Keuntungan:
- Mampu membedakan kelebihan dan kekurangan penerjemahan berbasis NMT dan LLM serta memilih mesin yang tepat sesuai jenis usahanya
- Kemampuan untuk mengklasifikasikan terlebih dahulu kesesuaian teks untuk mesin dan mengevaluasinya terlebih dahulu untuk waktu dan harga yang realistis
- Kemampuan untuk dengan cepat mengukur kualitas keluaran mesin mentah dalam lima dimensi dan menandai risiko tanpa mengacaukan kelancaran dan akurasi
Akselerator paling ampuh yang Anda miliki sebagai penerjemah adalah terjemahan mesin (MT) — tetapi menggunakan alat secara sadar berarti menerapkannya pada pekerjaan yang tepat, dalam pasangan bahasa yang tepat, dan dengan harapan yang tepat. Dalam unit ini, Anda akan mengenal dua keluarga besar MT (terjemahan berbasis NMT dan LLM), mempelajari mana yang lebih baik untuk pekerjaan apa, cara cepat mengukur kualitas keluaran mentah suatu terjemahan sebelum dikirim, dan cara memilih mesin sesuai dengan pekerjaan. Tujuannya adalah untuk menjauh dari gagasan "sama saja, tempel-terjemahkan" dan menjadi seorang ahli yang dapat memperkirakan teks mana yang cocok untuk mesin dan mana yang membutuhkan tenaga manusia yang intensif.
Dua kelompok: terjemahan berbasis NMT dan LLM
NMT (Neural Machine Translation) adalah sistem yang telah mempelajari jutaan kalimat bilingual dan menerjemahkan kalimat tersebut secara keseluruhan; Google Terjemahan, DeepL, Microsoft Translator adalah contohnya. Kelebihan: sangat cepat, konsisten, fasih dalam kalimat pendek. Kelemahan: sering tidak melihat konteks di luar batas kalimat (makna dari keseluruhan teks); Mungkin sulit untuk memutuskan apakah kata "bank" berarti tepian atau tepian sungai dengan melihat paragraf tersebut dan tidak sesuai dengan daftar istilah yang diberikan.
Terjemahan berbasis LLM (Model Bahasa Besar) adalah penggunaan model berbasis instruksi seperti ChatGPT, Claude, Gemini untuk penerjemahan. Kekuatan: menerima instruksi — memahami instruksi seperti “gunakan nada formal”, “ikuti daftar istilah ini”, “target audiens adalah anak-anak”; melihat konteks yang lebih luas; menangkap idiom dan nada lebih baik. Kelemahan: terkadang bisa "terlalu kreatif" dan menambah sumber (risiko halusinasi), kehilangan koherensi dalam teks yang panjang, dan biaya/kecepatan bervariasi tergantung pekerjaannya.
Aturan praktisnya: dalam teks teknis yang lurus dan berulang, NMT biasanya cepat dan memadai; LLM lebih fleksibel dengan teks yang memerlukan disiplin dalam nada, konteks, kosa kata, dan instruksi. Kebanyakan profesional saat ini menggunakan keduanya secara bersamaan: draft cepat dari NMT, koreksi nada/istilah dari LLM.
Tip: Kualitas mesin dari pasangan bahasa (misalnya Turki→Inggris) mungkin berbeda dari arah yang berlawanan (Inggris→Turki). Bahasa dengan sintaksis aglutinatif dan fleksibel, seperti bahasa Turki, umumnya lebih menantang bagi MT. Nilai sendiri mesin mana yang lebih baik jika dipasangkan dengan beberapa contoh teks.
Kompatibilitas mesin teks: tanyakan ini terlebih dahulu
Tidak semua teks cocok untuk mesin. Sebelum memulai terjemahan, lewati teks melalui filter "kesesuaian":
- Sangat cocok untuk mesin: manual teknis, deskripsi produk, teks antarmuka berulang, korespondensi standar, tabel/daftar. Bahasanya sederhana, terminologinya tetap, kreativitasnya langka.
- Media yang cocok: berita, konten perusahaan, materi pendidikan. Mesin ini menghasilkan garis besar yang bagus tetapi memerlukan pasca-editing yang serius untuk nada dan aliran.
- Tidak cocok untuk mesin (risiko tinggi): kontrak hukum, teks medis, iklan/slogan, teks sastra, humor, puisi. Di sini mesin hanya memberikan ide; Pekerjaan tersebut sebagian besar jatuh ke tangan manusia.
Jika Anda membuat perbedaan ini sejak awal, Anda akan memberikan waktu/harga yang tepat kepada pelanggan dan melindungi diri Anda dari mempercayai hasil mentah secara membabi buta.
