Gevinster:
- Evne til å skille styrker og svakheter ved NMT og LLM-basert oversettelse og velge riktig motor i henhold til type virksomhet
- Evne til å forhåndsklassifisere egnetheten til en tekst for maskinen og forhåndsevaluere den for realistisk tid og pris
- Evne til raskt å måle kvaliteten på rå maskinproduksjon i fem dimensjoner og flagge risikoer uten å forveksle jevnhet med nøyaktighet
Den kraftigste akseleratoren du har som oversetter er maskinoversettelse (MT) — men å bruke et verktøy bevisst betyr å bruke det på riktig jobb, i riktig språkpar og med de riktige forventningene. I denne enheten vil du bli kjent med de to hovedfamiliene til MT (NMT- og LLM-basert oversettelse), lære hvilken som er best for hvilken jobb, hvordan du raskt kan måle råkvaliteten til en oversettelse før levering, og hvordan du velger motor i henhold til jobben. Målet er å gå bort fra ideen om «al like, paste-translate» og bli en ekspert som kan forutse hvilken tekst som passer for maskinen og som krever menneskeintensiv arbeidskraft.
To familier: NMT og LLM-basert oversettelse
NMT (Neural Machine Translation) er systemer som har lært av millioner av tospråklige setninger og oversetter setningen som en helhet; Google Translate, DeepL, Microsoft Translator er eksempler på disse. Styrker: veldig rask, konsekvent, flytende i korte setninger. Svakhet: ser ofte ikke sammenheng utover setningsgrensen (mening fra hele teksten); Det kan være vanskelig å avgjøre om ordet "bank" betyr bank eller elvebredd ved å se på avsnittet, og det passer ikke inn i listen over begreper.
LLM-basert oversettelse (Large Language Model) er bruk av instruksjonsdrevne modeller som ChatGPT, Claude, Gemini for oversettelse. Styrke: tar instruksjoner — forstår instruksjoner som «bruk formell tone», «følg denne listen over ord», «målgruppen er barn»; ser den bredere sammenhengen; fanger idiom og tone bedre. Svakhet: kan noen ganger være "for kreativ" og legge til kilden (fare for hallusinasjoner), mister sammenheng i lange tekster, og kostnader/hastighet varierer avhengig av jobb.
Tommelfingerregel: i rette, repeterende, tekniske tekster er NMT vanligvis raskt og tilstrekkelig; LLM er mer fleksibel med tekster som krever disiplin i tone, kontekst, vokabular og instruksjon. De fleste fagfolk bruker i dag begge sammen: hurtigutkast fra NMT, tone/terminkorrigering fra LLM.
Tips: Maskinkvaliteten til et språkpar (f.eks. tyrkisk→engelsk) kan avvike fra motsatt retning (engelsk→tyrkisk). Språk med agglutinativ, fleksibel syntaks, som tyrkisk, er generelt mer utfordrende for MT. Vurder selv hvilken motor som er best i ditt eget par med noen få eksempeltekster.
Maskinkompatibilitet for tekst: spør dette først
Ikke alle tekster er like egnet for maskinen. Før du starter oversettelsen, send teksten gjennom et "egnethet"-filter:
- Godt egnet til maskinen: teknisk manual, produktbeskrivelse, repeterende grensesnitttekst, standard korrespondanse, tabell/liste. Språket er enkelt, terminologien er fast, kreativiteten er knapp.
- Medium egnet: nyheter, bedriftsinnhold, pedagogisk materiale. Maskinen produserer gode konturer, men krever seriøs etterredigering for tone og flyt.
- Ikke egnet for maskin (høy risiko): juridisk kontrakt, medisinsk tekst, annonse/slagord, litterær tekst, humor, poesi. Her gir maskinen bare ideer; Jobben faller i stor grad på folk.
Hvis du gjør dette skillet fra begynnelsen, vil du både gi kunden riktig tid/pris og beskytte deg mot blindt å stole på råproduksjonen.
Mål rå utskriftskvalitet raskt
Når du ser en MT-utgang lurer du på "er den bra eller dårlig?" Svar på spørsmålet med en rask sjekkliste, ikke intuisjon. Se på disse fem dimensjonene: nøyaktighet (er betydningen tro mot kilden?), fullstendighet (er setningen utelatt eller lagt til?), terminologi (er den korrekt og konsistent?), flyt (er det naturlig i målspråket?), format (er tagger, tall, formatering bevart?). Vi vil utdype disse dimensjonene i neste kvalitetsenhet; For nå, la det være din før-leveringsrefleks.
Forsiktig: De farligste feilene i MT-utdata er de "flytende, men feil". Setningen kan være på perfekt tyrkisk, men "15% rabatt" i kilden kan ha blitt endret til "50% rabatt". Ikke la deg skremme av flyt; Se alltid på tall, negativ og egennavn separat.
tre minisaker
Tilfelle 1 — Høyre motor halverte tiden. En oversetter valgte å oversette et 12 000-ords programvaregrensesnitt med NMT og et markedsføringshefte med samme volum med LLM. NMTs konsistens i grensesnittet gjorde arbeidet raskere; LLMs tonale fleksibilitet i heftet reduserte omskrivingsbyrden med 40 %. Å gi begge jobbene til samme motor ville kaste bort tid.
Sak 2 – Forhåndsvurdering sparte prisen. Et kontor var i ferd med å tilby en lovtekst fordi «det kan lages av maskiner, det blir billig». I forhåndsevalueringen ble en prøve på 500 ord oversatt; Maskinen returnerte to juridiske termer med feil systems ekvivalent. