In den letzten Jahrzehnten hat sich die moderne maschinelle Übersetzung immer weiter verbessert. Von ihren Anfängen in den 1940er Jahren bis hin zu modernen Verbesserungen hat die maschinelle Übersetzung viele Veränderungen durchlaufen. Mit jeder Verbesserung kommen immer wieder Fragen über ihre Fähigkeiten auf.
In unserem kürzlichen Webinar The Future of Machine Translation (Die Zukunft der maschinellen Übersetzung) sprach Lilt-CEO Spence Green über den Hintergrund der maschinellen Übersetzung, den derzeitigen Stand der Technik und darüber, welche neuen Entwicklungen und Verbesserungen wir in Zukunft erwarten können.
Die Zukunft der MT ist nicht so fest definiert, wie es erscheinen mag. Die menschliche Einbindung ist von entscheidender Bedeutung. Wir bei Lilt wissen, wie wichtig Übersetzer sind, und haben unser Ökosystem so entwickelt, dass sie mit den nötigen Hilfsmitteln ausgestattet werden, um effizienter denn je arbeiten zu können. Schließlich gibt es einen Grund dafür, dass mehr als 70 % der Übersetzer lieber mit einem System arbeiten, das ihre Fähigkeiten erweitert, statt maschinell übersetzte Inhalte einfach zu bearbeiten.
Spence machte zuerst einen Schritt zurück und beleuchtete die Geschichte der maschinellen Übersetzung und wie wir zum aktuellen Punkt gekommen sind. MT-Forschung begann in den 1940er Jahren, auch wenn MT damals nicht das war, was Sie glauben. Anfangs konzentrierte sich die Forschung auf das Verfassen linguistischer Regeln, wie eine Sprache in eine andere übersetzt werden sollte. Die Ergebnisse erwiesen sich zwar als relativ gut (je nach linguistischer Darstellung), doch gibt es zu viele Sätze auf der ganzen Welt, als dass dieser manuelle Prozess machbar wäre.
Die 1980er Jahre brachten mehr Computerleistung und IBM begann mit der Entwicklung von Systemen, die aus zweisprachigen Dateninputs Regeln erlernen konnten. Der nächste MT-Schritt waren phrasenbasierte Systeme: Statt Wort-für-Wort-Übersetzungen handelte es sich dabei um Textteile, die in Textteile übertragen wurden. Heutzutage kommen neuronale Netzwerke zum Einsatz, die mehr Parameter einsetzen können, um Daten zu übersetzen.
Die Qualität der MT-Rohübersetzungen hat sich im Laufe der Jahre stark verbessert. Für Unternehmen bedeutet Roh-Output aber nicht unbedingt Qualität. Google Translate beispielsweise ist schnell und kostengünstig, der Output ist aber von niedrigerer Qualität. Es wird oft in Situationen eingesetzt, in denen Geschwindigkeit und Kosten die Haupterwägungen sind und Qualität nicht so wichtig ist, wie z. B. wenn ein Unternehmen enorme und stetig zunehmende Mengen an benutzergenerierten Inhalten übersetzen muss. Airbnb-Benutzer erwarten nicht, dass die Übersetzungen bei einem Beitrag zu einem Immobilienangebot perfekt sind. Der Ausgangstext ist oft ebenfalls nicht perfekt, daher können Systeme mit rohem MT-Output wie Google Translate akzeptabel sein.
Der Workflow maschinelle Übersetzung plus Post-Editing: Inhalte werden maschinell übersetzt und dann von einem Übersetzer bearbeitet.
Das funktioniert für professionellere Inhalte wie Finanzdokumentation, Produktinformationen, Rechtstexte usw. aber immer noch nicht so gut. MT plus Post-Editing (MTPE) fügt einen menschlichen Lektorat-Schritt hinzu, nachdem das MT-System die Übersetzungen erstellt hat. Dies mag zwar relativ kostengünstig sein, ist aber ein viel langsamerer Prozess als bei Roh-MT-Output, und die Qualität kann darunter immer noch leiden. Darüber hinaus ist MTPE ein Prozess, den Übersetzer überhaupt nicht mögen, weil die Arbeit nicht erfüllend ist.
Dies wird durch Forschung zu diesem Thema bestätigt. In einer Studie von CSA Research gaben 89 % der Übersetzer an, lieber zu übersetzen als Roh-MT-Output zu bearbeiten. Und während MTPE annehmbare Qualität bieten kann, klingen die Übersetzungen doch oft wörtlicher, weil die Basisübersetzung weiterhin von einer Maschine erstellt wird. Und weil Menschen den Roh-Output bearbeiten, gibt es keine MT-Effizienzvorteile, die Übersetzern zugutekommen, weil die MT-Modelle sich nicht mit der Zeit mit den Eingaben des Übersetzers verbessern, sondern nur, wenn die Modelle manuell neu trainiert werden.
Wenn nicht MTPE, wie sieht dann die Zukunft der maschinellen Übersetzung aus? Wir bei Lilt sind der festen Überzeugung, dass KI menschliche Übersetzer ergänzen und nicht ersetzen wird. Maschinen sind zwar großartig bei der Automatisierung sich wiederholender Aufgaben, doch können sie mit komplexen nicht annähernd so gut umgehen. Bei komplexen Aufgaben, die Schlussfolgerungen und Überlegungen, Kontext und die Integration von Informationen aus vielen verschiedenen Informationsquellen erfordern, sind Menschen am besten, und hier ist die Kluft zwischen menschlichem Einfallsreichtum und maschinellen Fähigkeiten am deutlichsten.
Der Fokus verschiebt sich bereits und wird sich weiter hin zu „Human-in-the-Loop“-KI verschieben, einem System, bei dem die Mensch-Maschine-Feedbackschleife hilft, den Output im Laufe der Zeit zu verbessern. Es gibt bereits viele Beispiele für Human-in-the-Loop-KI-Systeme, von der Automobilindustrie über Luft- und Raumfahrt bis hin zur Medizin.
Die adaptive maschinelle Übersetzung von Lilt bietet menschliches Feedback, um Systeme zu trainieren und zu aktualisieren.
Diese Abbildung zeigt das Übersetzungssystem. Das Modell wird zunächst mit Baseline- und Kundenübersetzungsdaten trainiert. Wenn die Engine Übersetzungsvorschläge liefert, kann der menschliche Übersetzer sie prüfen und sofortiges Feedback beisteuern. Mit diesem Feedback wird die Engine dann für zukünftige Übersetzungsvorschläge aktualisiert usw.
Das Ergebnis? Zukünftige Antworten sind auf Basis eines ständig aktualisierten Modells genauer, was Übersetzern Effizienzverbesserungen sowohl hinsichtlich Qualität als auch Geschwindigkeit bietet. Der gleichen CSA Research-Studie zufolge ziehen es 71 % der Übersetzer vor, mit einem adaptiven MT-System wie Lilt zu arbeiten, anstatt Roh-MT-Output bearbeiten zu müssen.
Falls Sie mehr über die Zukunft der maschinellen Übersetzung, Übersetzungsdienste und darüber erfahren möchten, wie Human-in-the-Loop-KI sich bereits auf Systeme auf der ganzen Welt auswirkt, sehen Sie sich das On-Demand-Webinar hier an. Erhalten Sie mehr Einblicke von Spence und informieren Sie sich darüber, wie Sie Ihr Unternehmen mit der passenden adaptiven MT-Lösung für die Zukunft aufstellen können.