Šobrīd liela daļa no tekstiem, kas atrodami digitālajā vidē, ir mašīntulkoti, tomēr vēl pavisam nesen mašīntulkošana bija kas pavisam jauns un nezināms. 1950. gadu sākumā mašīntulkošana sāka kļūt par realitāti. Kopš tā laika mašīntulkošana ir ievērojami attīstījusies. Tomēr tā joprojām nevar iztikt bez cilvēka – tulkotāja prasmes un smalkuma, ko spējam pielietot dokumenta tulkošanā.

Mašītnulkošanas pirmsākumi
1949. gadā Vorens Vīvers no Rokfellera fonda izstrādāja priekšlikumu kopumu, kā mašīntulkošanas ideju pārvērst realitātē. Viņš izmantoja informācijas tehnoloģijas, Otrā pasaules kara laikā gūtās koda atšifrēšanas mācības un dabiskās valodas principus, kas ļāva pavērt ceļu mašīnām, lai tulkotu vienu valodu citā.

1954. gadā informācijas tehnoloģiju uzņēmums IBM savā Ņujorkas birojā demonstrēja iekārtu, kas spēj tulkot krievu teikumus angļu valodā. Lai gan iekārta spēja iztulkot tikai 250 vārdus (49 teikumos), pasaule bija sajūsmā par ideju. Interese par mašīntulkošanu visā pasaulē liecināja par investīciju potenciālu šajā jaunajā datorzinātņu jomā. Džordžtaunas eksperimenta pētnieki, pārliecinājušies par saviem sākotnējiem panākumiem, prognozēja, ka mašīntulkošana tiks apgūta trīs līdz piecu gadu laikā.

"Neliela" aizķeršanās
Neskatoties uz agrīno pārliecību, mašīntulkošana izrādījās daudz grūtāka, nekā pētnieki sākotnēji domāja. To apliecina fakts, ka mašīntulkošana joprojām nav īsti apgūta vairāk nekā 60 gadus vēlāk. Divvalodu vārdnīcas, ģeneratīvā lingvistika un transformācijas gramatika tika izmantotas, lai uzlabotu Džordžtaunas eksperimenta tehnoloģiju. Tomēr semantiskā neskaidrība tika ātri identificēta kā problēma. Ja vārds varētu nozīmēt vairāk nekā vienu lietu, kā dators, kas to tulko, zinātu, kura nozīme ir paredzēta oriģinālvalodā un līdz ar to kurā vārdā to tulkot? Lai gan sākotnējie mašīntulkojumi bija pietiekami kvalitatīvi, lai tulkojums sniegtu pamata izpratni par oriģinālo dokumentu, tie bija tālu no perfektuma. Sacensības (lielākoties starp ASV un Padomju Savienību), lai iekarotu mašīntulkošanu, aizņēma daudz ilgāku laiku, nekā gaidīts.

Mašīntulkošana šobrīd
Pavisam nesen lielie spēlētāji (Google, Facebook un viņiem līdzīgie) ir aizrāvušies ar neironu tīklu izmantošanu un "deep learning" mašīntulkošanas pilnveidošanai. Neironu tīkls ir brīvi modelēts cilvēka smadzeņu darbības veidā, mākslīgie neironi sūta signālus citiem neironiem, kad tie tiek aktivizēti. Neironu tīklu rezultātā runas atpazīšana un datorredze ir guvuši ievērojamus panākumus. Ieguvusi no šīs pieejas ir arī mašīntulkošana.

Tulkošanas birojs "Linearis Translations" arī attīsta savu mašīntulku, izmantojot neironu tīklus, kas padara mašīntulkotu tekstu daudz precīzāku.

Mašīntulkošanas attīstība neapšaubāmi daudziem tulkiem ir radījusi satraukumu. Tā tas ir kopš 1954. gada, kad 1954. gadā tika plaši ziņots par Džordžtaunas eksperimenta panākumiem. Tolaik daudzi tulki uztraucās, ka pēc dažiem gadiem viņiem nebūs darba. Daudzi tulki mūsdienās jūtas līdzīgi. Tomēr, lai arī mašīntulkošana aizvien vairāk pietuvojas perfektiem rezultātiem, joprojām mašīntulka tulkotiem tekstiem nepieciešamas cilvēka pieskāriens, jeb, tulkotājs, kas veic teksta pēcrediģēšanu. Apmācot mašīntulkus izprast arī teksta kontekstu un dažādas kulturālās nianses, tiecamies uz pilnību. Tomēr, kultūra, konteksts, tekstu tonalitātes nestāv uz vietas un mainās līdzi laikam, tādēļ paredzams, ka pilnībā aizstāt tulku mašīntulks nespēs, bet būtiski atvieglot un padarīt efektīvāku tulka darbu gan. Patiesībā, tas iespējams jau šodien!

Ņemot vērā nesenos lēcienus uz priekšu mašīntulkošanas tehnoloģijā, būtu viegli paredzēt, ka mašīnas spēs tulkot tikpat kompetenti kā cilvēki jau pēc dažiem gadiem. Tomēr šī pati prognoze tika veikta pagājušā gadsimta piecdesmitajos gados un joprojām nav piepildījusies. Vēsture ir devusi mums iemeslu šaubīties par mašīnu spējām tulkošanas jomā, neskatoties uz mūsdienu skaitļošanas sistēmu neticamo jaudu. Pagaidām tas var būt noderīgs rīks, taču tas ir jāapvieno ar rūpīgu pēcrediģēšanu, ko veic lingvists kā daļa no spēcīga kvalitātes kontroles procesa.