Winst:
- Vermogen om de sterke en zwakke punten van NMT- en LLM-gebaseerde vertalingen te onderscheiden en de juiste engine te kiezen op basis van het type bedrijf
- Mogelijkheid om de geschiktheid van een tekst voor de machine vooraf te classificeren en deze vooraf te evalueren op realistische tijd en prijs
- Mogelijkheid om snel de kwaliteit van de ruwe machine-uitvoer in vijf dimensies te meten en risico's te signaleren zonder soepelheid met nauwkeurigheid te verwarren
De krachtigste versneller die je als vertaler hebt is machinevertaling (MT), maar als je een tool bewust gebruikt, betekent dit dat je deze op de juiste baan, in het juiste talenpaar en met de juiste verwachtingen toepast. In dit onderdeel maakt u kennis met de twee belangrijkste MT-families (NMT- en LLM-gebaseerde vertalingen), leert u welke het beste is voor welke taak, hoe u snel de ruwe uitvoerkwaliteit van een vertaling kunt meten voordat deze wordt afgeleverd, en hoe u de engine voor de taak kiest. Het doel is om af te stappen van het idee van ‘allemaal hetzelfde, plakken-vertalen’ en een expert te worden die kan voorzien welke tekst geschikt is voor de machine en welke mensintensieve arbeid vergt.
Twee families: op NMT en LLM gebaseerde vertalingen
NMT (Neural Machine Translation) zijn systemen die van miljoenen tweetalige zinnen hebben geleerd en de zin als geheel vertalen; Google Translate, DeepL en Microsoft Translator zijn hiervan voorbeelden. Sterke punten: zeer snel, consistent, vloeiend in korte zinnen. Zwakte: ziet vaak geen context buiten de zinsgrens (betekenis vanuit de hele tekst); Het kan moeilijk zijn om te beslissen of het woord 'bank' bank of rivieroever betekent door naar de paragraaf te kijken en het past niet in de lijst met termen die wordt gegeven.
Op LLM gebaseerde vertaling (Large Language Model) is het gebruik van instructiegestuurde modellen zoals ChatGPT, Claude en Gemini voor vertaling. Sterkte: neemt instructies – begrijpt instructies zoals ‘gebruik een formele toon’, ‘volg deze lijst met termen’, ‘doelgroep bestaat uit kinderen’; ziet de bredere context; vangt idioom en toon beter op. Zwakte: kan soms "te creatief" zijn en de bron vergroten (risico op hallucinaties), verliest de samenhang in lange teksten, en de kosten/snelheid variëren afhankelijk van de taak.
Vuistregel: in rechte, repetitieve, technische teksten is NMT doorgaans snel en adequaat; LLM is flexibeler met teksten die discipline vereisen wat betreft toon, context, woordenschat en instructie. De meeste professionals gebruiken tegenwoordig beide samen: snelle schets van NMT, toon-/termijncorrectie van LLM.
Tip: De machinekwaliteit van een talenpaar (bijvoorbeeld Turks → Engels) kan verschillen van de tegenovergestelde richting (Engels → Turks). Talen met agglutinerende, flexibele syntaxis, zoals Turks, zijn over het algemeen uitdagender voor MT. Oordeel zelf welke motor beter is in jouw eigen paar met een paar voorbeeldteksten.
Machinecompatibiliteit van tekst: vraag dit eerst
Niet elke tekst is even geschikt voor de machine. Voordat u met de vertaling begint, passeert u de tekst door een "geschiktheids"-filter:
- Goed passend bij de machine: technische handleiding, productbeschrijving, repetitieve interfacetekst, standaardcorrespondentie, tabel/lijst. De taal is duidelijk, de terminologie ligt vast, creativiteit is schaars.
- Medium geschikt: nieuws, bedrijfsinhoud, educatief materiaal. De machine produceert goede contouren, maar vereist serieuze nabewerking voor toon en vloeiendheid.
- Niet geschikt voor machines (hoog risico): juridisch contract, medische tekst, advertentie/slogan, literaire tekst, humor, poëzie. Hier geeft de machine alleen maar ideeën; Het werk is grotendeels een zaak van mensen.
Als u dit onderscheid vanaf het begin maakt, geeft u de klant de juiste tijd/prijs en beschermt u uzelf tegen blindelings vertrouwen op de ruwe output.
