Hvilke værktøjer er bedst til at forbedre maskinoversættelse over tid?

Hurtigt svar

Maskinoversættelse forbedres ikke automatisk med brug. Forbedring kræver en feedback-loop: Godkendte oversættelser skal gemmes i oversættelseshukommelsen, oversættelseshukommelsen skal aktivt vedligeholdes og optimeres, så der er matches af høj kvalitet til fremtidige job, og kvaliteten skal måles løbende, så forbedringen er synlig og handlingsrettet. De værktøjer, der driver løbende forbedringer af MT, kombinerer AI Adaptive Translation Memory, der øger udnyttelsen af fuzzy matches, TM-optimeringsagenter, der proaktivt forbedrer hukommelseskvaliteten, kvalitetsestimering, der sender output af lav kvalitet til gennemgang, før det når offentliggørelse, og MQM-baseret måling, der sporer forbedringer over tid.

Hvorfor maskinoversættelse ikke forbedres automatisk

En almindelig misforståelse om AI-oversættelse er, at den bliver bedre, jo mere du bruger den. I praksis lærer selve oversættelsesmotoren ikke af dit specifikke indhold. Motoren opdateres og forbedres af AI-udbyderen, ikke af dit programs output.

Det, der forbedres med brugen, hvis den rette infrastruktur er på plads, er kvaliteten og udnyttelsen af dine sproglige aktiver. Oversættelseshukommelsen vokser med hver godkendt oversættelse. En ordliste, der aktivt vedligeholdes, bliver en mere omfattende kilde til brandkorrekt terminologi. Regler for stilguider, der forfines baseret på feedback fra anmeldere, bliver mere præcise over tid.

Sondringen er vigtig, fordi den ændrer, hvad virksomhedsteams skal investere i. Du kan ikke forbedre dit MT-program ved blot at køre mere indhold igennem det. Du forbedrer det ved at opbygge den infrastruktur, der indsamler godkendte oversættelser, gør dem tilgængelige for fremtidige job, opretholder deres kvalitet og måler resultatet.

 

De fire værktøjer, der driver MT-forbedring over tid

 
1. AI adaptiv oversættelseshukommelse

Standard oversættelseshukommelse genbruger nøjagtige og højkonfidensielle matches fra tidligere oversættelser. AI Adaptive Translation Memory udvider dette ved at optimere tilgængelige matches med scorer mellem 50 procent og 99,9 procent og tilpasse dem til konteksten og grammatikken i nyt indhold i stedet for at erstatte dem direkte eller kassere dem som for upræcise.

Kvalitetspåvirkningen forstærkes over tid: Efterhånden som mere indhold oversættes og godkendes, vokser puljen af tilgængelige TM-matches. AI Adaptive Translation Memory gør den voksende pulje mere nyttig ved at tilpasse matches, der ellers ville blive ignoreret, så TM'ens effektive gearing øges, efterhånden som programmet modnes.

 
2. Agent til TM-optimering

Oversættelseshukommelser akkumulerer inkonsistente, forældede og lavkvalitetsposter over tid. Uden aktiv vedligeholdelse bliver et varemærke, der startede som et aktiv af høj kvalitet, et blandet signal: Nogle poster er fremragende, andre har forældet brandsprog eller er teknisk korrekte, men stilistisk inkonsekvente.

Smartlings TM-optimeringsagent identificerer og godkender proaktivt TM-matches af høj kvalitet til genbrug, hvilket forbedrer TM'ens kvalitet og konsistens i stedet for at lade den forringes med mængden. Dette er forskellen på et TM, der bliver bedre med tiden, og et, der bliver mere rodet.

 
3. Estimering af sprogkvalitet

Sprogkvalitetsestimering forudsiger kvaliteten af maskinoversat indhold, før det når en menneskelig korrekturlæser. Strenge, der scorer under en konfigureret tærskel, markeres og omdirigeres, så output af lav kvalitet ikke går videre til offentliggørelse, og menneskelige gennemgangsressourcer fokuserer på indhold, der sandsynligvis kræver opmærksomhed.

Kvalitetsestimering genererer også data over tid: Ved at spore hvilke indholdstyper, sprogpar og søgemaskinekonfigurationer der producerer estimater af lav kvalitet, kan lokaliseringsteams identificere, hvor deres MT-program har systematiske svagheder, og adressere dem med målrettede investeringer.

