গুণগত মান মূল্যায়নের জন্য ব্যবহৃত বিএলইইউ স্কোরটি মেশিন অনুবাদ আউটপুট এবং মানুষের রেফারেন্স অনুবাদের মধ্যে একটি পরিবর্তিত এন-গ্রাম প্রিসিশন হিসাবে গণনা করা হয়:

$$BLEU = BP \cdot \exp\left(\sum_{n=1}^{N} w_n \log p_n\right)$$

যেখানে $p_n$ হলো এন-গ্রাম প্রিসিশন, $w_n$ হলো ধনাত্মক ওজন যা ১ পর্যন্ত যোগ করে, এবং $BP$ হলো একটি সংক্ষিপ্ততা জরিমানা। গবেষণার অনুমান ছিল যে $BLEU_{distributed} \approx BLEU_{standalone}$।

10. বিশ্লেষণ কাঠামো: একটি ব্যবহারিক উদাহরণ

পরিস্থিতি: একটি প্রকাশনা সংস্থার ইংরেজি থেকে স্প্যানিশ ভাষায় ১০,০০০টি প্রযুক্তিগত ম্যানুয়াল অনুবাদ করার প্রয়োজন, মোট ১০ কোটি শব্দ। তাদের একটি মালিকানাধীন এসএমটি সিস্টেম আছে।

কাঠামো প্রয়োগ:

1. কাজের বিভাজন: ১০,০০০টি ম্যানুয়ালকে ~১,০০০ শব্দের ১,০০,০০০টি ফাইলে বিভক্ত করুন (যৌক্তিক অধ্যায়/বিভাগ)।
2. সম্পদ ম্যাপিং: একটি ক্লাউড ক্লাস্টারে (যেমন, কুবেরনেটস ব্যবহার করে) ৫০টি ভার্চুয়াল মেশিনে (ভিএম) এসএমটি মডেল ডেপ্লয় করুন।
3. সমান্তরাল এক্সিকিউশন: একটি জব শিডিউলার প্রতিটি ১,০০০-শব্দের ফাইলকে একটি উপলব্ধ ভিএম-এ বরাদ্দ করে। প্রতিটি ভিএম অভিন্ন এসএমটি ইঞ্জিন চালায়।
4. ফলাফল সমষ্টি: ভিএমগুলি শেষ হওয়ার সাথে সাথে, তারা একটি ভাগ করা স্টোরেজে অনুবাদ করা ফাইল আউটপুট করে। একটি চূড়ান্ত প্রক্রিয়া সেগুলিকে সম্পূর্ণ ম্যানুয়ালে ফিরিয়ে সাজায়।
5. গুণগত মান পরীক্ষা: বিভিন্ন ভিএম থেকে আউটপুটের উপর নমুনা বিএলইইউ স্কোর গণনা করা হয় এবং সামঞ্জস্য নিশ্চিত করতে একটি বেসলাইনের সাথে তুলনা করা হয়।

ফলাফল: একটি একক ভিএমের ~১০,০০০ ঘন্টা লাগার পরিবর্তে, ক্লাস্টারটি ~২০০ ঘন্টার মধ্যে শেষ করে, কোনো অতিরিক্ত মডেল উন্নয়ন খরচ ছাড়াই এবং গুণগত মানের সমতা নিশ্চিত করে।

11. ভবিষ্যৎ প্রয়োগ ও শিল্পের দৃষ্টিভঙ্গি

এই গবেষণার নীতিগুলি আগের চেয়ে বেশি প্রাসঙ্গিক, কিন্তু যুদ্ধক্ষেত্র স্থানান্তরিত হয়েছে:

