רווחים:
- יכולת להבחין בין החוזקות והחולשות של תרגום מבוסס NMT ו-LLM ולבחור את המנוע המתאים בהתאם לסוג העסק
- יכולת לסווג מראש את התאמתו של טקסט למכונה ולהעריך מראש לזמן ומחיר מציאותיים
- יכולת למדוד במהירות את איכות תפוקת המכונה הגולמית בחמישה מימדים ולסמן סיכונים מבלי לבלבל בין חלקות לבין דיוק
המאיץ החזק ביותר שיש לך בתור מתרגם הוא תרגום מכונה (MT) - אבל שימוש בכלי פירושו במודע ליישם אותו בעבודה הנכונה, בצמד השפות הנכון ועם הציפיות הנכונות. ביחידה זו תכירו את שתי המשפחות העיקריות של MT (תרגום מבוסס NMT ו-LLM), תלמדו איזו מהן מתאימה יותר לאיזו עבודה, כיצד ניתן למדוד במהירות את איכות הפלט הגולמי של תרגום לפני המסירה וכיצד לבחור את המנוע בהתאם לעבודה. המטרה היא להתרחק מהרעיון של "בכל זאת, הדבק-תרגם" ולהפוך למומחה שיכול לחזות איזה טקסט מתאים למכונה ואיזה דורש עבודה אינטנסיבית של אדם.
שתי משפחות: תרגום מבוסס NMT ו-LLM
NMT (תרגום מכונה עצבית) הן מערכות שלמדו ממיליוני משפטים דו-לשוניים ומתרגמות את המשפט כמכלול; Google Translate, DeepL, Microsoft Translator הן דוגמאות לכך. חוזקות: מהיר מאוד, עקבי, שוטף במשפטים קצרים. חולשה: לרוב לא רואה הקשר מעבר לגבול המשפט (הכוונה מכל הטקסט); ייתכן שיהיה קשה להחליט אם המילה "גדה" פירושה גדה או גדת נהר על ידי הסתכלות בפסקה והיא אינה מתאימה לרשימת המונחים שסופקו.
תרגום מבוסס LLM (Large Language Model) הוא שימוש במודלים מונעי הוראות כגון ChatGPT, Claude, Gemini לתרגום. חוזק: מקבל הוראות - מבין הוראות כגון "השתמש בטון רשמי", "פעל לפי רשימת המונחים הזו", "קהל היעד הוא ילדים"; רואה את ההקשר הרחב יותר; תופס ניבים וטון טוב יותר. חולשה: יכול לפעמים להיות "יצירתי מדי" ולהוסיף למקור (סיכון להזיות), מאבד קוהרנטיות בטקסטים ארוכים, ועלויות/מהירות משתנות בהתאם לעבודה.
כלל אצבע: בטקסטים טכניים ישרים, שחוזרים על עצמם, NMT הוא בדרך כלל מהיר ומספק; LLM גמיש יותר עם טקסטים הדורשים משמעת בטון, בהקשר, באוצר המילים ובהוראה. רוב אנשי המקצוע כיום משתמשים בשניהם יחד: טיוטה מהירה מ-NMT, תיקון טון/מונח מ-LLM.
טיפ: איכות המכונה של צמד שפות (לדוגמה, טורקית → אנגלית) עשויה להיות שונה מהכיוון ההפוך (אנגלית → טורקית). שפות עם תחביר אגרסיבי וגמיש, כמו טורקית, הן בדרך כלל מאתגרות יותר עבור MT. שפוט בעצמך איזה מנוע עדיף בזוג שלך עם כמה טקסטים לדוגמה.
תאימות מחשב של טקסט: שאל את זה קודם
לא כל טקסט מתאים באותה מידה למכונה. לפני שמתחילים בתרגום, העבירו את הטקסט דרך מסנן "התאמה":
- מתאים היטב למכונה: מדריך טכני, תיאור מוצר, טקסט ממשק חוזר, התכתבות סטנדרטית, טבלה/רשימה. השפה פשוטה, הטרמינולוגיה קבועה, היצירתיות דלה.
- בינוני מתאים: חדשות, תוכן תאגידי, חומר חינוכי. המכונה מייצרת קווי מתאר טובים אך דורשת עריכה רצינית לאחר הטון והזרימה.
- לא מתאים למכונה (בסיכון גבוה): חוזה משפטי, טקסט רפואי, פרסומת/סיסמה, טקסט ספרותי, הומור, שירה. כאן המכונה רק נותנת רעיונות; התפקיד נופל ברובו על אנשים.
אם תעשה את ההבחנה הזו מההתחלה, גם תיתן ללקוח את הזמן/המחיר הנכון וגם תגן על עצמך מפני אמון עיוור בתפוקה הגולמית.
