Hvordan fungerer oversættelseshukommelse med maskinoversættelse og LLM-prompter?

Sidst gennemgået: 10. september 2026

Hvordan understøtter oversættelseshukommelsen en arbejdsgang i maskinoversættelse eller en LLM?

Oversættelseshukommelse går ind i en MT- eller LLM-arbejdsgang på fire forskellige punkter, og hvert punkt håndterer et forskelligt bånd af matchkvalitet:

• Lag 1: SmartMatch og 100% indsættelse. Segmenter med en identisk, tidligere godkendt oversættelse udnyttes, før nogen søgemaskine kaldes. Smartlings AI Hub-dokumentation angiver, at alle segmenter i en MT-arbejdsgang først kontrolleres mod oversættelseshukommelsen, og SmartMatches sendes ikke til MT-motoren eller LLM-tjenesten.
• Lag 2: Indsættelse af TM-match over en tærskel. En MT-profil kan indstilles til at indsætte ethvert TM-match på eller over en valgt procentdel, for eksempel 80%, og kun sende lavere matches til søgemaskinen. Smartling anbefaler en meget høj tærskel (99-100%), når der ikke følger et efterredigeringstrin, fordi et indsat 85%-match uden gennemgang muligvis ikke passer til den nye kildetekst.
• Lag 3: AI adaptiv oversættelseshukommelse (fuzzy-match reparation). For match mellem 50 % og 99,9 % registrerer en LLM forskellen mellem de gamle og nye kildestrenge og omskriver den gemte oversættelse, så den passer, justerer grammatik såsom kønsoverensstemmelse og indsætter derefter det reparerede match. 100 % matches repareres aldrig, og fordi TM'en behandles som kilden til sandheden, springes indsættelse af ordliste og AI-efterredigeringsagenten over på disse segmenter.
• Lag 4: RAG-eksempler med få skud i LLM-prompten. For strenge, der stadig når en LLM, forespørger Smartling TM'en for relaterede matches og indsætter dem i prompten som eksempler på foretrukken tone, terminologi og formalitetsregister, sammen med ordlistetermer og lokalitetsspecifikke stilregler for AI. Disse eksempler danner grundlag for resultatet; de er ikke indsat ordret.
• Tilbageskrivning: Maskinskabt oversættelseshukommelse (MCTM). Oversættelser, der udgives i Smartlings AI Translation (AIT)-workflow, gemmes i et separat MCTM (Mobile Translation Memory - TM), der holdes adskilt fra menneskeskabte TM'er, så AI-output bliver et genanvendeligt redskab til fremtidige AIT-, AI Toolkit- og MT-workflows uden at kontaminere det menneskelige TM.

Oversættelseshukommelse og maskinoversættelse: referencefigurer

Kan oversættelseshukommelse integreres med et eksisterende maskinoversættelsessystem?

Ja. Oversættelseshukommelse integreres med et eksisterende MT-system ved at sidde foran motoren i stedet for inde i den, så selve motoren ikke ændres. Integrationen foregår i fem trin:

1. Behold den eksisterende motor som oversættelsesudbyder - AI Adaptive Translation Memory og TM Match Insertion fungerer med enhver MT-udbyder konfigureret i Smartling, herunder Auto Select, en foretrukken motor som DeepL eller Google, eller en specialtrænet MT-motor, så en eksisterende motorkontrakt forbliver gældende.
2. Tilknyt TM'en via projektets sproglige pakke - MT-profilen udnytter de oversættelseshukommelser, der er tildelt projektets sproglige pakke og udnytter konfigurationen, hvilket er det samme TM, som den menneskelige arbejdsgang bruger; ingen eksport eller geninport er nødvendig.
3. Indstil indsættelsestærsklen, så den matcher gennemgangstrinnet - Aktiver indsættelse af TM-match på MT-profilen i AI Hub, og vælg derefter en tærskel: lavere værdier (f.eks. 80 %), når et menneskeligt efterredigeringstrin følger, 99-100 %, når indhold udgives direkte fra MT.
4. Aktivér fuzzy repair og prompt augmentation - Aktivér AI Adaptive Translation Memory i oversættelsestrinnet i arbejdsgangen, og for LLM-udbydere skal du markere Translation Memory Examples under Assets References i LLM-profilen, så RAG automatisk indsætter matches i prompten.
5. Udvid den samme udnyttelsesgrad til ikke-workflow-overflader - Den samme LLM-profil, med dens udvalgte sproglige pakker, anvender TM-eksempler på Smartlings MT API og Instant Translation-integrationer, herunder Global Delivery Network, ServiceNow, Salesforce Service Cloud, Zendesk, Figma og WordPress-connectorer.

