Hvad er maskinoversættelse? En guide til lokaliseringsteams i virksomheder

Dit lokaliseringsprogram skal dække ti sprog. Indholdsefterslæbet løber op i hundredtusindvis af ord. Og hvert kvartal tilføjer mere indhold, flere markeder og strammere forventninger til ekspeditionstiden.

Menneskelig oversættelse alene vil ikke give dig mulighed for at skalere tilstrækkeligt – ikke med den hastighed, virksomheden forventer, og ikke inden for budgettet. Maskinoversættelse findes netop til øjeblikke som dette.

Spørgsmålet, som de fleste teams står over for, er ikke, om de skal bruge maskinoversættelse, men hvordan de bruger det godt. Hastighed og skala er reelle bekymringer. Det samme gælder risikoen ved at udgive rå MT-output – terminologi uden for brandet, inkonsekvent kvalitet og fejl, der når kunderne, før nogen opdager dem.

Hvad er maskinoversættelse?

Maskinoversættelse (MT) er softwarebaseret oversættelse, der automatisk konverterer indhold fra et kildesprog til et målsprog ved hjælp af AI-drevne modeller.

Moderne maskinoversættelse er bygget til hastighed og skalerbarhed på tværs af store mængder indhold.

Kvaliteten varierer afhængigt af sprogparret, indholdstypen og hvilke kontroller der findes omkring outputtet.

Sådan fungerer maskinoversættelse

På et overordnet niveau følger maskinoversættelse et ligetil flow: tekst indlæses, modellen analyserer den, og en oversat version kommer ud. Moderne systemer træner på store flersprogede datasæt og bruger lærte sprogmønstre til at forudsige den mest sandsynlige oversættelse af en given sætning.

Neural maskinoversættelse (NMT) – den dominerende form, der bruges i dag – behandler hele sætninger i stedet for ord for ord. Den bredere kontekst producerer et mere naturligt output. Alligevel varierer resultaterne afhængigt af emnet, terminologien og det involverede sprogpar.

Typer af maskinoversættelse

Regelbaseret maskinoversættelse

Regelbaseret maskinoversættelse bruger foruddefinerede sproglige regler og tosprogede ordbøger til at konvertere indhold mellem sprog. Det er den tidligste tilgang til maskineri og er primært relevant som historisk kontekst for at forstå, hvordan teknologien udviklede sig.

Statistisk maskinoversættelse

Statistisk maskinoversættelse bruger store sæt af eksisterende oversættelser til at forudsige sandsynlige resultater. Det forbedrede regelbaserede metoders flydende karakter, men er primært i historisk kontekst i dag — neural maskinoversættelse har erstattet det i virksomhedens arbejdsgange.

Neural maskinoversættelse

Neural maskinoversættelse er, hvad de fleste teams mener, når de taler om MT i dag. NMT bruger neurale netværk til at analysere sprog med kontekst på sætningsniveau og producerer oversættelser, der er mere flydende og præcise end tidligere metoder.

Nyere AI-tilgange bygger på NMT med integration af store sprogmodeller (LLM), valg af motor og automatiseret efterredigering – men neural maskinoversættelse er fortsat kernemotoren bag de fleste hurtige, skalerbare oversættelsesworkflows.

Hvorfor maskinoversættelse er vigtig

De fleste virksomhedsteams kan ikke lokalisere i den mængde og hastighed, som virksomheden kræver, udelukkende ved hjælp af menneskelig oversættelse. Maskinoversættelse lukker det hul. Det gør indhold i store mængder praktisk, reducerer omkostningerne pr. ord for materiale med lavere indsats og muliggør den form for global ekspansion, som manuelle processer ikke kan understøtte i samme tempo.

Maskinoversættelse gør det også muligt at lokalisere indhold, der ændrer sig konstant eller kræver behandlingstid næsten i realtid – produktkataloger, supportartikler, intern kommunikation – indhold, der ellers ville forblive uoversat.

