الترجمة الآلية باستخدام بايثون: بناء نماذج Sequence-to-Sequence

في عالمنا اليوم الذي يزداد ترابطًا، أصبحت القدرة على الفهم والتواصل عبر لغات مختلفة أكثر أهمية من أي وقت مضى. الترجمة الآلية (MT)، وهي الترجمة التلقائية للنص من لغة إلى أخرى، أصبحت أداة حيوية لكسر حواجز اللغة وتسهيل التواصل العالمي. توفر بايثون، بفضل نظامها البيئي الغني بالمكتبات وأطر العمل، منصة ممتازة لبناء أنظمة ترجمة آلية قوية. تتعمق هذه المقالة في عالم الترجمة الآلية باستخدام بايثون، مع التركيز على نماذج sequence-to-sequence (seq2seq)، وهي نهج سائد في الترجمة الآلية الحديثة.

ما هي الترجمة الآلية؟

تهدف الترجمة الآلية إلى أتمتة عملية تحويل النص من لغة المصدر (مثل الفرنسية) إلى لغة الهدف (مثل الإنجليزية) مع الحفاظ على معناه. اعتمدت أنظمة الترجمة الآلية المبكرة على مناهج قائمة على القواعد، والتي تضمنت تحديد القواعد النحوية والقواميس يدويًا. ومع ذلك، كانت هذه الأنظمة غالبًا هشة وكافحت للتعامل مع تعقيدات وفروق اللغة الطبيعية الدقيقة.

حققت أنظمة الترجمة الآلية الحديثة، وخاصة تلك القائمة على الشبكات العصبية، تقدمًا ملحوظًا. تتعلم هذه الأنظمة الترجمة من خلال تحليل كميات هائلة من بيانات النصوص المتوازية (أي نصوص بلغات متعددة تمت ترجمتها إلى بعضها البعض).

نماذج Sequence-to-Sequence (Seq2Seq) للترجمة الآلية

أحدثت نماذج sequence-to-sequence ثورة في مجال الترجمة الآلية. هي نوع من بنية الشبكات العصبية المصممة خصيصًا للتعامل مع تسلسلات المدخلات والمخرجات ذات الأطوال المتغيرة. وهذا يجعلها مثالية للترجمة الآلية، حيث غالبًا ما يكون للجمل المصدر والهدف أطوال وهياكل مختلفة.

بنية المشفر-المفكك

في قلب نماذج seq2seq تكمن بنية المشفر-المفكك. تتكون هذه البنية من مكونين رئيسيين:

• المشفر: يأخذ المشفر تسلسل الإدخال (الجملة المصدر) ويحوله إلى تمثيل متجه ثابت الطول، يُعرف أيضًا باسم متجه السياق أو متجه الفكرة. يجسد هذا المتجه معنى تسلسل الإدخال بأكمله.
• المفكك: يأخذ المفكك متجه السياق الذي أنتجه المشفر ويولد تسلسل الإخراج (الجملة الهدف) كلمة بكلمة.

فكر في المشفر كملخص والمفكك ككاتب يعيد الصياغة. يقرأ المشفر الإدخال بأكمله ويلخصه في متجه واحد. ثم يستخدم المفكك هذا الملخص لإعادة كتابة النص باللغة الهدف.

الشبكات العصبية المتكررة (RNNs)

تُستخدم الشبكات العصبية المتكررة (RNNs)، وخاصة LSTMs (الذاكرة طويلة قصيرة المدى) و GRUs (الوحدات المتكررة ذات البوابات)، بشكل شائع كوحدات بناء لكل من المشفر والمفكك. الشبكات العصبية المتكررة مناسبة تمامًا لمعالجة البيانات المتسلسلة لأنها تحتفظ بحالة مخفية تلتقط معلومات حول المدخلات السابقة. وهذا يسمح لها بالتعامل مع التبعيات بين الكلمات في الجملة.

يقرأ المشفر (RNN) الجملة المصدر كلمة بكلمة ويحدث حالته المخفية في كل خطوة. تصبح الحالة المخفية النهائية للمشفر هي متجه السياق، الذي يتم تمريره إلى المفكك.