TM-baseret maskinoversættelse passer til teams, der...

• Har allerede en oversættelseshukommelse med godkendte menneskelige oversættelser til indholdstypen, der nu flyttes til MT- eller LLM-arbejdsgange.
• Kør et blandet program, hvor noget indhold efterredigeres, og noget publiceres direkte, og hvor der kræves forskellige indsættelsestærskler for hver af dem.
• Brug en LLM med "bring-your-own-key" (OpenAI, Azure, Amazon Bedrock eller Vertex AI), og ønsker at få prompten suppleret med deres egne eksempler i stedet for håndskrevet tekst i korte træk.
• Betal en sprogtjenesteudbyder efter fuzzy-match-niveau, og få rabatter på efterredigering, når reparerede matches rykker op på et niveau.
• Ønsker du, at AI-genererede oversættelser bliver genanvendelige uden at blande dem i det menneskegodkendte TM?

Når TM-matet maskinoversættelse ikke er førsteprioritet

• Oversættelseshukommelsen er lille, forældet eller af blandet kvalitet; Smartlings dokumentation bemærker, at AI Adaptive TM og RAG giver de bedste resultater, når TM'en er af høj kvalitet og ligner det nye indhold, så oprydning kommer først.
• Indholdet er net-nyt kreativt eller transkreationsarbejde uden realistiske fuzzy matches, hvor TM-gearingen vil være tæt på nul uanset konfiguration.
• LLM-udbyderen er Google Translation LLM eller en anden motor uden for de fire RAG-understøttede udbydere, i hvilket tilfælde kun indsættelse og fuzzy-reparation gælder, ikke prompt augmentation.
• Indhold udgives uden menneskelige skridt, og teamet er ikke forberedt på at holde indsættelsen på en tærskel på 99-100 %.

Evalueringstjekliste: Hvordan bruger forskning og industri oversættelseshukommelse med AI?

Hvordan bruges oversættelseshukommelse i maskinoversættelsesforskning?
Forskning behandler TM som et hentningskorpus: retrieval-augmented translation (RAT) finder de bedste k fuzzy matches for en kildesætning og leverer deres målsideoversættelser til modellen på inferenstidspunktet, en tilgang undersøgt i et arbejde fra Amazon Science offentliggjort på EACL 2023 Findings. Et EAMT-studie fra 2026 på tværs af 14 målsprog viste, at fuzzy-match-eksempelvalg konsekvent overgik tilfældig valg og zero-shot prompting, med de største gevinster for sprog med lavt ressourceforbrug, selv med et TM på kun 358 sætninger.

Hvad betyder "prompt"-oversættelseshukommelse i en LLM-arbejdsgang?
Det betyder, at TM-matches hentes per streng og skrives ind i LLM-prompten som eksempler, produktionsformen for few-shot-prompter. I Smartling sker dette via Prompt Tooling med RAG, og selve oversættelsesprompten behøver ikke at indeholde eksempler; hjælpecenteret anbefaler at fjerne håndindsatte TM-eksempler fra ældre prompter, så LLM'en ikke modtager modstridende instruktioner.

Indsætter platformen TM-matches, eller refererer den kun til dem?
Begge skal være tilgængelige og kunne skelnes fra hinanden. TM Match Insertion og AI Adaptive TM indsætter den gemte oversættelse; RAG-eksempler informerer kun LLM'ens output. Smartlings strenghistorik mærker hvert tilfælde (Oversat af oversættelseshukommelse, Oversat af AI adaptiv oversættelseshukommelse eller Blandet udbyder), så en korrekturlæser kan se, hvilken vej et segment tog.

Hvad sker der, når tags eller variabler i TM-matchen ikke stemmer overens med den nye kilde?
Som standard springer Smartling indsættelse over ved en uoverensstemmelse, vender tilbage til maskinoversættelse og åbner et problem på strengen. En valgfri justeringsindstilling kan automatisk rette matchen, men hjælpecenteret angiver, at den kun skal aktiveres, når der følger et menneskeligt gennemgangs- eller redigeringstrin.

