Grundlagen der maschinellen Übersetzung: NMT, LLM, Engine-Auswahl und Vorbewertung

Gewinne:

• Fähigkeit, die Stärken und Schwächen von NMT- und LLM-basierten Übersetzungen zu unterscheiden und je nach Geschäftstyp die richtige Engine auszuwählen
• Möglichkeit, die Eignung eines Textes für die Maschine vorab zu klassifizieren und ihn im Hinblick auf realistischen Zeit- und Kostenaufwand vorab zu bewerten
• Möglichkeit, die Qualität der Rohmaschinenleistung schnell in fünf Dimensionen zu messen und Risiken zu kennzeichnen, ohne Glätte mit Genauigkeit zu verwechseln

Der stärkste Beschleuniger, den Sie als Übersetzer haben, ist die maschinelle Übersetzung (MT) – aber ein Werkzeug bewusst zu nutzen bedeutet, es für den richtigen Job, in der richtigen Sprachpaarung und mit den richtigen Erwartungen einzusetzen. In dieser Einheit lernen Sie die beiden großen MT-Familien (NMT- und LLM-basierte Übersetzung) kennen, erfahren, welche für welchen Auftrag besser geeignet ist, wie Sie die Rohausgabequalität einer Übersetzung vor der Auslieferung schnell messen und wie Sie die Engine entsprechend dem Auftrag auswählen. Ziel ist es, sich von der Idee „Alles ist egal, einfügen-übersetzen“ zu lösen und ein Experte zu werden, der vorhersehen kann, welcher Text für die Maschine geeignet ist und welcher menschenintensive Arbeit erfordert.

Zwei Familien: NMT- und LLM-basierte Übersetzung

NMT (Neural Machine Translation) sind Systeme, die aus Millionen zweisprachiger Sätze gelernt haben und den Satz als Ganzes übersetzen; Beispiele hierfür sind Google Translate, DeepL und Microsoft Translator. Stärken: sehr schnell, konsequent, fließend in kurzen Sätzen. Schwäche: erkennt oft keinen Kontext über die Satzgrenze hinaus (Bedeutung des gesamten Textes); Es kann schwierig sein, anhand des Absatzes zu entscheiden, ob das Wort „Bank“ Ufer oder Flussufer bedeutet, und es passt nicht in die Liste der bereitgestellten Begriffe.

Unter LLM-basierter Übersetzung (Large Language Model) versteht man die Verwendung anweisungsgesteuerter Modelle wie ChatGPT, Claude, Gemini für die Übersetzung. Stärke: Nimmt Anweisungen an – versteht Anweisungen wie „Verwenden Sie einen formellen Ton“, „Befolgen Sie diese Begriffsliste“, „Zielgruppe sind Kinder“; sieht den größeren Kontext; Fängt Redewendung und Tonfall besser ein. Schwäche: kann manchmal „zu kreativ“ sein und die Quelle ergänzen (Gefahr von Halluzinationen), verliert bei langen Texten an Kohärenz und Kosten/Geschwindigkeit variieren je nach Auftrag.

Faustregel: Bei einfachen, sich wiederholenden technischen Texten ist NMT normalerweise schnell und ausreichend; LLM ist flexibler bei Texten, die Disziplin in Ton, Kontext, Wortschatz und Unterricht erfordern. Die meisten Profis verwenden heutzutage beides zusammen: Schnellentwurf von NMT, Ton-/Begriffskorrektur von LLM.

Tipp: Die Maschinenqualität eines Sprachpaares (z. B. Türkisch→Englisch) kann von der Gegenrichtung (Englisch→Türkisch) abweichen. Sprachen mit agglutinativer, flexibler Syntax, wie zum Beispiel Türkisch, stellen für MT im Allgemeinen eine größere Herausforderung dar. Beurteilen Sie anhand einiger Beispieltexte selbst, welcher Motor in Ihrem eigenen Paar besser ist.