يبدأ المفكك (RNN) بمتجه السياق كحالته المخفية الأولية ويولد الجملة الهدف كلمة بكلمة. في كل خطوة، يأخذ المفكك الكلمة السابقة وحالته المخفية كمدخلات وينتج الكلمة التالية والحالة المخفية المحدثة. تستمر العملية حتى يولد المفكك رمزًا خاصًا بنهاية الجملة (مثل <EOS>)، مشيرًا إلى نهاية الترجمة.

مثال: ترجمة "Hello world" من الإنجليزية إلى الفرنسية

دعنا نوضح كيف يمكن لنموذج seq2seq ترجمة العبارة البسيطة "Hello world" من الإنجليزية إلى الفرنسية:

1. التشفير: يقرأ المشفر (RNN) الكلمات "Hello" و "world" بالتتابع. بعد معالجة "world"، تمثل حالته المخفية النهائية معنى العبارة بأكملها.
2. متجه السياق: تصبح هذه الحالة المخفية النهائية هي متجه السياق.
3. فك التشفير: يتلقى المفكك (RNN) متجه السياق ويبدأ في إنشاء الترجمة الفرنسية. قد ينشئ أولاً "Bonjour"، ثم "le"، وأخيرًا "monde". كما سينشئ رمز <EOS> للإشارة إلى نهاية الجملة.
4. المخرجات: سيكون الإخراج النهائي هو "Bonjour le monde <EOS>". بعد إزالة رمز <EOS>، يكون النموذج قد نجح في ترجمة العبارة.

آلية الانتباه

بينما يمكن لنموذج seq2seq الأساسي الموصوف أعلاه أن يعمل بشكل جيد إلى حد معقول، إلا أنه يعاني من عنق زجاجة: يتم ضغط معنى الجملة المصدر بأكملها في متجه واحد ثابت الطول. قد يكون هذا مشكلة بالنسبة للجمل الطويلة والمعقدة، حيث قد لا يتمكن متجه السياق من التقاط جميع المعلومات ذات الصلة.

تعالج آلية الانتباه عنق الزجاجة هذا عن طريق السماح للمفكك بالتركيز على أجزاء مختلفة من الجملة المصدر في كل خطوة من عملية فك التشفير. بدلاً من الاعتماد فقط على متجه السياق، يهتم المفكك بالحالات المخفية للمشفر في خطوات زمنية مختلفة. وهذا يسمح للمفكك بالتركيز بشكل انتقائي على أجزاء الجملة المصدر الأكثر صلة بالكلمة الحالية التي يتم إنشاؤها.

كيف تعمل آلية الانتباه

تتضمن آلية الانتباه عادةً الخطوات التالية:

1. حساب أوزان الانتباه: يحسب المفكك مجموعة من أوزان الانتباه، والتي تمثل أهمية كل كلمة في الجملة المصدر لخطوة فك التشفير الحالية. تُحسب هذه الأوزان عادةً باستخدام دالة تسجيل تقارن الحالة المخفية الحالية للمفكك مع الحالات المخفية للمشفر في كل خطوة زمنية.
2. حساب متجه السياق: تُستخدم أوزان الانتباه لحساب متوسط مرجح للحالات المخفية للمشفر. يصبح هذا المتوسط المرجح هو متجه السياق، الذي يستخدمه المفكك بعد ذلك لإنشاء الكلمة التالية.
3. فك التشفير مع الانتباه: يستخدم المفكك متجه السياق (المشتق من آلية الانتباه) *و* حالته المخفية السابقة للتنبؤ بالكلمة التالية.

من خلال الاهتمام بأجزاء مختلفة من الجملة المصدر، تُمكِّن آلية الانتباه المفكك من التقاط معلومات أكثر دقة ومحددة بالسياق، مما يؤدي إلى تحسين جودة الترجمة.

فوائد آلية الانتباه

• تحسين الدقة: تسمح آلية الانتباه للنموذج بالتركيز على الأجزاء ذات الصلة من جملة الإدخال، مما يؤدي إلى ترجمات أكثر دقة.
• معالجة أفضل للجمل الطويلة: من خلال تجنب عنق زجاجة المعلومات، تُمكِّن آلية الانتباه النموذج من التعامل مع الجمل الأطول بشكل أكثر فعالية.
• القابلية للتفسير: توفر أوزان الانتباه رؤى حول أجزاء الجملة المصدر التي يركز عليها النموذج أثناء الترجمة. يمكن أن يساعد هذا في فهم كيفية اتخاذ النموذج لقراراته.

