컴퓨터 언어학 - 기계번역(Machine Translation)의 역사와 현재

 

 

Computational Linguistics · Part 4-1

Machine Translation — From Rules to Neural Networks

번역기는 어떻게
이토록 똑똑해졌는가

기계번역(Machine Translation)의 역사와 현재

 

MisoEnglish · Michelle Kim Series #CL-08 읽는 시간 약 12분

"The spirit is willing, but the flesh is weak."
→ "The vodka is good, but the meat is rotten."

— 1950년대 규칙 기반 기계번역의 실패 사례 (영어 → 러시아어 → 다시 영어)
"마음은 간절하나 몸이 따르지 않는다"는 성경 구절이 "보드카는 좋지만 고기가 썩었다"로 번역됐다는 일화. 언어의 깊이를 규칙만으로는 담을 수 없음을 보여주는 상징적 사례입니다.

지금 파파고나 구글 번역을 열어 "나는 어제 친구와 함께 카페에서 오랫동안 이야기를 나눴다"를 영어로 번역해보세요. 놀랍도록 자연스러운 번역이 나옵니다. 하지만 불과 20년 전만 해도 번역기는 단어를 하나씩 기계적으로 치환하는 수준이었습니다.

기계번역은 컴퓨터 언어학의 가장 오래된 꿈이자, 그 발전사가 곧 이 시리즈에서 다뤄온 모든 기술의 역사와 정확히 겹칩니다. 규칙에서 통계로, 통계에서 신경망으로—그 여정을 따라갑니다.

01  1세대: 규칙 기반 번역 — RBMT (1950s~1980s)

기계번역의 역사는 냉전과 함께 시작됩니다. 1954년 IBM과 조지타운 대학이 공동으로 러시아어→영어 번역 시스템을 시연했습니다. 250개 단어, 6가지 문법 규칙—결과는 인상적이었고, 연구자들은 "5년 안에 번역 문제가 해결될 것"이라 낙관했습니다.

RBMT 번역 방식 — 한국어 → 영어 예시

입력

"나는 사과를 먹었다"

↓

형태소
분석

나(I/주격) + 사과(apple) + 를(목적격) + 먹(eat) + 었(과거) + 다(종결)

↓

규칙
적용

한국어 SOV → 영어 SVO 어순 변환. 과거시제 불규칙(eat→ate) 적용. 관사(an) 추가.

↓

출력

"I ate an apple."

단순한 문장은 잘 번역됩니다. 하지만 관용어, 중의성, 문화적 뉘앙스 앞에서 무너집니다. 대표 시스템: SYSTRAN (1968~, 현재도 운용 중인 최장수 MT 시스템)

02  2세대: 통계 기반 번역 — SMT (1990s~2010s)

규칙의 한계가 명확해지자 IBM 왓슨 연구소는 1990년대 초 전혀 다른 접근을 제안합니다. "번역 규칙을 쓰는 대신, 수백만 쌍의 번역 문서에서 패턴을 학습하자." 이것이 통계 기반 기계번역 (SMT, Statistical Machine Translation)입니다.

SMT의 핵심 공식 — 노이즈 채널 모델

P(e | f) = P(f | e) × P(e) / P(f)

P(e | f)

외국어(f)가 주어졌을 때 영어 번역(e)의 확률 → 우리가 원하는 것

P(f | e)

번역 모델: 영어 e가 외국어 f로 번역될 확률 (병렬 말뭉치에서 학습)

P(e)

언어 모델: 영어 문장 e가 자연스러운 영어일 확률 (단일 말뭉치에서 학습)

구글 번역은 2006~2016년 SMT를 사용해 세계 최고 수준의 번역 품질을 달성했습니다.

03  3세대: 신경망 기계번역 — NMT (2016~현재)

2016년 구글은 조용히 번역 엔진을 교체합니다. 기존 SMT에서 신경망 기계번역 (NMT, Neural Machine Translation)으로— 번역 품질은 하룻밤 사이에 획기적으로 향상됩니다. 구글은 이것이 "10년간의 점진적 개선"에 맞먹는 도약이었다고 발표했습니다.

 

 

1954~1980년대 · RBMT

이중언어 사전 + 문법 규칙. 단어 대 단어 치환 방식. SYSTRAN이 대표 시스템. 유럽연합 공식 문서 번역에 수십 년간 활용.

 

1990년대~2016 · SMT

병렬 말뭉치 기반 확률 모델. Google Translate SMT(2006), Moses(오픈소스). 구 단위 번역(phrase-based)으로 자연스러움 향상.

 

2014~2017 · NMT (RNN 기반)

인코더-디코더 구조의 seq2seq 모델 등장. 문장 전체를 하나의 벡터로 압축 후 번역. Attention 메커니즘 도입으로 품질 급향상.

 

2017~현재 · NMT (Transformer 기반)

Google Translate NMT, 파파고 (Papago), DeepL. Self-Attention으로 장거리 의존성 완벽 처리. 현재 최고 수준 번역 품질.

04  번역기의 현재와 한계 — Where We Stand

현재 최고 수준의 NMT는 많은 언어 쌍에서 인간 번역사에 근접한 품질을 보여줍니다. 하지만 여전히 넘지 못한 벽들이 있습니다.

①

문화적 뉘앙스 Cultural Nuance

한국어의 존댓말 체계, 일본어의 화자 관계 표현은 영어에 직접 대응되는 구조가 없습니다. "드시다"와 "먹다"의 차이, "너"와 "당신"과 "선생님"의 호칭 선택— 번역기는 아직 이 문화적 층위를 완전히 처리하지 못합니다.

②

저자원 언어 Low-Resource Languages

영어-프랑스어, 영어-한국어처럼 병렬 말뭉치가 풍부한 언어 쌍은 품질이 높지만, 아프리카·동남아시아의 소수 언어들은 데이터 부족으로 번역 품질이 현저히 떨어집니다. 세계 7,000개 언어 중 고품질 번역이 가능한 언어는 여전히 소수입니다.

③

일관성과 전문 번역 Consistency & Domain

법률·의료·특허 문서처럼 전문 용어의 일관성이 생명인 분야에서는 여전히 전문 번역사의 검토가 필수입니다. 번역기는 긴 문서에서 앞뒤 용어 일관성을 유지하는 데 어려움을 겪습니다.

🔗 영어 학습자를 위한 연결고리

번역기의 원리를 알면 더 영리하게 활용할 수 있습니다.

✓

번역기는 문장 단위로 가장 잘 작동합니다. 문단 전체보다 문장별로 입력하면 품질이 올라갑니다.

✓

번역 결과를 그대로 쓰지 말고, 역번역(back-translation)으로 검증하세요. 결과를 다시 한국어로 번역해 원문과 비교하면 오류가 보입니다.

✓

번역기가 어색하게 번역하는 부분이 바로 한영 간 구조적 차이가 큰 부분입니다. 그 지점을 공부하면 영어 실력이 빠르게 늘어납니다.

번역기는 언어의 형식을 옮깁니다.
하지만 언어 속에 담긴 문화, 역사, 감정은
여전히 인간의 몫으로 남아 있습니다.
그래서 번역기가 발전할수록,
언어를 깊이 이해하는 사람의 가치도 함께 올라갑니다.

다음 편에서는 컴퓨터 언어학이 아직 풀지 못한 과제들— 언어의 모호성, AI 편향, 그리고 할루시네이션을 다룹니다.

Next Episode · CL-09

4부 2편: 컴퓨터 언어학이 직면한 과제와 윤리

→

© MisoEnglish · Michelle Kim  |  Computational Linguistics Series · CL-08