ניהול טרמינולוגיה ומאגר מונחים: עקביות ושפה ארגונית

רווחים:

• יכולת להבטיח עקביות בטרמינולוגיה על ידי הקמת מאגר מונחים והגדרה ברורה של מקבילות מאושרות ואסורות
• שימוש בבינה מלאכותית כדי לחלץ במהירות מועמדים לטווח ולקבל את ההחלטה הסופית עם המומחה והלקוח
• יכולת לחבר בסיס מונחים לכלי/הנחיה במהלך התרגום ולזהות אי התאמה עם סיור QA שלאחר התרגום

בתרגום טכני, אם תתרגמו את המילה "חשבון משתמש" כ"חשבון משתמש" במקום אחד, "חשבון חבר" במקום אחר, "פרופיל משתמש" במקום אחר, המשתמש יאבד, המותג יופיע לא עקבי, והחיפוש/תיעוד יישבר, גם אם הטקסט "נכון" מבחינה טכנית. האלמנט האיכותי השקט אך המכריע ביותר בתרגום הוא עקביות טרמינולוגית. ביחידה זו תלמדו ניהול מינוחים, יצירת בסיס מילים (בסיס נתונים של מונחים), מיצוי מונחים עם AI וכיצד לשמור על משמעת מינוחים לאורך כל התרגום. המטרה היא להיות מומחה העונה על אותו תפיסה בכל פרויקט באותה צורה בכל מקום ונאמן לשפה הארגונית.

מושגי יסוד

טרמינולוגיה היא מילים וביטויים המתאימים למושגים ספציפיים של תחום או מוסד ("קופה", "מדיניות החזרה", "תא גזע"). בסיס מונחים (TB — מסד נתונים של מונחים) הוא מילון מובנה ששומר על המקבילות למקור-יעד, הגדרה, הערת שימוש ו"מקבילות אסורות" של מונחים אלה; הוא מתחבר לכלי CAT ומציע באופן אוטומטי תרגום. חילוץ מונחים הוא תהליך איסוף אוטומטי של מונחים שצריך לתרגם/לתקן מטקסט. מילון מונחים הוא רשימה פשוטה יותר בת שתי עמודות של מונחים; הוא משמש במקום בסיס מונחים בעבודות קטנות.

למה זה כל כך חשוב? מכיוון שתרגום מכונה ו-LLM כשלעצמם אינם מבטיחים עקביות בטרמינולוגיה. NMT יכול לתרגם כל משפט באופן עצמאי; LLM עשוי לשנות את החלטתה בטקסט ארוך. מה שמספק משמעת מונחים הוא בסיס המונחים שהכנת וחיברת לרכב.

טיפ: הקדישו 30 דקות להקמת בסיס מונחים בעבודה הראשונה שלכם עם לקוח. השקעה זו מגבירה הן את המהירות והן את האיכות בכל העבודה שלאחר מכן ומעניקה מוניטין של "מותג עקבי בתרגומים שלך".

מיצוי טווח ובניית בסיס מונחים עם AI

בינה מלאכותית מזרזת את החלק הכי מייגע בהקמת מאגר מונחים: איתור מועמדים. אתה יכול לתת טקסט מקור ל-LLM ולהגיד, "רשום את המונחים הספציפיים לתחום בטקסט הזה, אלו שחוזרים על עצמם ואלו הדורשים עקביות בתרגום." לאחר מכן אתה מאשר את רשימת המועמדים הזו, קובע את תגובת היעד הנכונה ומאשר עם הלקוח בעת הצורך. נקודה קריטית: בינה מלאכותית מציעה מועמדים לקדנציה, המומחה והלקוח מקבלים את החלטת המונח. אם מותג קורא "פגישה" או "הזמנה" היא הבחירה של הלקוח, לא של ה-AI.

עבור כל מונח, הכנס את הדברים הבאים לתוך Termbase: מונח מקור, מקביל יעד מאושר, תיאור/הקשר קצר, "אל תשתמש" (אסור) מקבילים ותג דומיין/פרויקט אם רלוונטי. כתיבת מקבילות אסורות היא הדרך היעילה ביותר למנוע חוסר עקביות (עבור "חשבון", אל תשתמש רק ב"חשבון"; "פרופיל", "חברות").