Mengukur kualitas keluaran mentah dengan cepat
Saat Anda melihat keluaran MT, Anda bertanya-tanya "apakah itu baik atau buruk?" Jawablah pertanyaan dengan daftar periksa cepat, bukan intuisi. Lihatlah lima dimensi ini: akurasi (apakah maknanya sesuai dengan sumbernya?), kelengkapan (apakah kalimatnya dihilangkan atau ditambahkan?), terminologi (apakah benar dan konsisten?), kelancaran (apakah wajar dalam bahasa target?), format (apakah tag, angka, format dipertahankan?). Kami akan memperdalam dimensi ini pada unit kualitas berikutnya; Untuk saat ini, jadikan itu sebagai refleks pra-persalinan Anda.
Perhatian: Kesalahan keluaran MT yang paling berbahaya adalah kesalahan "lancar tapi salah". Kalimatnya mungkin dalam bahasa Turki yang sempurna, tetapi "diskon 15%" di sumbernya mungkin telah diubah menjadi "diskon 50%". Jangan terkecoh karena kefasihan; Selalu perhatikan angka, negatif, dan kata benda secara terpisah.
tiga kasus mini
Kasus 1 — Mesin kanan memotong waktu menjadi setengahnya. Seorang penerjemah memilih untuk menerjemahkan antarmuka perangkat lunak 12.000 kata dengan NMT dan buklet pemasaran dengan volume yang sama dengan LLM. Konsistensi NMT pada antarmuka membuat pekerjaan lebih cepat; Fleksibilitas nada LLM dalam buklet ini mengurangi beban penulisan ulang sebesar 40%. Memberikan kedua pekerjaan pada mesin yang sama akan membuang-buang waktu.
Kasus 2 — Penilaian awal menghemat harga. Sebuah kantor hendak menawarkan teks legal karena "bisa dibuat dengan mesin, murah". Dalam pra-evaluasi, sampel 500 kata diterjemahkan; Mesin mengembalikan dua istilah hukum dengan sistem yang setara. Kantor tersebut menilai pekerjaan tersebut sebagai "pasca penyuntingan yang berat" dan memberikan tenggat waktu yang realistis; Dia terhindar dari kehilangan uang karena tawaran yang salah.
Kasus 3 — Perbedaan pasangan bahasa. Sebuah tim berpikir bahwa mesin yang bekerja dengan baik dalam bahasa Inggris→Jerman memiliki kualitas yang sama dalam bahasa Turki→Arab. Tes 300 kata menunjukkan bahwa keluaran bahasa Arab memerlukan lebih banyak koreksi. Tim mengalokasikan mesin yang berbeda dan anggaran pasca-pengeditan yang berbeda bergantung pada pasangan bahasa.
Empat templat yang dapat disalin
1) Evaluasi kesesuaian teks:
Peran Anda: spesialis MTPE senior. Nilai teks berikut untuk kesesuaiannya untuk terjemahan mesin: literal/teknis atau kreatif/kontekstual? Klasifikasikan sebagai (1) sangat ramah mesin, (2) sedang, (3) berisiko tinggi dan tuliskan alasan Anda. Perkirakan muatan pasca-pengeditan yang diharapkan sebagai ringan/sedang/berat. Contoh teks: [tempelkan 200-300 kata]
2) Terjemahan LLM yang diinstruksikan (dengan terminologi dan kontrol nada):
Terjemahkan teks ini [sumber]→[target].Pemirsa: [siapa]. Nada: [mis. resmi]. Bidang: [mis. keuangan].Daftar istilah (pastikan menggunakan): [A→a, B→b].Aturan: jangan menambahkan apa yang tidak ada dalam sumber, simpan nomor/tanggal/nama, ganti setiap kalimat dengan kalimat. Tandai jika Anda tidak yakin dengan [?]. Teks: [...]
3) Perbandingan dua mesin:
Di bawah ini adalah dua terjemahan berbeda dari kalimat sumber yang sama (A dan B). Bandingkan masing-masing dalam hal kebenaran, terminologi, dan kealamian, dan beri tahu saya mana yang memerlukan lebih sedikit koreksi, disertai pembenarannya. Sumber: [...] | Terjemahan A: [...] | Terjemahan B: [...]
4) Inspeksi cepat keluaran mentah:
Di bawah ini adalah sumber dan terjemahan mesin. Tandai saja hal-hal berikut ini: (1) informasi yang dihilangkan/ditambahkan, (2) nomor/tanggal/nama salah, (3) kesalahan negasi, (4) istilah tidak konsisten. Jangan tulis koreksi apa pun, cukup cantumkan area yang berisiko. Sumber: [...] | Terjemahan: [...]
Perintah lemah / Perintah kuat
Lemah: "Terjemahkan teks ini dan itu akan bagus." (Untuk mesin, "baik" tidak terdefinisi; tidak ada nada, tidak ada istilah, tidak ada massa.)