بناء نموذج ترجمة آلية في بايثون

دعنا نحدد الخطوات المتبعة في بناء نموذج ترجمة آلية في بايثون باستخدام مكتبة مثل TensorFlow أو PyTorch.

1. إعداد البيانات

الخطوة الأولى هي إعداد البيانات. يتضمن ذلك جمع مجموعة بيانات كبيرة من النصوص المتوازية، حيث يتكون كل مثال من جملة باللغة المصدر وترجمتها المقابلة باللغة الهدف. غالبًا ما تُستخدم مجموعات البيانات المتاحة للجمهور، مثل تلك الموجودة في ورشة عمل الترجمة الآلية (WMT)، لهذا الغرض.

يتضمن إعداد البيانات عادةً الخطوات التالية:

• الترميز (Tokenization): تقسيم الجمل إلى كلمات أو وحدات فرعية فردية. تشمل تقنيات الترميز الشائعة الترميز على أساس المسافات البيضاء وترميز زوج البايتات (BPE).
• إنشاء المفردات: إنشاء مفردات لجميع الرموز الفريدة في مجموعة البيانات. يتم تعيين فهرس فريد لكل رمز.
• الحشو (Padding): إضافة رموز حشو إلى نهاية الجمل لجعلها جميعًا بنفس الطول. هذا ضروري للمعالجة الدفعية (batch processing).
• إنشاء مجموعات التدريب والتحقق والاختبار: تقسيم البيانات إلى ثلاث مجموعات: مجموعة تدريب لتدريب النموذج، ومجموعة تحقق لمراقبة الأداء أثناء التدريب، ومجموعة اختبار لتقييم النموذج النهائي.

على سبيل المثال، إذا كنت تدرب نموذجًا لترجمة الإنجليزية إلى الإسبانية، فستحتاج إلى مجموعة بيانات من الجمل الإنجليزية وترجماتها الإسبانية المقابلة. قد تقوم بمعالجة البيانات مسبقًا عن طريق تحويل كل النص إلى أحرف صغيرة، وإزالة علامات الترقيم، وترميز الجمل إلى كلمات. بعد ذلك، ستقوم بإنشاء مفردات لجميع الكلمات الفريدة في كلتا اللغتين وحشو الجمل إلى طول ثابت.

2. تنفيذ النموذج

الخطوة التالية هي تنفيذ نموذج seq2seq مع آلية الانتباه باستخدام إطار عمل للتعلم العميق مثل TensorFlow أو PyTorch. يتضمن ذلك تحديد المشفر والمفكك وآلية الانتباه.

إليك مخططًا مبسطًا للكود (باستخدام الكود الزائف):

# تعريف المشفر
class Encoder(nn.Module):
    def __init__(self, input_dim, embedding_dim, hidden_dim, num_layers):
        # ... (تهيئة الطبقات مثل Embedding و LSTM)

    def forward(self, input_sequence):
        # ... (معالجة تسلسل الإدخال من خلال embedding و LSTM)
        return hidden_states, last_hidden_state

# تعريف آلية الانتباه
class Attention(nn.Module):
    def __init__(self, hidden_dim):
        # ... (تهيئة الطبقات لحساب أوزان الانتباه)

    def forward(self, decoder_hidden, encoder_hidden_states):
        # ... (حساب أوزان الانتباه ومتجه السياق)
        return context_vector, attention_weights

# تعريف المفكك
class Decoder(nn.Module):
    def __init__(self, output_dim, embedding_dim, hidden_dim, num_layers, attention):
        # ... (تهيئة الطبقات مثل Embedding, LSTM, والطبقة متصلة بالكامل)

    def forward(self, input_word, hidden_state, encoder_hidden_states):
        # ... (معالجة كلمة الإدخال من خلال embedding و LSTM)
        # ... (تطبيق آلية الانتباه)
        # ... (التنبؤ بالكلمة التالية)
        return predicted_word, hidden_state

# تعريف نموذج Seq2Seq
class Seq2Seq(nn.Module):
    def __init__(self, encoder, decoder):
        # ... (تهيئة المشفر والمفكك)

    def forward(self, source_sequence, target_sequence):
        # ... (تشفير تسلسل المصدر)
        # ... (فك تشفير وإنشاء تسلسل الهدف)
        return predicted_sequence

3. تدريب النموذج

بمجرد تنفيذ النموذج، يجب تدريبه على بيانات التدريب. يتضمن ذلك تزويد النموذج بالجمل المصدر والجمل الهدف المقابلة لها وتعديل معلمات النموذج لتقليل الفرق بين الترجمات المتوقعة والترجمات الفعلية.