למדוד במהירות את איכות הפלט הגולמי
כאשר אתה רואה פלט MT אתה תוהה "האם זה טוב או רע?" ענו על השאלה עם רשימת בדיקה מהירה, לא באינטואיציה. הסתכלו על חמשת הממדים הללו: דיוק (האם המשמעות נאמנה למקור?), שלמות (האם המשפט מושמט או נוסף?), מינוח (האם הוא נכון ועקבי?), שטף (האם זה טבעי בשפת היעד?), פורמט (האם תגיות, מספרים, עיצוב נשמרים?). נעמיק את הממדים הללו ביחידת האיכות הבאה; לעת עתה, תן לזה להיות הרפלקס שלך לפני הלידה.
זהירות: השגיאות המסוכנות ביותר של פלט MT הן השגיאות ה"שוטפות אך לא נכונות". המשפט אולי בטורקית מושלמת, אבל ייתכן ש"15% הנחה" במקור שונתה ל"50% הנחה". אל תירתע מהשטף; הסתכל תמיד על המספר, השלילי ושם העצם הפרטי בנפרד.
שלושה מיני תיקים
מקרה 1 - המנוע הימני חתך את הזמן בחצי. מתרגם אחד בחר לתרגם ממשק תוכנה של 12,000 מילים עם NMT וחוברת שיווק באותו נפח עם LLM. העקביות של NMT בממשק הפכה את העבודה למהירה יותר; הגמישות הטונאלית של LLM בחוברת הפחיתה את עומס השכתוב ב-40%. מתן שתי העבודות לאותו מנוע יבזבז זמן.
מקרה 2 - הערכה מוקדמת חסכה את המחיר. משרד עמד להציע טקסט משפטי כי "אפשר לייצר אותו במכונות, זה יהיה זול". בהערכה המוקדמת תורגם מדגם של 500 מילים; המכונה החזירה שני מונחים משפטיים עם המקבילה השגויה של המערכת. המשרד תמחר את העבודה כ"עריכה כבדה" ונתן דדליין ריאלי; הוא נמנע מלהפסיד כסף בגלל ההצעה השגויה.
מקרה 3 - הבדל בצמד שפות. צוות חשב שמנוע שעובד מצוין באנגלית → גרמנית היה באותה איכות בטורקית → ערבית. המבחן בן 300 המילים הראה שהתפוקה הערבית דורשת הרבה יותר תיקון. הצוות הקצה מנועים שונים ותקציבים שונים לאחר העריכה בהתאם לצמד השפות.
ארבע תבניות הניתנות להעתקה
1) הערכת התאמה לטקסט:
תפקידך: מומחה MTPE בכיר. דרג את הטקסט הבא עבור התאמה לתרגום מכונה: מילולי/טכני או יצירתי/קונטקסטואלי? סווגו אותו כ-(1) ידידותי מאוד למכונה, (2) בינוני, (3) סיכון גבוה וכתוב את ההצדקה שלך. הערך את העומס הצפוי לאחר העריכה כקל/בינוני/כבד. דוגמה לטקסט: [הדבק 200-300 מילים]
2) תרגום LLM מודרך (עם טרמינולוגיה ושליטה בטון):
תרגם את הטקסט הזה [מקור]→[יעד].קהל: [מי]. טון: [למשל. רִשְׁמִי]. שדה: [למשל כספים].רשימת מונחים (הקפידו להשתמש): [A→a,B→b].כללים: אין להוסיף את מה שאינו במקור, לשמור מספרים/תאריכים/שמות, להחליף כל משפט במשפט. סמן היכן אינך בטוח באמצעות [?]. טקסט: [...]
3) השוואה בין שני מנועים:
להלן שני תרגומים שונים של אותו משפט מקור (א' וב'). השווה כל אחד מבחינת נכונות, מינוח וטבעיות, ותגיד לי איזה מהם ידרוש פחות תיקון, עם ההצדקה. מקור: [...] | תרגום א: [...] | תרגום ב': [...]
4) בדיקה מהירה של פלט גולמי:
להלן המקור והתרגום המכונה. פשוט סמן את הדברים הבאים: (1) מידע שהושמט/הוסף, (2) מספר/תאריך/שם שגויים, (3) שגיאת שלילה, (4) מונח לא עקבי. אל תכתוב תיקונים, רק רשום את האזורים המסוכנים. מקור: [...] | תרגום: [...]
הנחיה חלשה / הנחיה חזקה
חלש: "תרגם את הטקסט הזה ויהיה טוב." (עבור המנוע, "טוב" אינו מוגדר; אין טון, אין מונח, אין מסה.)