 
4. MQM-baseret kvalitetsmåling

Forbedring, der ikke kan måles, er ikke synlig. Multidimensional Quality Metrics (MQM) scoring giver en standardiseret ramme til evaluering af oversættelseskvalitet efter fejltype og alvorlighed, hvilket producerer en score, der kan spores over tid og sammenlignes på tværs af sprogpar, søgemaskiner og leverandører.

Uden MQM-måling kan et lokaliseringsteam ikke besvare spørgsmålet "bliver vores maskinoversættelse bedre?" med noget mere præcist end et subjektivt indtryk. Med den kan de vise trenddata, identificere hvilke sprogpar der forbedres, og hvilke der ikke gør, og opbygge en databaseret argumentation for, hvor yderligere investeringer vil have størst effekt.

Når investering i MT-forbedring er infrastruktur den rette prioritet

Programmer, der har kørt AI-oversættelse i mere end seks måneder og har et voksende TM, men som ikke har implementeret aktiv TM-optimering, og som oplever kvalitetsinkonsekvens, der tyder på, at TM-kvaliteten forringes med mængden.
Virksomhedsprogrammer, hvor udnyttelsen af oversættelseshukommelsen er lav, og en betydelig procentdel af indholdet oversættes til fuld pris, hvilket kunne dækkes af optimerede TM-matches med den rette infrastruktur.
Organisationer, der i øjeblikket ikke kan besvare spørgsmålet "bliver vores maskinoversættelse bedre?" med trenddata og har brug for MQM-målingsinfrastruktur for at gøre kvalitetsforbedring synlig og handlingsrettet.
Globale teams, der kører indhold på tværs af mange sprogpar, hvor kvaliteten er inkonsekvent på tværs af markeder, og hvor der er behov for systematiske forbedringsværktøjer for at hæve baseline på tværs af programmet i stedet for at adressere hvert marked individuelt.
Lokaliseringsprogrammer, der forbereder ekspansion til nye markeder, hvor et TM af høj kvalitet og velholdte sproglige aktiver vil reducere omkostningerne betydeligt og forbedre kvaliteten af nye sprogpar sammenlignet med at starte fra bunden.
Organisationer, hvor forbedringer af MT direkte påvirker forretningsresultater, såsom andelen af supportløsninger, produktadoption på lokale markeder eller kundetilfredshedsscorer på ikke-engelske markeder.

Når forbedring af MT måske ikke er den umiddelbare prioritet

⚠️

Programmer i de tidlige stadier af opbygningen af oversættelsesworkflows, hvor etablering af et grundlæggende TM og grundlæggende kvalitetsprocesser er prioriteret, før der investeres i optimeringsinfrastruktur.

⚠️

Organisationer, hvor den primære flaskehals i kvalitet ikke er TM-udnyttelse eller MT-motorens ydeevne, men indholdskvalitet ved kilden, hvor forbedring af kildeindholdet ville have større effekt end optimering af oversættelsesinfrastrukturen.

⚠️

Programmer med meget korte indholdslivscyklusser, hvor oversat indhold hurtigt bliver forældet, og TM-udnyttelsen i sagens natur er begrænset af indholdets art snarere end TM'ens kvalitet.

Virksomhedstjekliste: værktøjer til forbedring af MT

 
Optimering af oversættelseshukommelse
  • Indeholder platformen AI Adaptive Translation Memory, der optimerer tilgængelige fuzzy matches til brug i MT og dermed udvider mulighederne ud over eksakte matches?
  • Indeholder platformen en TM-optimeringsagent, der proaktivt forbedrer TM-kvaliteten ved at identificere og godkende matches af høj kvalitet og markere poster af lav kvalitet eller inkonsistente resultater?
  • Forhindrer platformen, at ikke-godkendte maskinoversættelser skrives til TM, hvilket beskytter kvaliteten af ressourcebasen?
  • Gemmes godkendte oversættelser automatisk i TM efter menneskelig gennemgang, så hvert gennemgået job bidrager til kvaliteten af fremtidige job?
 