Maschinenkompatibilität von Text: Fragen Sie dies zuerst

Nicht jeder Text ist gleichermaßen für die Maschine geeignet. Bevor Sie mit der Übersetzung beginnen, durchlaufen Sie den Text durch einen „Eignungs“-Filter:

• Gut auf die Maschine abgestimmt: technisches Handbuch, Produktbeschreibung, sich wiederholender Schnittstellentext, Standardkorrespondenz, Tabelle/Liste. Die Sprache ist klar, die Terminologie ist festgelegt, Kreativität ist Mangelware.
• Geeignetes Medium: Nachrichten, Unternehmensinhalte, Lehrmaterial. Die Maschine erzeugt gute Konturen, erfordert jedoch eine gründliche Nachbearbeitung für Ton und Fluss.
• Nicht für Maschinen geeignet (hohes Risiko): Rechtsvertrag, medizinischer Text, Werbung/Slogan, literarischer Text, Humor, Poesie. Hier liefert die Maschine nur Ideen; Der Job fällt größtenteils den Menschen zu.

Wenn Sie diese Unterscheidung von Anfang an treffen, geben Sie dem Kunden sowohl den richtigen Zeitpunkt/Preis als auch davor, blind auf die Rohergebnisse zu vertrauen.

Messen Sie schnell die Qualität der Rohausgabe

Wenn Sie eine MT-Ausgabe sehen, fragen Sie sich: „Ist sie gut oder schlecht?“ Beantworten Sie die Frage mit einer kurzen Checkliste, nicht mit Ihrer Intuition. Schauen Sie sich diese fünf Dimensionen an: Genauigkeit (entspricht die Bedeutung der Quelle?), Vollständigkeit (wird der Satz weggelassen oder hinzugefügt?), Terminologie (ist er korrekt und konsistent?), Geläufigkeit (ist er in der Zielsprache natürlich?), Format (werden Tags, Zahlen und Formatierungen beibehalten?). Diese Dimensionen werden wir in der nächsten Qualitätseinheit vertiefen; Lassen Sie es vorerst Ihr Reflex vor der Lieferung sein.

Achtung: Die gefährlichsten Fehler bei der MT-Ausgabe sind die „flüssigen, aber falschen“ Fehler. Der Satz ist möglicherweise in perfektem Türkisch, aber der „15 % Rabatt“ in der Quelle wurde möglicherweise in „50 % Rabatt“ geändert. Lassen Sie sich nicht von fließenden Sprachkenntnissen abschrecken; Betrachten Sie Zahl, Negativ und Eigenname immer getrennt.

drei Mini-Koffer

Fall 1 – Der richtige Motor halbierte die Zeit. Ein Übersetzer entschied sich dafür, eine 12.000 Wörter umfassende Softwareschnittstelle mit NMT und eine Marketingbroschüre im gleichen Umfang mit LLM zu übersetzen. Die Konsistenz von NMT an der Schnittstelle beschleunigte die Arbeit; Die klangliche Flexibilität von LLM im Booklet reduzierte den Aufwand für das Umschreiben um 40 %. Beide Aufgaben derselben Engine zu übertragen, würde Zeit verschwenden.

Fall 2 – Vorabbewertung hat den Preis gerettet. Ein Büro wollte einen Gesetzestext anbieten, weil „er maschinell erstellt werden kann und billig ist“. In der Vorbewertung wurde eine Stichprobe von 500 Wörtern übersetzt; Die Maschine hat zwei juristische Begriffe mit der falschen Systementsprechung zurückgegeben. Das Büro bewertete die Arbeit als „aufwändiges Post-Editing“ und nannte eine realistische Frist; Er vermied es, durch das falsche Angebot Geld zu verlieren.

Fall 3 – Sprachpaarunterschied. Ein Team war der Meinung, dass eine Engine, die in Englisch→Deutsch hervorragend funktionierte, auch in Türkisch→Arabisch von der gleichen Qualität war. Der 300-Wörter-Test zeigte, dass die arabische Ausgabe viel mehr Korrekturen erforderte. Das Team wies je nach Sprachpaar unterschiedliche Engines und unterschiedliche Post-Editing-Budgets zu.

