اخیراً استفاده از شبکه های عصبی و یادگیری عمیق در حوزه های مختلف از جمله ترجمه ماشینی توسعه فراوانی یافته است. این استفاده در حیطه پردازش زبان طبیعی در بسیاری از کاربردها مانند ترجمه ماشینی سبب افزایش کیفیت این کاربردها شده است. آخرین دستاوردها و بهترین کیفیت های سیستم ترجمه ماشینی در دنیا منحصراً در اختیار این گونه از سامانه ها است؛ به طوری که به جز در مواردی که منابع آموزشی کم است، عملاً مترجم های ماشینی مبتنی بر قاعده های آماری، کاربردی در این حیطه ندارند. در حال حاضر، معماری های مترجم های ماشینی مبتنی بر شبکه عصبی عموماً از یکی از دو رویکرد رمزگذاری-رمزگشایی یا مبتنی بر ترانسفورمر تبعیت می کنند. مدل های مبتنی بر ترنسفورمر به دلیل برخورداری از دادگان آموزشی وسیع تر، امکان ترجمه سریع، با کیفیت، با دامنه وسیع تر تخصصی و امنیت بیشتر در داده را ایجاد می کنند. در این طرح، باتوجه به حجم دادگان آموزشی در اختیار تیم فناور، امکان استفاده از مدل های مبتنی بر ترنسفورمر ایجاد شد. در این راستا، منابع دادگان بررسی و %100 دادگان آموزشی به میزان 110 میلیون جفت داده تهیه شد. سپس ابزار Flair seq به عنوان ابزار برگزیده مورد استفاده و ارزیابی قرار گرفت. در ادامه بر اساس آزمون های متعدد یکی از بهترین کانفیگ های (پیکربندی ) ابزار ارائه شده به دست آمد و مدل بهینه تهیه گردید. در نتیجه این کار پیاده سازی نسخه سرور برای راه اندازی سرویس ترجمه برای کاربران نهایی از سرور طراحی شده در پروژه متن باز OpenNMT استفاده شد.