تتضمن عملية التدريب عادةً الخطوات التالية:

• تحديد دالة الخسارة: اختر دالة خسارة تقيس الفرق بين الترجمات المتوقعة والفعلية. تشمل دوال الخسارة الشائعة خسارة الإنتروبيا المتقاطعة (cross-entropy loss).
• تحديد المحسِّن (Optimizer): اختر خوارزمية تحسين تقوم بتحديث معلمات النموذج لتقليل دالة الخسارة. تشمل المحسِّنات الشائعة Adam و SGD.
• حلقة التدريب: التكرار على بيانات التدريب، وتزويد النموذج بدُفعات من الجمل المصدر والهدف. لكل دفعة، احسب الخسارة، واحسب التدرجات، وقم بتحديث معلمات النموذج.
• التحقق (Validation): قم بتقييم أداء النموذج بشكل دوري على مجموعة التحقق. يساعد هذا في مراقبة عملية التدريب ومنع التخصيص المفرط (overfitting).

عادةً ما تقوم بتدريب النموذج لعدة عصور (epochs)، حيث يتضمن كل عصر التكرار على مجموعة بيانات التدريب بأكملها مرة واحدة. أثناء التدريب، ستقوم بمراقبة الخسارة على كل من مجموعتي التدريب والتحقق. إذا بدأت خسارة التحقق في الزيادة، فهذا يشير إلى أن النموذج يتخصيص بشكل مفرط على بيانات التدريب، وقد تحتاج إلى إيقاف التدريب أو تعديل المعلمات الفائقة للنموذج.

4. التقييم

بعد التدريب، يجب تقييم النموذج على مجموعة الاختبار لتقييم أدائه. تشمل مقاييس التقييم الشائعة للترجمة الآلية درجة BLEU (التقييم ثنائي اللغة البديل) و METEOR.

يقيس مقياس BLEU التشابه بين الترجمات المتوقعة والترجمات المرجعية. يحسب دقة n-grams (تسلسلات من n كلمة) في الترجمة المتوقعة مقارنة بالترجمة المرجعية.

لتقييم النموذج، ستقوم بتزويده بالجمل المصدر من مجموعة الاختبار وإنشاء الترجمات المقابلة. بعد ذلك، ستقارن الترجمات التي تم إنشاؤها مع الترجمات المرجعية باستخدام درجة BLEU أو مقاييس تقييم أخرى.

5. الاستدلال

بمجرد تدريب النموذج وتقييمه، يمكن استخدامه لترجمة جمل جديدة. يتضمن ذلك تزويد النموذج بجملة مصدر وإنشاء الجملة الهدف المقابلة.

تتضمن عملية الاستدلال عادةً الخطوات التالية:

• ترميز جملة الإدخال: ترميز الجملة المصدر إلى كلمات أو وحدات فرعية.
• تشفير جملة الإدخال: تغذية الجملة المرمزة إلى المشفر للحصول على متجه السياق.
• فك تشفير الجملة الهدف: استخدام المفكك لإنشاء الجملة الهدف كلمة بكلمة، بدءًا من رمز خاص ببداية الجملة (مثل <SOS>). في كل خطوة، يأخذ المفكك الكلمة السابقة ومتجه السياق كمدخلات وينتج الكلمة التالية. تستمر العملية حتى يولد المفكك رمزًا خاصًا بنهاية الجملة (مثل <EOS>).
• المعالجة اللاحقة: إزالة رموز <SOS> و <EOS> من الجملة التي تم إنشاؤها وإلغاء ترميز الكلمات للحصول على الترجمة النهائية.