שמירה על משמעת הטרמינולוגיה לאורך התרגום

התקנת Termbase אינה מספיקה; זה צריך להיות מיושם. שלוש שכבות:

1. במהלך התרגום: בעת תרגום ל-LLM, הוסף בסיס מונחים להנחיה ("חייב להשתמש במונחים אלה עם המקבילים הללו"). אם אתה משתמש בכלי CAT, חבר termbase; הכלי מציג את ההתאמה באופן מיידי.
2. QA לאחר תרגום: סרוק את הטקסט המוגמר מול בסיס מונחים. שאלתי את ה-LLM "האם יש מקומות בטקסט הזה שאינם תואמים את בסיס המונחים?" או הפעל את המונח QA של כלי ה-CAT.
3. עדכון סוף הפרויקט: הוסף תנאים חדשים ומשוב מלקוחות למאגר המונחים עם סיום העבודה; termbase הוא מסמך חי.

זהירות: כאשר אתה נותן ל-LLM בסיס ארוך טווח, הוא עלול "לשכוח" כמה מונחים או לשנות אותם בהתאם להקשר. אז לעולם אל תדלג על סבב ה-QA שלאחר התרגום; הנחיה אינה תחליף לבדיקה.

שלושה מיני תיקים

מקרה 1 - Termbase מחק את הפער. בתיעוד בן 60,000 מילים שנעשה על ידי חברת תוכנה עם 5 מתרגמים עצמאיים שונים, אותם 40 מונחים תורגמו בעשרות דרכים שונות. לאחר שהוקם בסיס מילים משותף וכל התרגומים הותאמו אליו, התלונות כגון "אני לא מוצא את המסך הזה" לתמיכה במשתמשים פחתו באופן משמעותי.

מקרה 2 - בינה מלאכותית הפחיתה מסקנות מיומיים לשעתיים. במקום לחלץ ידנית רשימה של מונחים ממסמך מכשיר בן 200 עמודים, צוות תרגום רפואי ערך את ה-LLM: 380 מונחים מועמדים נרשמו תוך שעתיים. המומחה אישר את אלה תוך יום אחד והבהיר את תגובותיהם; זה היה לוקח שבועות אם נעשה באופן ידני. ההחלטות שוב היו של אנשים.

מקרה 3 - כלל האיסור מנע משבר. במאגר המונחים של מותג, "לקוח" אושר ל"לקוח" ו"משתמש" נאסר (בשל מיצוב המותג). כאשר מתרגם חדש הקליד "משתמש", מונח QA תפס אותו ועיוות שפת המותג תוקן לפני שהוא עלה לאוויר.

ארבע תבניות הניתנות להעתקה

1) חילוץ מועמדים לתקופה:

תפקידך: טרמינולוגית. מהטקסט הבא [דומיין] חילץ מונחים הדורשים עקביות בתרגום: מושגים ספציפיים לתחום, ביטויים שחוזרים על עצמם, שמות מוצרים/תכונות, קיצורים. רשום כל מונח בשפת המקור, הוסף הערת הקשר קצרה. ההחלטה היא שלי; אתה רק מציע מועמד. הוספת מילים נפוצות (ו, אבל).טקסט: [...]

2) יצירת קו בסיס:

הכן שורת בסיס מונחים עבור המונחים הבאים: מונח מקור | תגובת יעד מוצעת | תיאור קצר | תשובות שגויות שיש להימנע מהן. אם אינך בטוח, סמן את התשובה ב-[?]; אני אקבל את ההחלטה.אלן: [...] | תנאים: [...]

3) תרגום תואם בסיס מונחים:

תרגם את הטקסט הזה [מקור] → [יעד]. חייבים ליישם את בסיס המונחים שלהלן; אל תשתמשו מקבילות אסורות:- [מקור1] ← [יעד1] (השתמש: [אסור1])- [מקור2] ← [יעד2]אם אתה נתקל במונח שאינו נמצא במאגר המונחים, סמן אותו ב-[?].טקסט: [...]

4) מונח QA לאחר התרגום:

סרוק את התרגום למטה על פי בסיס המונחים שסיפקתי. פשוט רשום את אי ההתאמה: באיזה מונח נעשה שימוש, איפה, באיזו משמעות שגויה, מה צריך להיות הנכון. דיווח על מיקומים תואמים.Termbase: [...] | תרגום: [...]

הנחיה חלשה / הנחיה חזקה

חלש: "תיזהר עם התנאים". (איזה מונח, איזו מקבילה, איזה איסור - לא ברור; המכונה בוחרת את עצמה.)

חזקה: "בעת תרגום טקסט זה, החל את בסיס המונחים הבא: 'לוח מחוונים' → 'לוח מחוונים', 'התחבר' → 'כניסה'. אם נתקלת במונח שאינו מבוסס מונחים, שים [?] והמצא אותו בעצמך."