Meet snel de kwaliteit van de onbewerkte uitvoer
Als je een MT-uitvoer ziet, vraag je je af: "is het goed of slecht?" Beantwoord de vraag met een snelle checklist, niet met intuïtie. Kijk naar deze vijf dimensies: nauwkeurigheid (is de betekenis trouw aan de bron?), volledigheid (is de zin weggelaten of toegevoegd?), terminologie (is deze correct en consistent?), vloeiendheid (is deze natuurlijk in de doeltaal?), formaat (zijn tags, cijfers, opmaak behouden?). In de volgende kwaliteitsunit zullen we deze dimensies verdiepen; Laat het voorlopig uw reflex vóór de bevalling zijn.
Let op: de gevaarlijkste fouten in de MT-uitvoer zijn de ‘vloeiende maar onjuiste’ fouten. De zin is misschien in perfect Turks, maar de "15% korting" in de bron is mogelijk gewijzigd in "50% korting". Laat je niet afschrikken door vloeiendheid; Kijk altijd afzonderlijk naar het getal, het negatief en het eigennaamwoord.
drie minikoffers
Geval 1 — De juiste motor halveerde de tijd. Eén vertaler koos ervoor om een software-interface van 12.000 woorden te vertalen met NMT en een marketingboekje van dezelfde omvang met LLM. De consistentie van NMT op de interface maakte het werk sneller; De tonale flexibiliteit van LLM in het boekje verminderde de herschrijflast met 40%. Beide taken aan dezelfde motor geven zou tijdverspilling zijn.
Geval 2 — Voorafgaande taxatie heeft de prijs gered. Een bureau stond op het punt een wetstekst aan te bieden omdat "die door machines gemaakt kan worden, het zal goedkoop zijn". Bij de voorevaluatie werd een voorbeeld van 500 woorden vertaald; De machine retourneerde twee juridische termen met het equivalent van het verkeerde systeem. Het bureau prijsde het werk als "zware nabewerking" en gaf een realistische deadline; Hij vermeed geld te verliezen vanwege het verkeerde aanbod.
Geval 3 — Verschil in taalpaar. Een team dacht dat een engine die uitstekend werkte in Engels → Duits, van dezelfde kwaliteit was in Turks → Arabisch. Uit de test van 300 woorden bleek dat de Arabische taal veel meer correctie vergde. Het team heeft verschillende zoekmachines en verschillende budgetten voor nabewerking toegewezen, afhankelijk van het talenpaar.
Vier kopieerbare sjablonen
1) Evaluatie van tekstgeschiktheid:
Jouw rol: senior MTPE specialist. Beoordeel de volgende tekst op geschiktheid voor automatische vertaling: letterlijk/technisch of creatief/contextueel? Classificeer het als (1) zeer machinevriendelijk, (2) gemiddeld, (3) hoog risico en schrijf uw rechtvaardiging. Schat de verwachte belasting na het bewerken als licht/gemiddeld/zwaar. Tekstvoorbeeld: [plak 200-300 woorden]
2) Geïnstrueerde LLM-vertaling (met terminologie en toonregeling):
Vertaal deze tekst [bron] → [doel]. Publiek: [wie]. Toon: [bijv. officieel]. Veld: [bijv. financiën]. Lijst met termen (vergeet niet te gebruiken): [A → a, B → b]. Regels: voeg niet toe wat niet in de bron staat, behoud cijfers/data/namen, vervang elke zin door een zin. Markeer waar u het niet zeker weet met [?]. Tekst: [...]
3) Vergelijking van twee motoren:
Hieronder staan twee verschillende vertalingen van dezelfde bronzin (A en B). Vergelijk ze allemaal in termen van correctheid, terminologie en natuurlijkheid, en vertel me welke minder correctie behoeft, met de rechtvaardiging. Bron: [...] | Vertaling A: [...] | Vertaling B: [...]
4) Snelle inspectie van ruwe uitvoer:
Hieronder vindt u de bron en de machinevertaling. Markeer gewoon het volgende: (1) weggelaten/toegevoegde informatie, (2) onjuist nummer/datum/naam, (3) ontkenningsfout, (4) inconsistente term. Schrijf geen correcties, vermeld alleen de risicovolle gebieden.Bron: [...] | Vertaling: [...]
Zwakke prompt/sterke prompt
Zwak: "Vertaal deze tekst en het zal goed zijn." (Voor de motor is 'goed' ongedefinieerd; geen toon, geen term, geen massa.)
