기계번역에서 성 중립적 대안 생성의 새로운 지평을 열다

기계번역 시스템이 성별이 모호한 단어를 번역할 때 데이터의 편향으로 인해 특정 성별로 치우치는 문제가 오랫동안 지적되어 왔다. 예를 들어 영어의 ‘nurse’를 스페인어로 번역할 때 여성형인 ‘enfermera’로 번역하는 경향이 있었다. 이는 단순한 번역의 문제를 넘어 사회의 고정관념을 반영하고 강화할 수 있는 위험성을 내포하고 있다.

애플에서 진행한 이번 연구는 이러한 문제를 해결하기 위해 성별이 모호한 단어에 대해 모든 문법적으로 올바른 성별 대안을 생성하는 혁신적인 방법을 제시했다. 연구진은 영어에서 독일어, 프랑스어, 스페인어, 포르투갈어, 러시아어로의 5개 언어쌍에 대한 훈련 데이터셋을 공개하고, 여기에 이탈리아어를 추가한 6개 언어쌍에 대한 테스트 데이터셋을 확장했다.

이 연구의 핵심은 단순히 성별 편향을 제거하는 것이 아니라, 문맥에 따라 적절한 모든 성별 대안을 제시함으로써 사용자가 상황에 맞는 선택을 할 수 있게 하는 데 있다. 이는 기계번역의 정확성을 높이는 동시에 언어의 다양성과 포용성을 존중하는 접근 방식이다.

연구진이 개발한 핵심 기술은 기존 기계번역 모델과 원활하게 통합되는 준지도 학습 솔루션이다. 이 방식의 가장 큰 장점은 추가 구성 요소나 추론 오버헤드 증가 없이 높은 성능을 유지할 수 있다는 점이다. 이는 실제 서비스 환경에서 매우 중요한 요소로, 효율성과 성능을 동시에 달성했다는 점에서 큰 의미가 있다.

구체적으로 이 접근법은 하나의 구조화된 번역을 생성하는데, 여기서 “성별에 민감한 구문”들이 그룹화되고 해당하는 모호한 개체들과 정렬된다. 이를 통해 n개의 성별 모호 개체에 대해 2^n개의 다른 번역을 생성해야 하는 복잡한 문제를 효율적으로 해결했다. 예를 들어, “The secretary was angry with the boss.”라는 문장에서 ‘secretary’와 ‘boss’ 모두 성별이 모호하다. 기존 방식에서는 이를 모두 남성형으로 번역하거나 모두 여성형으로 번역하는 두 가지 선택지만 제공했다. 그러나 이 새로운 접근법은 ‘secretary’와 ‘boss’의 모든 가능한 성별 조합(남-남, 남-여, 여-남, 여-여)에 대한 번역을 한 번에 생성할 수 있다.

이러한 방식은 단순히 성별 대안을 제공하는 것을 넘어, 문장 내의 각 개체에 대해 독립적으로 성별을 선택할 수 있게 함으로써 보다 정확하고 유연한 번역을 가능하게 한다. 이는 특히 복잡한 문장이나 여러 인물이 등장하는 텍스트를 번역할 때 큰 강점을 발휘할 수 있다.

연구진은 또한 사전 훈련된 기계번역 모델이나 대규모 언어 모델을 활용해 데이터를 증강하는 파이프라인을 개발했다. 이 파이프라인은 기존의 병렬 코퍼스를 입력으로 받아, 원본 텍스트에 성별 모호성이 있을 때마다 번역문에 성별 구조와 정렬을 자동으로 추가한다.

이 과정은 크게 네 단계로 이루어진다. 첫째, 원본 문장에서 성별이 모호한 개체를 탐지한다. 둘째, 기준 번역을 모두 남성형과 모두 여성형으로 변환한다. 셋째, 이 두 버전을 결합하여 성별 구조가 포함된 단일 번역을 생성한다. 마지막으로, 각 성별 구조를 원본 문장의 해당 모호 개체와 정렬한다.

이렇게 증강된 데이터로 훈련된 모델은 지도 학습 기준 모델의 성능을 뛰어넘었다. 특히 주목할 만한 점은 이 모델이 훈련 세트에 포함되지 않은 언어쌍에도 일반화할 수 있었다는 것이다. 이는 이 접근법이 다양한 언어에 적용 가능한 범용성을 가지고 있음을 시사한다.