Güçlü: "תרגם את תיאור המוצר הזה מאנגלית לטורקית. אזור: מסחר אלקטרוני. קהל: צרכן צעיר. טון: ידידותי אך מרגיע. 'קופה' ← 'שלב בקופה', 'wishlist' → 'wish list'. שנה את המספרים ואת שם המותג. טורקית שוטפת ללא כל ריח תרגום."
הבדל: הנחיה חזקה נותנת למנוע מטרה מדידה; הפלט מתקרב ישירות לטיוטה שנערכה לאחר מכן.
תרשים השוואה של NMT לעומת LLM
גודל
NMT (גוגל, DeepL)
LLM (ChatGPT, קלוד)
מהירות
מהר מאוד
בינוני
קבלת הדרכה/טון
חלש
חזק
ציית לרשימת המונחים
מוגבל
טוב (עם הנחיה)
הקשר רחב
חלש
טוב
סיכון להזיות
נמוך
בינוני (נדרש שליטה)
העבודה המתאימה ביותר
ישר/טכני/חוזר על עצמו
טון/הקשר/יצירתי
טעויות נפוצות
- שימוש באותו מנוע לכל עבודה. אי בחירת מנוע לפי סוג העבודה גורמת לאובדן זמן ואיכות.
- מתן מחיר/זמן ללא הערכה מראש. מבחן של 200-300 מילים חושף את ההפתעות מההתחלה.
- טועה בשטף הדיוק. משפט יפה אינו אומר משפט נכון.
- התעלמות מצמד השפות והבדל הכיוון. מנוע טוב בזוג אחד עשוי להיות חלש בזוג אחר.
- לא שם לב לתוספות של LLM. LLM לפעמים מוסיף משפטים שאינם במקור "כדי לעזור"; לבדוק את זה.
חלון הקשר ועקביות
כאשר מתרגמים טקסט ארוך עם LLM, יש צורך לדעת מגבלה טכנית אחת: חלון ההקשר - כמות הטקסט שהמודל יכול "לראות" ולשמור בכל פעם. אם הטקסט גדול יותר מהחלון הזה, תצטרכו לפצל אותו לנתחים, והדגם עלול "לשכוח" בנתח הבא את החלטת המונח או הטון שקיבלתם בנתחים הקודמים. לכן, במקום לתרגם ספר ארוך או מסמך בחתיכה אחת, להזכיר לכל חלק את בסיס המונחים ותקציר הסגנון שומרת על עקביות. בעיה זו אינה מתרחשת בטקסטים קצרים; עם זאת, ביצירות ארוכות כמו רומנים ומדריכים, יש צורך לבדוק בנוסף את העקביות בקטעים. פתרון מעשי: להכין "זיכרון פרויקט" (מונחים + תווים + החלטות טון) ולהוסיף אותו לתחילת כל יצירה ולסרוק עקביות בין החלקים בסוף התרגום. ב-NMT, בעיה זו נחווית בצורה שונה: מכיוון ש-NMT מתרגם משפט למשפט, העקביות באורך הפסקה כבר חלשה, ולכן מונח בסיס מקבל על עצמו את המונח משמעת.
לסיכום
ישנן שתי משפחות של תרגום מכונה: NMT, שהוא מהיר ועקבי, ו-LLM, שלוקח הוראה ורואה את ההקשר והטון טוב יותר. המתרגם הראשי מדרג מראש את התאמת הטקסט למכונה, בוחר את המנוע בהתאם לעבודה, מודד במהירות את איכות הפלט הגולמי לפני המסירה, ואף פעם לא מבלבל בין שטף לבין דיוק. רפלקס הערכה מראש זה מאפשר לך גם לתת זמן/מחיר ריאלי וגם להגן על עצמך מפני אמון עיוור.
משימת יישום
תרגם את אותו טקסט בן 200 מילים גם עם כלי NMT וגם עם LLM. השווה בין שני הפלטים בחמישה מימדים (דיוק, שלמות, מינוח, שטף, פורמט) וכתוב סיבות שבגינן נדרשת פחות עריכה לאחרית עבור טקסט זה. לאחר מכן סמן בעיה/סיכוני מגירה/טווח עבור שניהם עם התבנית "בדיקה מהירה של פלט גולמי".
רשימת בדיקה
- [ ] סיווגתי את התאמת הטקסט למכונה (סיכון נמוך/בינוני/גבוה).
- [ ] בהתאם לסוג העבודה, החלטתי אם להשתמש ב-NMT או ב-LLM.
- [ ] ערכתי הערכה ראשונית עם מדגם קטן וקבעתי את משך הזמן/מחיר בהתאם.
- [ ] בדקתי במהירות את הפלט הגולמי בחמישה מימדים.
- [ ] בדקתי את המספר, התאריך, השם והשליליים בנפרד מבלי להתעתע ברהיטות.