Maskinoversættelse vs. menneskelig oversættelse

Maskinoversættelse og menneskelig oversættelse er ikke udskiftelige. De løser forskellige problemer, og de fleste modne lokaliseringsprogrammer bruger begge dele afhængigt af indholdstype, målgruppe og kvalitetskrav.

Den virkelige beslutning er sjældent maskinoversættelse versus menneskelig oversættelse. Det handler om, hvilken tilgang der passer til hver indholdstype – og hvilken kombination der producerer den rette kvalitet til den rette pris.

Hvor maskinoversættelse fungerer bedst

Maskinoversættelse fungerer bedst, hvor hastighed er vigtigere end stilistiske nuancer. Almindelige pasformer inkluderer:

• Stor mængde indhold som supportsager, produktbeskrivelser og kundeanmeldelser
• Struktureret indhold med forudsigelig formatering og begrænset kreativ variation
• Interne materialer, hvor en grov, men læsbar oversættelse har reel værdi
• Realtidsanvendelsessager, hvor hurtig publicering er vigtigere end at finpudse hver eneste linje

I disse situationer leverer maskinoversættelse praktisk værdi, selv før der anvendes et yderligere revisionslag.

Hvor maskinoversættelse ikke lever op til forventningerne

Maskinoversættelse har problemer, når indhold afhænger af tone, kulturelle nuancer, kreativ dømmekraft eller streng terminologisk konsistens. Synlige brandbudskaber, juridisk og lovgivningsmæssigt indhold og alt, hvor en fejloversat term skaber en reel risiko, er ikke velegnede til rå maskinoversættelse uden yderligere kontroller.

Den begrænsning udelukker ikke maskinoversættelse af indhold med høj risiko. Det betyder, at outputtet har brug for kontroller omkring sig – routingregler, der sender vanskelige strenge til menneskelig gennemgang, håndhævelse af ordlister og stilguider, der anvendes på oversættelsestidspunktet, og oversættelseshukommelse, der holder terminologien konsistent på tværs af alle elementer.

Therabody oplevede dette direkte, da deres wellness-produkter ekspanderede globalt. Teamet havde brug for at skalere oversættelser på tværs af emballage, marketing og hjemmesider uden at miste brandets stemme eller skabe inkonsekvens.

Ved at integrere maskinoversættelse i en struktureret arbejdsgang via Smartlings AI-oversættelsesplatform – og kombinere AI med menneskelig overvågning og oversættelseshukommelse – reducerede Therabody oversættelsesomkostningerne med 60 % og fremskyndede time-to-market uden at gå på kompromis med kvaliteten.

Lærdommen er ikke, at maskinoversættelse fejler på vanskeligt indhold. Det er, at vanskeligt indhold kræver stærkere kontrol omkring outputtet, før det er klar til publicering.

Hvordan maskinoversættelse bruges i praksis

I produktionsmiljøer er maskinoversættelse sjældent en proces med et enkelt klik, der fører direkte til udgivelse. De fleste virksomhedsteams kombinerer det med menneskelig efterredigering (MTPE) – hvor en lingvist gennemgår og forfiner maskinoversættelsesoutputtet – og sender det gennem strukturerede arbejdsgange, der er forbundet med indholdssystemer.

IHG Hotels and Resorts stod over for præcis denne skaleringsudfordring. Hotel- og restaurationsafdelingen havde brug for at oversætte hjemmesideindhold på tværs af 20 sprog i store mængder, hvor forskellige indholdstyper krævede forskellige niveauer af gennemgang.

Smartling byggede brugerdefinerede maskinoversættelsesmotorer, der var trænet på IHGs ordliste og materialer til hotel- og restaurationsbranchen, og dirigerede derefter indholdet gennem en hybridmodel – maskinoversættelse for nogle indholdstyper, menneskelig validering for andre.

IHG oversatte over 600 millioner ord på tværs af 20 sprog, reducerede driftsomkostningerne og øgede antallet af bookinger som følge heraf.

Dit lokaliseringsprogram drager fordel af den samme logik: match oversættelsesmetoden med indholdet, og automatiser derefter routingen, så det rigtige indhold får det rette niveau af gennemgang hver gang.