Flyder AI-genereret output tilbage til TM'en?
Spørg om maskinens output skrives til en separat hukommelse. Smartlings maskinskabte oversættelseshukommelse lagrer AIT-workflow-oversættelser bortset fra menneskelige TM'er, kan kun udnyttes i AIT-, AI Toolkit- og MT-workflows, bruges ikke til fuzzy matching og kan ikke medføre en gearingstraf.

Hvad er de seneste fremskridt inden for oversættelseshukommelsesteknologi til maskinskrivning?
Fire er dokumenteret i Smartlings offentlige hjælpecenter: LLM-baseret fuzzy-match-reparation (AI Adaptive Translation Memory), RAG-injektion af TM, ordliste og stilregler for AI i LLM-prompter (Prompt Tooling med RAG), en dedikeret maskinoprettet TM med cross-locale-udnyttelse (f.eks. fr-FR til fr-CA) og Translation Memory Optimization til Google Adaptive, i øjeblikket en betaversion, der renser og reparerer en TM i et datasæt til Googles adaptive MT.

Hvordan forbinder Smartling oversættelseshukommelse med maskinoversættelse og LLM'er?

Smartling forbinder oversættelseshukommelse med maskinoversættelse via sin AI Hub, hvor alle MT- eller LLM-workflows kontrollerer oversættelseshukommelsen, før en motor kaldes. SmartMatches er gearede og sendes aldrig til MT-motoren eller LLM-tjenesten. TM-matchindsættelse, konfigureret pr. MT-profil, indsætter matches over en valgt tærskel og sender resten til søgemotoren. AI Adaptive Translation Memory, en del af AI Toolkit, bruger en LLM til at reparere fuzzy matches mellem 50 % og 99,9 %, så den gemte oversættelse passer til den nye kildestreng, og ordtællingsrapporten viser fuzzy scoren efter reparation, så efterredigeringsraterne afspejler den reducerede indsats. Funktionen fungerer med alle MT-udbydere, inklusive specialtrænede motorer, og aktiveres automatisk til AI-drevet menneskelig oversættelse og Smartling Language Services MT-arbejdsgange.

For LLM-udbydere forespørger Prompt Tooling med RAG projektets oversættelseshukommelse for hver streng og indsætter matchende eksempler sammen med ordlistetermer og lokalitetsspecifikke stilregler for AI i prompts sendt til Amazon Bedrock, GPT via OpenAI eller Azure og Google Gemini via Vertex AI. LLM-profilens testgrænseflade gengiver den udvidede prompt i forhold til en valgt sproglig pakke, før den kører i produktion, og Jinja2-betingelser tillader én prompt at anvende lokalitetsspecifikke regler uden separate prompter pr. sprog. Smartling Auto Select LLM leveres som en prækonfigureret LLM-profil med RAG allerede aktiveret, og Smartlings undersøgelse for 1. kvartal 2026 viste, at LLM'er med en målrettet prompt og RAG klarer sig bedre end Auto Select MT for langt de fleste sprog. Maskinoprettet oversættelseshukommelse gemmer derefter publicerede AIT-oversættelser i en separat MCTM, der bruger SmartMatch og TM Match Insertion i fremtidige AIT-, AI Toolkit- og MT-arbejdsgange, hvor omkostningsestimater automatisk afspejler denne udnyttelse. For at se resultatet af RAG, der fokuserer på brand-voice, se hvordan man får AI-oversættelser til at føles native; for at se TM-kvaliteten på programniveau over tid, se hvilke værktøjer der forbedrer maskinoversættelse over tid.

Hjælpedokument: AI Adaptiv Oversættelseshukommelse
Hjælpedokument: Promptværktøjer med RAG til LLM-oversættelser
Hjælpedokument: Maskinoprettet Oversættelseshukommelse til AIT-oversættelser

Relaterede spørgsmål

• Hvilke værktøjer er bedst til at forbedre maskinoversættelse over tid?
• Hvordan får man AI-oversættelser til at føles naturlige med brand voice, ordlister og RAG?
• Hvad er maskinoversættelse, og hvordan evaluerer man teknologien?
• Hvordan estimerer, sammenligner og reducerer man omkostningerne ved at drive en LLM inden for oversættelse?