본 논문은 대규모 언어 모델(LLM)을 기반으로 한 기계 번역의 높은 계산 비용과 지연 시간 문제를 해결하기 위해, NMT(Neural Machine Translation)와 LLM을 통합하는 방안을 제시합니다. LLM은 특정 상황에서만 NMT보다 우수한 성능을 보이므로, 필요한 경우에만 LLM을 사용하는 전략이 효율적이라고 주장합니다. 이를 위해 소스 문장 특징을 활용하는 새로운 스케줄링 정책을 제안하고, 다국어 테스트 세트를 통해 최소한의 LLM 사용으로 최적의 번역 성능을 달성함을 실험적으로 증명합니다.
시사점, 한계점
•
시사점:
◦
LLM 기반 기계 번역의 비효율성 문제를 효과적으로 해결할 수 있는 새로운 스케줄링 정책 제시.
◦
소스 문장 특징을 활용하여 LLM 사용을 최소화하면서 최적의 번역 성능을 달성 가능함을 입증.