이 접근법의 효과는 실험 결과에서 잘 드러난다. 예를 들어 영어-스페인어 번역에서 성별 대안 생성의 정밀도와 재현율이 각각 94.3%와 92%로 매우 높게 나타났다. 이는 모델이 성별 대안을 정확하게 생성할 뿐만 아니라, 필요한 경우에 거의 빠짐없이 대안을 제시하고 있음을 의미한다.

또한 성별 편향을 측정하는 δ-BLEU 지표에서도 1.0이라는 낮은 수치를 보였다. δ-BLEU는 남성형과 여성형 번역 간의 품질 차이를 나타내는 지표로, 이 수치가 낮을수록 성 중립적 번역에 성공했음을 의미한다. 1.0이라는 수치는 모델이 남성형과 여성형 번역을 거의 동등한 품질로 생성하고 있다는 것을 보여준다.

이러한 결과는 이 새로운 접근법이 성별 편향 문제를 효과적으로 해결하면서도 전반적인 번역 품질을 유지하고 있음을 증명한다. 이는 기계번역 분야에서 성 평등과 번역 품질이라는 두 마리 토끼를 동시에 잡은 중요한 성과라고 할 수 있다.

이번 연구 결과는 사용자가 각 개체의 성별을 선택할 수 있는 새로운 번역 인터페이스를 가능하게 할 전망이다. 예를 들어, 사용자가 “The doctor examined the patient.”라는 문장을 번역할 때, ‘doctor’와 ‘patient’의 성별을 각각 선택할 수 있게 되어 상황과 맥락에 가장 적합한 번역을 얻을 수 있다.

또한 이 기술은 인간 번역가들의 작업을 지원하는 도구로도 활용될 수 있다. 번역가들이 텍스트의 성별 모호성을 자동으로 파악하고, 다양한 대안 번역을 추천받을 수 있게 되어 번역의 정확성과 효율성을 높일 수 있을 것이다.

연구진은 향후 연구 방향으로 영어 외 다른 성 중립적 원어에 대한 연구 확장을 언급했다. 중국어, 한국어, 일본어와 같이 문법적 성별 구분이 없는 언어들에 대한 연구는 새로운 도전이 될 것이다. 이들 언어는 성별 정보가 더욱 모호하게 표현되기 때문에, 적절한 성별 대안을 생성하는 데 추가적인 문맥 이해가 필요할 것으로 예상된다.

또한 비이원적 성별 및 성 중립적 형태로의 확장 가능성도 제시되었다. 현재의 연구는 남성/여성의 이분법적 성별 체계에 기반하고 있지만, 앞으로는 논바이너리(non-binary) 성 정체성을 포함한 더 포괄적인 접근이 필요할 것이다. 이는 단순히 기술적 과제를 넘어 사회적, 문화적 맥락을 고려해야 하는 복잡한 문제이다.

이러한 확장은 기계번역 분야에서 성 평등과 포용성 증진을 위한 중요한 과제가 될 것으로 보인다. 더 나아가 이는 인공지능 기술이 사회적 가치를 어떻게 반영하고 구현할 수 있는지에 대한 더 넓은 논의로 이어질 수 있다.

이 연구 결과는 기계번역 시스템의 성 편향 문제 해결에 큰 진전을 이뤘다는 점에서 의의가 크다. 단순히 기술적 성능을 높이는 것을 넘어, 언어의 다양성과 포용성을 존중하는 방향으로 나아가고 있다는 점에서 주목할 만하다.

앞으로 이 기술이 실제 번역 서비스에 적용되면 보다 공정하고 포용적인 언어 환경 조성에 기여할 수 있을 것으로 기대된다. 또한 이는 기계번역뿐만 아니라 다른 자연어 처리 분야에도 영향을 미쳐, 인공지능 기술 전반에 걸쳐 성 평등과 다양성을 고려하는 움직임을 가속화할 수 있을 것이다.

결론적으로, 이 연구는 기술 발전과 사회적 가치의 조화를 추구하는 의미 있는 시도로 평가된다. 앞으로 이러한 접근이 더욱 발전하여 다양성과 포용성이 존중되는 인공지능 기술의 새로운 표준을 제시할 수 있기를 기대해본다.

기사에 인용된 리포트 원문은 링크에서 확인할 수 있다.

기사는 클로드 3.5 Sonnet과 챗GPT-4o를 활용해 작성되었습니다. 

관련 콘텐츠 더보기