Güçlü: "Vertaal deze productbeschrijving van Engels naar Turks. Gebied: e-commerce. Doelgroep: jonge consument. Toon: vriendelijk maar geruststellend. 'afrekenen' → 'afrekenstap', 'verlanglijst' → 'verlanglijst'. Wijzig de cijfers en merknaam. Vloeiend Turks zonder enige vertaalgeur."
Verschil: sterke prompt geeft de engine een meetbaar doel; de uitvoer benadert direct het nabewerkte concept.
NMT versus LLM-vergelijkingstabel
Grootte
NMT (Google, DeepL)
LLM (ChatGPT, Claude)
snelheid
erg snel
middelmatig
Ontvang instructie/toon
zwak
sterk
Houd u aan de termenlijst
beperkt
Goed (met prompt)
Brede context
zwak
goed
Risico op hallucinaties
laag
Medium (controle vereist)
meest geschikte baan
Rechttoe rechtaan/technisch/repetitief
Toon/context/creatief
Veel voorkomende fouten
- Voor elke klus dezelfde motor gebruiken. Het niet kiezen van een motor op basis van het soort werk veroorzaakt tijd- en kwaliteitsverlies.
- Prijs/tijd geven zonder voorafgaande evaluatie. Een test van 200-300 woorden onthult de verrassingen vanaf het begin.
- Vloeiendheid verwarren met nauwkeurigheid. Een mooie zin betekent nog niet een correcte zin.
- Het talenpaar en het richtingsverschil negeren. Een goede motor in het ene paar kan zwak zijn in het andere.
- Ik heb de toevoegingen van LLM niet opgemerkt. LLM voegt soms zinnen toe die niet in de bron staan "om te helpen"; Bekijk dit eens.
Contextvenster en consistentie
Bij het vertalen van lange tekst met LLM is het noodzakelijk om één technische limiet te kennen: het contextvenster: de hoeveelheid tekst die het model tegelijk kan 'zien' en in gedachten kan houden. Als de tekst groter is dan dit venster, moet u deze in delen opsplitsen, en het model kan in het volgende deel de term beslissing of toon "vergeten" die u in de vorige delen hebt gemaakt. Dus in plaats van een lang boek of document in één stuk te vertalen, zorgt het herinneren van elk stuk aan de termenbank en de stijlsamenvatting voor consistentie. Dit probleem doet zich niet voor bij korte teksten; In lange werken zoals romans en handleidingen is het echter noodzakelijk om bovendien de consistentie in passages te controleren. Praktische oplossing: een "projectgeheugen" voorbereiden (termen + tekens + toonbeslissingen) en dit aan het begin van elk stuk toevoegen en aan het einde van de vertaling scannen op consistentie tussen de stukken. In NMT wordt dit probleem op een andere manier ervaren: aangezien NMT zin voor zin vertaalt, is de consistentie van de alinealengte al zwak, dus termbase neemt de term discipline over.
Samengevat
Er zijn twee families van automatische vertalingen: NMT, dat snel en consistent is, en LLM, dat instructies aanneemt en de context en toon beter ziet. De meestervertaler beoordeelt vooraf de geschiktheid van de tekst voor de machine, selecteert de engine op basis van de taak, meet snel de kwaliteit van de ruwe uitvoer vóór levering en verwart vloeiendheid nooit met nauwkeurigheid. Dankzij deze pre-evaluatiereflex kunt u zowel een realistische tijd/prijs geven als uzelf beschermen tegen blind vertrouwen.
Applicatie taak
Vertaal dezelfde tekst van 200 woorden met zowel een NMT-tool als een LLM. Vergelijk de twee resultaten op vijf dimensies (nauwkeurigheid, volledigheid, terminologie, vloeiendheid, formaat) en schrijf redenen waarvoor minder nabewerking voor deze tekst nodig is. Markeer vervolgens probleem-/onvoorziene omstandigheden/termijnrisico's voor beide met de sjabloon 'raw output quick check'.
controlelijst
- [ ] Ik heb de geschiktheid van de tekst voor de machine geclassificeerd (laag/gemiddeld/hoog risico).
- [ ] Afhankelijk van het taaktype besloot ik of ik NMT of LLM zou gebruiken.
- [ ] Ik heb met een kleine steekproef een voorlopige evaluatie gemaakt en de duur/prijs dienovereenkomstig bepaald.
- [ ] Ik inspecteerde snel de ruwe uitvoer in vijf dimensies.
- [ ] Ik controleerde het nummer, de datum, de naam en de negatieven afzonderlijk, zonder me te laten misleiden door de vloeiendheid.