المكتبات وأطر العمل للترجمة الآلية في بايثون

تقدم بايثون نظامًا بيئيًا غنيًا بالمكتبات وأطر العمل التي تسهل تطوير نماذج الترجمة الآلية. بعض الخيارات الأكثر شيوعًا تشمل:

• TensorFlow: إطار عمل قوي ومتعدد الاستخدامات للتعلم العميق تم تطويره بواسطة Google. يوفر TensorFlow مجموعة واسعة من الأدوات وواجهات برمجة التطبيقات لبناء وتدريب الشبكات العصبية، بما في ذلك نماذج seq2seq مع آلية الانتباه.
• PyTorch: إطار عمل آخر شائع للتعلم العميق يُعرف بمرونته وسهولة استخدامه. PyTorch مناسب بشكل خاص للبحث والتجريب، ويوفر دعمًا ممتازًا لنماذج seq2seq.
• Hugging Face Transformers: مكتبة توفر نماذج لغوية مدربة مسبقًا، بما في ذلك النماذج القائمة على Transformer مثل BERT و BART، والتي يمكن ضبطها بدقة لمهام الترجمة الآلية.
• OpenNMT-py: مجموعة أدوات ترجمة آلية عصبية مفتوحة المصدر مكتوبة بلغة PyTorch. توفر إطار عمل مرنًا و معياريًا لبناء وتجربة بنيات MT مختلفة.
• Marian NMT: إطار عمل سريع للترجمة الآلية العصبية مكتوب بلغة C++ مع روابط لبايثون. وهو مصمم للتدريب والاستدلال الفعال على وحدات معالجة الرسومات (GPUs).

تحديات في الترجمة الآلية

على الرغم من التقدم الكبير في السنوات الأخيرة، لا تزال الترجمة الآلية تواجه العديد من التحديات:

• الغموض: اللغة الطبيعية غامضة بطبيعتها. يمكن أن يكون للكلمات معانٍ متعددة، ويمكن تفسير الجمل بطرق مختلفة. هذا يمكن أن يجعل من الصعب على أنظمة الترجمة الآلية ترجمة النص بدقة.
• التعابير الاصطلاحية واللغة المجازية: يمكن أن تكون التعابير الاصطلاحية واللغة المجازية (مثل الاستعارات والتشبيهات) صعبة على أنظمة الترجمة الآلية. غالبًا ما يكون لهذه التعبيرات معانٍ تختلف عن المعاني الحرفية للكلمات الفردية.
• اللغات ذات الموارد المحدودة: تتطلب أنظمة الترجمة الآلية عادةً كميات كبيرة من بيانات النصوص المتوازية للتدريب بفعالية. ومع ذلك، غالبًا ما تكون هذه البيانات نادرة بالنسبة للغات ذات الموارد المحدودة.
• التكيف مع المجال: قد لا تعمل أنظمة الترجمة الآلية المدربة على مجال واحد (مثل المقالات الإخبارية) بشكل جيد في مجال آخر (مثل النصوص الطبية). يعد تكييف أنظمة الترجمة الآلية مع مجالات جديدة تحديًا بحثيًا مستمرًا.
• الاعتبارات الأخلاقية: يمكن لأنظمة الترجمة الآلية أن تديم التحيزات الموجودة في بيانات التدريب. من المهم معالجة هذه التحيزات لضمان أن تكون أنظمة الترجمة الآلية عادلة ومنصفة. على سبيل المثال، إذا كانت مجموعة بيانات التدريب تربط مهنًا معينة بأجناس محددة، فقد يعزز نظام الترجمة الآلية هذه الصور النمطية.

الاتجاهات المستقبلية في الترجمة الآلية

مجال الترجمة الآلية يتطور باستمرار. تشمل بعض الاتجاهات المستقبلية الرئيسية ما يلي:

• النماذج القائمة على Transformer: حققت النماذج القائمة على Transformer، مثل BERT و BART و T5، نتائج متطورة في مجموعة واسعة من مهام معالجة اللغات الطبيعية، بما في ذلك الترجمة الآلية. تعتمد هذه النماذج على آلية الانتباه ويمكنها التقاط التبعيات طويلة المدى بين الكلمات في الجملة بشكل أكثر فعالية من الشبكات العصبية المتكررة (RNNs).
• الترجمة دون أمثلة (Zero-Shot): تهدف الترجمة دون أمثلة إلى الترجمة بين اللغات التي لا تتوفر لها بيانات نصية متوازية. يتم تحقيق ذلك عادةً عن طريق تدريب نموذج ترجمة آلي متعدد اللغات على مجموعة من اللغات ثم استخدامه للترجمة بين اللغات التي لم يتم رؤيتها أثناء التدريب.
• الترجمة الآلية متعددة اللغات: يتم تدريب نماذج الترجمة الآلية متعددة اللغات على بيانات من لغات متعددة ويمكنها الترجمة بين أي زوج من اللغات في مجموعة البيانات. يمكن أن يكون هذا أكثر كفاءة من تدريب نماذج منفصلة لكل زوج لغوي.
• تحسين ترجمة اللغات ذات الموارد المحدودة: يستكشف الباحثون تقنيات مختلفة لتحسين أداء أنظمة الترجمة الآلية للغات ذات الموارد المحدودة، مثل استخدام البيانات الاصطناعية، والتعلم بالنقل، والتعلم غير الخاضع للإشراف.
• دمج السياق: تدمج أنظمة الترجمة الآلية بشكل متزايد المعلومات السياقية، مثل المستند أو المحادثة التي تظهر فيها الجملة، لتحسين دقة الترجمة.
• الترجمة الآلية القابلة للتفسير: يتم إجراء أبحاث لجعل أنظمة الترجمة الآلية أكثر قابلية للتفسير، بحيث يمكن للمستخدمين فهم سبب إنتاج النظام لترجمة معينة. يمكن أن يساعد هذا في بناء الثقة في أنظمة الترجمة الآلية وتحديد الأخطاء المحتملة.

التطبيقات الواقعية للترجمة الآلية

تُستخدم الترجمة الآلية في مجموعة واسعة من التطبيقات الواقعية، بما في ذلك:

• الاتصالات التجارية العالمية: تمكين الشركات من التواصل مع العملاء والشركاء والموظفين بلغات مختلفة. على سبيل المثال، قد تستخدم شركة متعددة الجنسيات الترجمة الآلية لترجمة رسائل البريد الإلكتروني والمستندات ومواقع الويب.
• السفر الدولي: مساعدة المسافرين في فهم اللغات الأجنبية والتنقل في بيئات غير مألوفة. يمكن استخدام تطبيقات الترجمة الآلية لترجمة اللافتات والقوائم والمحادثات.
• توطين المحتوى: تكييف المحتوى مع لغات وثقافات مختلفة. يشمل ذلك ترجمة مواقع الويب والبرامج والمواد التسويقية. على سبيل المثال، قد يستخدم مطور ألعاب الفيديو الترجمة الآلية لتوطين ألعابه لمناطق مختلفة.
• الوصول إلى المعلومات: توفير الوصول إلى المعلومات بلغات مختلفة. يمكن استخدام الترجمة الآلية لترجمة المقالات الإخبارية والأوراق البحثية والمحتويات الأخرى عبر الإنترنت.
• التجارة الإلكترونية: تسهيل التجارة الإلكترونية عبر الحدود من خلال ترجمة أوصاف المنتجات ومراجعات العملاء ومواد الدعم.
• التعليم: دعم تعلم اللغات والتفاهم بين الثقافات. يمكن استخدام الترجمة الآلية لترجمة الكتب المدرسية والمواد التعليمية والدورات التدريبية عبر الإنترنت.
• الحكومة والدبلوماسية: مساعدة الوكالات الحكومية والدبلوماسيين في التواصل مع الحكومات والمنظمات الأجنبية.

الخاتمة

لقد خطت الترجمة الآلية خطوات كبيرة في السنوات الأخيرة، بفضل تطوير نماذج sequence-to-sequence وآلية الانتباه. توفر بايثون، بفضل نظامها البيئي الغني بالمكتبات وأطر العمل، منصة ممتازة لبناء أنظمة ترجمة آلية قوية. بينما لا تزال هناك تحديات، فإن البحث والتطوير المستمر يمهدان الطريق لأنظمة ترجمة آلية أكثر دقة وتنوعًا في المستقبل. مع استمرار تحسن تقنية الترجمة الآلية، ستلعب دورًا متزايد الأهمية في كسر حواجز اللغة وتعزيز التواصل والتفاهم العالمي.

سواء كنت باحثًا أو مطورًا أو مجرد شخص مهتم بقوة الترجمة الآلية، فإن استكشاف نماذج seq2seq القائمة على بايثون هو مسعى مجزٍ. بالمعرفة والأدوات التي تمت مناقشتها في هذه المقالة، يمكنك الشروع في رحلتك الخاصة لبناء ونشر أنظمة ترجمة آلية تربط الناس في جميع أنحاء العالم.