Hvordan AI forbedrer maskinoversættelse

AI gør maskinoversættelse mere flydende, mere kontekstbevidst og mere tilpasningsdygtig til forskellige indholdstyper. Nyere systemer refererer til sproglige aktiver – ordlister, oversættelseshukommelse (en database med tidligere godkendte oversættelser), stilguider – under oversættelsen, ikke kun ved opsætningen.

Det producerer output, der bedre afspejler din terminologi og foretrukne formulering fra første gennemgang.

Store sprogmodeller er en del af dette skift, men de fjerner ikke behovet for tilsyn. Bedre AI forbedrer udgangspunktet. Jeres team har stadig brug for metoder til at styre terminologi, evaluere outputkvalitet og beslutte, hvornår menneskelig gennemgang skal forblive i løkken.

Smartlings AI-efterredigeringsagent anvender et LLM-gennemgangslag på rå maskinoversættelse og bruger dine sproglige aktiver til at fange de fejl, der får MT-output til at føles generisk – terminologi uden for brandet, akavet tone og semantisk afvigelse. Resultatet er maskinoversættelse, der læses tættere på efterredigeringskvalitet, uden efterredigeringstrinnet.

Risici ved at bruge maskinoversættelse uden struktur

Struktur betyder i denne sammenhæng den arbejdsgang og de kontroller, der findes omkring oversættelsesprogrammet – håndhævelse af ordlister og stilguider, oversættelseshukommelse, routingregler, der bestemmer, hvilket indhold der skal gennemgås af mennesker, og centraliseret kvalitetsrapportering. Uden disse kontroller er maskinoversættelse blot rå output uden noget, der fanger fejlene.

Det er der, risiciene forstærkes. Terminologien flytter sig mellem aktiver, fordi intet håndhæver den godkendte term. Fejl spreder sig over tusindvis af strenge, fordi ingen sampler outputtet. Teams har ringe indsigt i, hvor kvalitetsproblemer opstår, eller hvor alvorlige de er blevet – indtil en kunde, en tilsynsmyndighed eller en intern interessent opdager et.

Ved lav volumen er skaden inddæmbar. På virksomhedsniveau kan en enkelt, uhåndhævet term eller en utestet motor kompromittere tusindvis af strenge, før nogen bemærker det – hvilket er grunden til, at arbejdsflowsystemet omkring maskinoversættelse er lige så vigtigt som selve motoren.

Hvad sker der uden et system til oversættelsesworkflow?

Uden et oversættelsesstyringssystem (TMS) skaber maskinoversættelse lige så mange driftsproblemer, som den løser. Indhold bevæger sig gennem frakoblede værktøjer. Teams duplikerer arbejde. Kvalitetsbeslutninger træffes inkonsistent på tværs af markeder og indholdstyper.

Flaskehalse opbygges, når arbejdskøer opstår mellem frakoblede værktøjer. Omarbejdning øges, fordi de samme strenge oversættes, gennemgås og korrigeres mere end én gang. Styring forsvinder fuldstændigt – ingen ejer kvalitet, og ingen kan bevise den.

Efterhånden som flersproget indhold vokser, bliver fraværet af et centraliseret system til at dirigere arbejde, anvende sproglige aktiver og spore kvalitet loftet for, hvor langt dit lokaliseringsprogram kan skaleres.

Få maskinoversættelse til at fungere i stor skala

Maskinoversættelse har fortjent sin plads inden for virksomhedslokalisering. Den håndterer volumen, hastighed og indholdstyper, som kun menneskelige arbejdsgange ikke kan matche til prisen.

Det er ikke motoren, der adskiller programmer, der får værdi fra MT, fra programmer, der skaber risiko med det. Det er beslutningerne omkring systemet: hvilket indhold der går igennem det, hvilke sproglige elementer styrer outputtet, hvor den menneskelige gennemgang forbliver i løkken, og hvordan kvalitet måles på tværs af markeder.

Se hvordan Smartling kombinerer maskinoversættelse, AI-arbejdsgange og menneskelig ekspertise i én platform, der skalerer uden at miste kontrollen.