Vier kopierbare Vorlagen

1) Bewertung der Texteignung:

Ihre Rolle: Senior MTPE-Spezialist. Bewerten Sie den folgenden Text hinsichtlich seiner Eignung für die maschinelle Übersetzung: wörtlich/technisch oder kreativ/kontextbezogen? Klassifizieren Sie es als (1) sehr maschinenfreundlich, (2) mittel, (3) risikoreich und begründen Sie es. Schätzen Sie die erwartete Nachbearbeitungslast als leicht/mittel/schwer ein. Textbeispiel: [200–300 Wörter einfügen]

2) Angeleitete LLM-Übersetzung (mit Terminologie und Tonkontrolle):

Übersetzen Sie diesen Text [Quelle]→[Ziel].Zielgruppe: [wer]. Ton: [z.B. offiziell]. Feld: [z.B. Finanzen].Liste der Begriffe (unbedingt verwenden): [A→a, B→b].Regeln: Nichts hinzufügen, was nicht in der Quelle steht, Zahlen/Daten/Namen beibehalten, jeden Satz durch einen Satz ersetzen. Markieren Sie mit [?], wo Sie sich nicht sicher sind. Text: [...]

3) Vergleich zweier Motoren:

Nachfolgend finden Sie zwei verschiedene Übersetzungen desselben Ausgangssatzes (A und B). Vergleichen Sie alle im Hinblick auf Korrektheit, Terminologie und Natürlichkeit und sagen Sie mir mit der Begründung, welche davon weniger Korrektur erfordert. Quelle: [...] | Übersetzung A: [...] | Übersetzung B: [...]

4) Schnelle Inspektion der Rohausgabe:

Nachfolgend finden Sie die Quelle und die maschinelle Übersetzung. Markieren Sie einfach Folgendes: (1) weggelassene/hinzugefügte Informationen, (2) falsche Nummer/Datum/Name, (3) Negationsfehler, (4) inkonsistenter Begriff. Schreiben Sie keine Korrekturen, sondern listen Sie nur die Risikobereiche auf.Quelle: [...] | Übersetzung: [...]

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwach: „Übersetze diesen Text und er wird gut.“ (Für den Motor ist „gut“ undefiniert; kein Ton, kein Begriff, keine Masse.)

Güçlü: „Übersetzen Sie diese Produktbeschreibung vom Englischen ins Türkische. Bereich: E-Commerce. Zielgruppe: junger Verbraucher. Ton: freundlich, aber beruhigend. ‚Kasse‘ → ‚Checkout-Schritt‘, ‚Wunschliste‘ → ‚Wunschliste‘. Ändern Sie die Nummern und den Markennamen. Fließendes Türkisch ohne Übersetzungsgeruch.“

Unterschied: Eine starke Eingabeaufforderung gibt der Engine ein messbares Ziel. Die Ausgabe entspricht direkt dem nachbearbeiteten Entwurf.

Vergleichstabelle NMT vs. LLM

Größe

NMT (Google, DeepL)

LLM (ChatGPT, Claude)

Geschwindigkeit

sehr schnell

mittel

Anweisungen/Ton erhalten

schwach

stark

Beachten Sie die Begriffsliste

begrenzt

Gut (mit Aufforderung)

Breiter Kontext

schwach

gut

Gefahr von Halluzinationen

niedrig

Mittel (Kontrolle erforderlich)

der am besten geeignete Job

Geradlinig/technisch/wiederholt

Ton/Kontext/kreativ

Häufige Fehler

• Für jeden Auftrag die gleiche Engine verwenden. Wenn der Motor nicht entsprechend der Art der Arbeit ausgewählt wird, führt dies zu Zeit- und Qualitätsverlusten.
• Preis-/Zeitangabe ohne Vorabbewertung. Ein 200-300-Wörter-Test enthüllt die Überraschungen von Anfang an.
• Geläufigkeit mit Genauigkeit verwechseln. Ein schöner Satz bedeutet nicht, dass es sich um einen richtigen Satz handelt.
• Ignorieren des Sprachpaar- und Richtungsunterschieds. Ein guter Motor in einem Paar kann in einem anderen schwach sein.
• Ich bemerke die Ergänzungen von LLM nicht. LLM fügt manchmal Sätze hinzu, die nicht in der Quelle enthalten sind, „um zu helfen“; Schauen Sie sich das an.