הבדל: הנחיה חזקה מציינת את המקביל המאושר, את המקביל האסור ואת התנהגות המונח הלא ידוע; עקביות מובטחת.

טבלת כלים/גישות מינוחים

גישה

מה זה עושה?

הגבלה

מילון מונחים (שתי עמודות)

עסק קטן, התחלה מהירה

אין הגדרה/איסור

בסיס מונחים (מחובר ל-CAT)

המלצה אוטומטית, QA

ההתקנה דורשת עבודה

מיצוי טווח עם LLM

מאיץ את רשימת המועמדים

אנשים מחליטים

סריקת טווח QA

תופס דיסוננס

בסיס המונחים חייב להיות מעודכן

רשימת הוראות אסורות

שומר על שפת המותג

דורש תחזוקה מתמדת

טעויות נפוצות

• התחלת עבודה גדולה מבלי להתקין את Termbase. חוסר העקביות גדל לאחר מכן באופן אקספוננציאלי.
• קבלת התגובה שהוצעה על ידי AI ללא שאלה. החלטת הטרמינולוגיה נתונה בידי הלקוח/המומחה.
• לא לכתוב תגובות אסורות. רק כתיבת ה"נכון" לא מונעת את ה"לא נכון".
• המונח שלאחר התרגום הוא דילוג על QA. הכנסת termbase בהנחיה אינה מבטיחה את יישומו.
• לא מעדכן את Termbase. בסיס מונחים מת יטעה לאורך זמן.

מאגר מילים רב לשוני ואישור לקוחות

בפרויקטים גדולים, בסיס המונחים הוא לרוב רב לשוני: למושג יש מקביל ביותר משפת יעד אחת (מקור ← אנגלית, גרמנית, טורקית, ערבית). זה מבטיח תרגום עקבי של אותו מושג בכל השפות ומאיץ את העבודה כאשר שפה חדשה מתווספת. הנקודה שיש לציין במאגר המונחים הרב לשוני היא שלכל שפה יש מקבילה תרבותית ודקדוקית משלה; זה לא נכון להעתיק באופן עיוור את המקבילה בשפה אחת לשפה אחרת.

למינוח יש גם מימד של שרשרת אישורים. במונחים קריטיים, ההחלטה הסופית צריכה להיעשות לרוב על ידי מומחה הנושא או צוות המותג של הלקוח, ולא המתרגם; כי הם יודעים הכי טוב את המקבילה הרשמית/משפטית/מותגית של מונח. זו הסיבה שבעבודות גדולות זה נוהג טוב לתייג את בסיס המונחים כ"מאושר", "מועמד" ו"שנוי במחלוקת": אתה מבקש מהלקוח מועמדים ותנאים שנויים במחלוקת לגמרי, מקבל אותם לאשר, ואז נועל אותם. דיסציפלינה זו מונעת הפתעה באמצע המשימה "המונח הזה צריך להיות" ותרגום מחדש המוני.

לסיכום

עקביות טרמינולוגית היא האלמנט האיכותי הבלתי נראה אך המכריע ביותר בתרגום. המתרגם הראשי מקים בסיס מונחים בעבודה; הוא משתמש בבינה מלאכותית כדי לחלץ במהירות מועמדים לטווח, אך משאיר את ההחלטה בידי הלקוח והמומחה; כותב בבירור תגובות מאושרות ואסורות; הוא מחבר את בסיס המונחים להנחיה/הכלי במהלך התרגום ולעולם לא מדלג על סבב המונח QA שלאחר התרגום. Termbase הוא מסמך חי; צומח בכל עסק ומגן על המותג.

משימת יישום

בחר טקסט שדה (טכני, רפואי או שיווקי). חלץ לפחות 15 מועמדי מונחים עם תבנית "חילוץ מועמד למונח", אשר אותם וכתוב את המקבילות, ההגדרות והמקבילות האסורות עם תבנית "שורת בסיס מונחים". לאחר מכן תרגם טקסט קצר עם בסיס המונחים הזה, סרוק אי התאמה עם תבנית "מונח QA" ותקן את מה שאתה מוצא.

רשימת בדיקה

• [ ] הקמתי מאגר מונחים/מילון מונחים בעבודה.
• [ ] אישרתי את מועמדי הקדנציה של AI וקיבלתי את ההחלטה.
• [ ] בנוסף לתגובות שאושרו כתבתי גם את התגובות האסורות.
• [ ] חיברתי את בסיס המונחים להנחיה/כלי במהלך התרגום.
• [ ] עשיתי סריקת QA שלאחר התרגום ותיקנתי את אי ההתאמה.