Kvalitetsestimering og -måling
  • Inkluderer platformen estimering af sprogkvalitet for at forudsige MT-outputkvaliteten før menneskelig gennemgang, og generere data om hvilke indholdstyper og sprogpar der producerer estimater af lav kvalitet?
  • Understøtter platformen MQM-baseret kvalitetsmåling med trendrapportering, så forbedringen af MT-kvaliteten er synlig over tid snarere end vurderet gennem periodisk subjektiv gennemgang?
  • Kan kvalitetsdata segmenteres efter sprogpar, indholdstype, søgemaskine og arbejdsgang, så forbedringsindsatsen kan målrettes i stedet for at blive anvendt ensartet?
 
Motor- og ruteoptimering
  • Indeholder platformen automatiseret motorrouting, der vælger den bedst ydende MT-motor eller LLM for hvert sprogpar og indholdstype, hvilket forbedrer førstegangskvaliteten uden manuel konfiguration?
  • Opdateres rutesystemet, når motorens ydeevne ændres, så rutebeslutninger forbedres over tid i stedet for at forblive statiske?

Hvordan Smartling driver forbedringer af MT over tid

Smartlings tilgang til forbedring af MT er bygget op omkring sammensat infrastruktur: hvert element i platformen bidrager løbende til kvalitetsforbedring, og forbedringen accelererer over tid, efterhånden som programmet modnes.

1.
AI adaptiv oversættelseshukommelse øger gearingen i takt med at TM vokser. Smartlings AI-adaptive oversættelseshukommelse optimerer automatisk tilgængelige TM-matches med scorer mellem 50 procent og 99,9 procent. Efterhånden som TM'et vokser med godkendte oversættelser, drager mere indhold fordel af AI-optimeret TM-udnyttelse, hvilket reducerer mængden af sendt til fuld MT og forbedrer ensartetheden på tværs af programmet.
2.
TM-optimeringsagenten opretholder TM-kvaliteten proaktivt. Smartlings TM-optimeringsagent identificerer TM-matches af høj kvalitet til automatisk godkendelse og markerer inkonsistente eller forældede poster til gennemgang. Dette bevarer TM'en som et aktiv af høj kvalitet i stedet for et akkumulerende arkiv af oversættelser af blandet kvalitet.
3.
Machine Created TM til AIT øger udnyttelsen yderligere. For programmer, der bruger Smartlings AI Translation (AIT)-arbejdsgang, tillader Machine Created Translation Memory AI-genererede oversættelser af høj kvalitet, der opfylder tærsklen for et 100 procent match efter AI Adaptive Translation Memory-optimering, at blive gemt til SmartMatch og TM Match Insertion i fremtidige AIT-arbejdsgange, hvilket udvider den sammensatte fordel ved TM til AI-genereret indhold.
4.
Estimering af sprogkvalitet sender indhold af lav kvalitet til gennemgang. Smartlings agent til estimering af sprogkvalitet forudsiger oversættelseskvaliteten før menneskelig gennemgang og dirigerer strenge af lav kvalitet til yderligere opmærksomhed. Over tid identificerer kvalitetsestimeringsdata, hvor MT-programmet har systematiske svagheder, hvilket giver lokaliseringsteams handlingsrettede signaler til målrettet forbedring.
5.
Auto Select dirigerer til den bedste motor, efterhånden som ydeevnedata akkumuleres. Smartlings Auto Select sender automatisk hver streng til den bedst egnede motor fra en pulje af mere end 20 LLM'er og MT-motorer. Efterhånden som ydeevnedata akkumuleres på tværs af sprogpar og indholdstyper, forbedres routingbeslutninger, og førstegangskvaliteten stiger uden manuel omkonfiguration.
6.
LQA Suite måler kvalitetsforbedring med MQM-scoring. Smartlings LQA Suite leverer MQM-baseret kvalitetsmåling med trendrapportering på tværs af programmet. Lokaliseringsteams kan se, hvor MT-kvaliteten forbedres, og hvor den ikke gør, hvilket gør kvalitetsforbedringen synlig, målbar og handlingsrettet i stedet for antaget.

Relaterede spørgsmål

Klar til at se, hvordan Smartling forbedrer MT over tid?

Smartlings AI adaptive oversættelseshukommelse, TM-optimeringsagent, sprogkvalitetsestimering og LQA-suite med MQM-måling arbejder sammen om at opbygge et oversættelsesprogram, der forbedrer kvaliteten i hvert job. Se, hvordan virksomhedsteams bygger MT-infrastruktur, der bliver bedre over tid.

Se platformen