• বড় ভাষা মডেল (এলএলএম) ইনফারেন্স স্কেলিং: চ্যাটজিপিটির মতো পরিষেবাগুলির জন্য মূল চ্যালেঞ্জ হলো দীর্ঘ, সংগতিপূর্ণ পাঠ্য তৈরি করা সমান্তরালীকরণ করা। টেনসর সমান্তরালীকরণ এবং পাইপলাইন সমান্তরালীকরণের মতো কৌশলগুলি (এনভিডিয়া এবং বিগসায়েন্স প্রকল্পের মতো সংস্থাগুলির কাজ দ্বারা অনুপ্রাণিত) এই গবেষণাপত্রের পদ্ধতির সরাসরি আধ্যাত্মিক উত্তরাধিকারী, তবে একটি একক মডেলের মধ্যে প্রয়োগ করা।
• এমটির জন্য ফেডারেটেড লার্নিং: কাঁচা ডেটা শেয়ার না করে ডিভাইস/সংস্থাগুলি জুড়ে বিকেন্দ্রীকৃত, ব্যক্তিগত ডেটাতে এমটি মডেল প্রশিক্ষণ দেওয়া একই রকম বিতরণকৃত গণনা প্যারাডাইম ব্যবহার করে।
• রিয়েল-টাইম অনুবাদের জন্য এজ কম্পিউটিং: কম-বিলম্ব অনুবাদের জন্য হালকা ওজনের এমটি মডেলগুলিকে এজ ডিভাইসে (ফোন, আইওটি) বিতরণ করা, একটি কেন্দ্রীয় ক্লাউড মডেল জটিল ব্যাচগুলি পরিচালনা করে, এই নীতিগুলির উপর ভিত্তি করে একটি হাইব্রিড আর্কিটেকচার প্রতিফলিত করে।
• এআই-এজ-এ-সার্ভিস ব্যাচ প্রসেসিং: প্রতিটি প্রধান ক্লাউড প্রদানকারীর এআই ব্যাচ পরিষেবা এই গবেষণাপত্রের দৃষ্টিভঙ্গির বাণিজ্যিক বাস্তবায়ন, যা বিতরণকৃত ক্লাস্টার ব্যবস্থাপনাকে সম্পূর্ণরূপে বিমূর্ত করে।

ভবিষ্যৎ দিকনির্দেশনা হলো সরল ডেটা সমান্তরালীকরণ (বাক্য বিভাজন) থেকে একক এআই মডেলের জন্য আরও পরিশীলিত মডেল সমান্তরালীকরণের দিকে যাওয়া এবং বিতরণকৃত অনুবাদ ওয়ার্কফ্লোতে শক্তি দক্ষতার জন্য অপ্টিমাইজ করা।

12. তথ্যসূত্র

1. Dean, J., & Ghemawat, S. (2008). MapReduce: simplified data processing on large clusters. Communications of the ACM, 51(1), 107-113.
2. Forcada, M. L., et al. (2011). Apertium: a free/open-source platform for rule-based machine translation. Machine Translation, 25(2), 127-144.
3. Koehn, P., et al. (2007). Moses: Open Source Toolkit for Statistical Machine Translation. Proceedings of the ACL 2007 Demo and Poster Sessions.
4. Vaswani, A., et al. (2017). Attention is All You Need. Advances in Neural Information Processing Systems 30 (NIPS 2017).
5. Papineni, K., et al. (2002). BLEU: a method for automatic evaluation of machine translation. Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL).
6. Microsoft Research. (2023). DeepSpeed: Extreme-scale model training for everyone. Retrieved from https://www.deepspeed.ai/
7. University of Edinburgh, School of Informatics. (2020). Document-Level Machine Translation. Retrieved from

   © 2025 translation-service.org | এই পৃষ্ঠাটি কেবল পড়া এবং ডাউনলোডের সুবিধার জন্য। কপিরাইট সংশ্লিষ্ট লেখকের অন্তর্গত।

   প্রযুক্তিগত ডকুমেন্টেশন | গবেষণা পত্র | একাডেমিক রিসোর্স

   গোপনীয়তা নীতি | ব্যবহারের শর্তাবলী | যোগাযোগ করুন