Kontextfenster und Konsistenz

Bei der Übersetzung langer Texte mit LLM ist es notwendig, eine technische Grenze zu kennen: das Kontextfenster – die Textmenge, die das Modell gleichzeitig „sehen“ und im Gedächtnis behalten kann. Wenn der Text größer als dieses Fenster ist, müssen Sie ihn in Abschnitte aufteilen, und das Modell „vergisst“ möglicherweise im nächsten Abschnitt die Begriffsentscheidung oder den Ton, den Sie in den vorherigen Abschnitten getroffen haben. Anstatt also ein langes Buch oder Dokument in einem Stück zu übersetzen, sorgt die Erinnerung an jeden Teil der Terminologiedatenbank und die Stilzusammenfassung für Konsistenz. Dieses Problem tritt bei kurzen Texten nicht auf; Allerdings ist es bei längeren Werken wie Romanen und Handbüchern erforderlich, zusätzlich die Konsistenz in Passagen zu prüfen. Praktische Lösung: Erstellen Sie ein „Projektgedächtnis“ (Begriffe + Zeichen + Tonentscheidungen), fügen Sie es am Anfang jedes Stücks ein und überprüfen Sie am Ende der Übersetzung die Konsistenz zwischen den Stücken. Bei NMT tritt dieses Problem auf andere Weise auf: Da NMT Satz für Satz übersetzt, ist die Konsistenz der Absatzlänge bereits schwach, sodass Termbase die Begriffsdisziplin übernimmt.

Zusammenfassend

Es gibt zwei Familien der maschinellen Übersetzung: NMT, das schnell und konsistent ist, und LLM, das Anweisungen entgegennimmt und Kontext und Ton besser erkennt. Der Meisterübersetzer bewertet vorab die Eignung des Textes für die Maschine, wählt die Engine je nach Auftrag aus, misst schnell die Qualität der Rohausgabe vor der Auslieferung und verwechselt niemals flüssige Sprachverständlichkeit mit Genauigkeit. Dieser Vorbewertungsreflex ermöglicht es Ihnen, einen realistischen Zeit-/Preisvorschlag anzugeben und sich gleichzeitig vor blindem Vertrauen zu schützen.

Anwendungsaufgabe

Übersetzen Sie denselben 200-Wörter-Text sowohl mit einem NMT-Tool als auch mit einem LLM. Vergleichen Sie die beiden Ergebnisse in fünf Dimensionen (Genauigkeit, Vollständigkeit, Terminologie, Geläufigkeit, Format) und schreiben Sie Gründe auf, weshalb für diesen Text weniger Nachbearbeitung erforderlich ist. Markieren Sie dann Probleme/Unfallrisiken/Laufzeitrisiken für beide mit der Vorlage „Schnellprüfung der Rohausgabe“.

Checkliste

• [ ] Ich habe die Eignung des Textes für die Maschine eingestuft (geringes/mittleres/hohes Risiko).
• [ ] Je nach Jobtyp habe ich mich für NMT oder LLM entschieden.
• [ ] Ich habe anhand einer kleinen Stichprobe eine Vorabbewertung vorgenommen und die Dauer/den Preis entsprechend festgelegt.
• [ ] Ich habe die Rohausgabe schnell in fünf Dimensionen untersucht.
• [ ] Ich habe die Nummer, das Datum, den Namen und die Negative separat überprüft, ohne mich von der Sprachkompetenz täuschen zu lassen.