Reality-serien, afsnit 6: Har LLM'er mestret kunsten at oversætte?

LLM'er har forårsaget et stort skift i oversættelsesområdet. I denne episode sigter vi mod at afmystificere fordelene og ulemperne ved at anvende LLM'er i lokalisering. Vi tilbyder indsigt i at træffe informerede beslutninger om brugen af LLM'er i oversættelses-/lokaliseringsprocessen og udforsker LLM'ers sproglige muligheder.

Denne diskussion ledes af Mei Zheng og Valerie Dehant.

Mytesprængning: Har LLM'er mestret kunsten at oversætte?

I afsnit seks af Smartlings 'Reality Series' tacklede Mei Zheng, Senior Data Scientist, og Valérie Dehant, Senior Director of Language Services, nogle få almindelige myter relateret til LLM'er og Machine Translation (MT), og om store sprogmodeller (LLM'er) virkelig har mestret kunsten at oversætte.

Afliver nogle myter om LLM'er og oversættelse

Myte #1: LLM'er er bedre end maskinoversættelse

Den første myte var, om LLM'er overgår MT i oversættelsesområdet. Med sin indsigt afviste Mei myten og hævdede, at selvom LLM'er har en prisværdig generel sprogforståelse, er deres færdigheder ikke specielt skabt til oversættelse. De vil ikke overgå MT-systemer (ihvertfald på nuværende tidspunkt), men de tilføjer værdi til oversættelser ved at bidrage til grammatisk præcision og forbedre sprogets flydende sprog.

Myte #2: LLM'er kan oversætte alle sprogpar

Den anden myte udfordrede LLM'ers altomfattende evner, idet den mente, at de kan oversætte på tværs af alle sprogpar. Stærkt i modstrid med denne tro påpegede Mei, at flertallet af LLM'er er begrænsede i deres flersprogede evner. Mei understregede specifikt vigtigheden af at undersøge modelkort, et værktøj til gennemsigtighed i store sprog- og maskinlæringsmodeller for at hjælpe med at forstå, hvilke sprog det understøtter, og for at teste dem til specifikke oversættelsesbrug.

Myte #3: LLM'er kan erstatte mennesker

Til sidst behandlede sessionen den almindelige påstand om, at lingvister kunne erstattes af LLM'er. Mens han understregede LLM'ernes styrker, tegnede Valérie et klart billede af, hvorfor menneskelige lingvister forbliver uundværlige. LLM'er kan, selv med deres mønstergenkendelsesevner, overse nuancer, som bevidst skelnes af menneskelige lingvister. LLM'er har også en tendens til at hallucinere information – giver 'oversættelser' til sætninger, der ikke findes i kildeteksten!

Efterhånden som lingvisternes roller udvikler sig sammen med generativ AI, forvandles de til co-piloter, der overvåger og evaluerer kvaliteten af MT-forslag. Menneskelige lingvisters ekspertise er fortsat afgørende for at opretholde kvaliteten og nøjagtigheden af oversættelser.

Et yderligere kig på LLM'er og oversættelse

Mens vi afklarer myterne og realiteterne omkring LLM'er, dykkede vores foredragsholdere dybere ned i den aktuelle dynamik i oversættelse i æraen med LLM'er og MT-systemer. Mei udtalte endvidere, at udfordringen med at evaluere oversættelseskvalitet går ud over flydende, og involverer kompleksiteter som HT (resultaterne efter menneskelig redigering) og semantisk lighed. Udfordringen med at LLM'er leverer ukorrekte oversættelser på grund af flere betydninger på målsproget blev også fremhævet.

Som illustration af den lysere side af kunstig intelligens forklarede Valérie, hvordan sproglige teams med øget effektivitet kan oversætte mere indhold inden for samme tidsramme uden at skulle øge arbejdskraften. Da han blev spurgt om uddannelse af LLM'er, talte Mei om finjusteringsproceduren, der involverer tilpasning af det øverste lag af modellen, mens de grundlæggende parametre holdes uændrede. Dataforberedelsen til LLM'er stemmer stort set overens med MT, men LLM'er kan kræve specifikke anvisninger for at skræddersy oversættelser bedre.

Da Mei sammenlignede LLM-oversættelser med professionelle, bekræftede Mei, at på trods af alle fremskridt, er der fortsat behov for menneskelig input. Industrien er aktivt ved at finde ud af, hvilke dele der kræver menneskelig indgriben, og hvilke der ikke gør.

Dommen

Episode 6 konkluderede, at selvom AI og LLM'er har haft en betydelig indvirkning på oversættelsen, er menneskelig indgriben uundværlig for at sikre kvalitet og nøjagtighed i oversættelser. Menneskelig oversættelse er kommet for at blive i en overskuelig fremtid. Mens LLM'er gør fremskridt, har de endnu ikke indtaget tronen inden for oversættelsesområdet. De spiller imidlertid en afgørende komplementær rolle i at forstærke oversættelsesmulighederne og forme fremtiden for denne industri. I sidste ende kan maskinoversættelse og store sprogmodeller supplere hinanden for at levere forbedrede oversættelsestjenester. Men husk, den menneskelige berøring forbliver uerstattelig.