Güçlü: "Terjemahkan deskripsi produk ini dari bahasa Inggris ke bahasa Turki. Area: e-commerce. Pemirsa: konsumen muda. Nada: ramah namun meyakinkan. 'checkout' → 'langkah checkout', 'wishlist' → 'wish list'. Ubah nomor dan nama merek. Lancar berbahasa Turki tanpa bau terjemahan apa pun."
Perbedaan: dorongan yang kuat memberi mesin target yang terukur; hasilnya secara langsung mendekati draf yang telah diedit.
Grafik perbandingan NMT vs LLM
Ukuran
NMT (Google, DeepL)
LLM (ObrolanGPT, Claude)
kecepatan
sangat cepat
sedang
Menerima instruksi/nada
lemah
kuat
Patuhi daftar istilah
terbatas
Bagus (dengan cepat)
Konteks luas
lemah
bagus
Risiko halusinasi
rendah
Sedang (kontrol diperlukan)
pekerjaan yang paling cocok
Lurus/teknis/berulang
Nada/konteks/kreatif
Kesalahan umum
- Menggunakan mesin yang sama untuk setiap pekerjaan. Tidak memilih mesin sesuai jenis pekerjaannya menyebabkan hilangnya waktu dan kualitas.
- Pemberian harga/waktu tanpa evaluasi terlebih dahulu. Tes 200-300 kata mengungkapkan kejutan sejak awal.
- Salah mengira kefasihan sebagai akurasi. Kalimat yang indah belum tentu kalimat yang benar.
- Mengabaikan pasangan bahasa dan perbedaan arah. Mesin yang bagus pada satu pasangan mungkin lemah pada pasangan lainnya.
- Tidak memperhatikan penambahan LLM. LLM terkadang menambahkan kalimat yang tidak ada pada sumbernya "untuk membantu"; lihat ini.
Jendela konteks dan konsistensi
Saat menerjemahkan teks panjang dengan LLM, satu batasan teknis perlu diketahui: jendela konteks — jumlah teks yang dapat "dilihat" dan diingat oleh model pada suatu waktu. Jika teks lebih besar dari jendela ini, Anda harus membaginya menjadi beberapa bagian, dan model mungkin "lupa" di bagian berikutnya istilah keputusan atau nada yang Anda buat di bagian sebelumnya. Jadi, alih-alih menerjemahkan buku atau dokumen panjang dalam satu bagian, mengingatkan setiap bagian dari termbase dan ringkasan gaya akan menjaga konsistensi. Masalah ini tidak terjadi dalam teks pendek; Namun, dalam karya-karya panjang seperti novel dan manual, konsistensi bagian-bagiannya juga perlu diperiksa. Solusi praktis: menyiapkan "memori proyek" (istilah + karakter + keputusan nada) dan menambahkannya ke awal setiap bagian dan memindai konsistensi antar bagian di akhir terjemahan. Di NMT, masalah ini dialami dengan cara yang berbeda: Karena NMT menerjemahkan kalimat demi kalimat, konsistensi panjang paragraf sudah lemah, sehingga termbase menggunakan istilah disiplin.
Singkatnya
Ada dua kelompok terjemahan mesin: NMT, yang cepat dan konsisten, dan LLM, yang menerima instruksi serta melihat konteks dan nada dengan lebih baik. Penerjemah ahli menilai kesesuaian teks untuk mesin terlebih dahulu, memilih mesin sesuai dengan pekerjaannya, dengan cepat mengukur kualitas keluaran mentah sebelum pengiriman, dan tidak pernah mengacaukan kelancaran dengan akurasi. Refleks pra-evaluasi ini memungkinkan Anda memberikan waktu/harga yang realistis dan melindungi diri Anda dari kepercayaan buta.
Tugas aplikasi
Terjemahkan teks 200 kata yang sama dengan alat NMT dan LLM. Bandingkan dua keluaran pada lima dimensi (akurasi, kelengkapan, terminologi, kelancaran, format) dan tulis alasan mana yang memerlukan lebih sedikit pasca-editing untuk teks ini. Kemudian tandai risiko masalah/kontinjensi/istilah pada keduanya dengan templat “pemeriksaan cepat keluaran mentah”.
daftar periksa
- [ ] Saya mengklasifikasikan kesesuaian teks untuk mesin (risiko rendah/sedang/tinggi).
- [ ] Tergantung pada jenis pekerjaannya, saya memutuskan apakah akan menggunakan NMT atau LLM.
- [ ] Saya melakukan evaluasi awal dengan sampel kecil dan menentukan durasi/harga yang sesuai.
- [] Saya segera memeriksa keluaran mentah dalam lima dimensi.
- [ ] Saya memeriksa nomor, tanggal, nama dan negatifnya secara terpisah tanpa tertipu oleh kelancarannya.