Machine Learning: Going Beyond Machine Translation (Webinar)

Jennifer Chew

Product Marketing ManagerSmartling

Som man siger: Jo mere du gør, jo mere ved du. Ligesom mennesker kan maskiner over tid trænes til at genkende mønstre og reagere med meget specifikke handlinger.

Jennifer Chew og Benjamin Loy gennemgår forskellige måder, indholdsskabere kan bruge Machine Learning med Smartling til at øge effektiviteten og skabe oversættelser af høj kvalitet på platformen.

Sommerskole | Machine Learning: Going Beyond Machine Translation fra Smartling på Vimeo.

Hvad er machine learning?

Det er en måde at modellere og udføre ønskede handlinger i skala. Ifølge University of Washington "kan maskinlæringsalgoritmer finde ud af, hvordan man udfører vigtige opgaver ved at generalisere ud fra eksempler." Grundlæggende er algoritmer bygget til at genkende mønstre i eksisterende datapunkter. Derefter anvendes disse mønstre på nye datapunkter for at informere om handlinger, der skal udføres.

Sådan bruger Smartling maskinlæring:

Her er nogle eksempler på maskinlæring i Smartling-platformen:

1. Filtyperegistrering - Når kunder indlæser deres indhold i Smartling-platformen, bruger Smartling en støttevektormaskine til at identificere filtyper og parse strenge i overensstemmelse hermed.
2. Kvalitetssikkerhedsscore - Smartling bruger et beslutningstræ til at bestemme, hvordan forskellige datapunkter påvirker den overordnede evaluering af tilliden til kvaliteten af en oversættelse.
3. Tag Alignment - HTML tags - gerne for kursiv - bliver nogle gange malplaceret, når dele af tale optræder forskellige steder på et andet sprog. Smartlings maskinlæring trænes i adjektivplaceringer på fransk for at sikre, at tags flyttes til den korrekte del af sætningen, fra engelsk til fransk oversættelse.
4. MT Auto Select - Smartlings nyeste værktøj, MT Auto Select, vil være i stand til at indtage ord og gruppere dem tematisk (f.eks. Sundhed, Restauranter, Juridisk), og tildel derefter den bedste MT-motor til at oversætte det specifikke ordtema.

Det er dog vigtigt at bemærke, at selvom maskinlæringsalgoritmer kan afsløre kraftfuld indsigt i skala omkring dine oversættelser, er de aldrig 100 % perfekte. Kontroller altid dine resultater og fortæl os, hvad du finder. Vi træner altid vores modeller for at skabe stadig mere præcis indsigt.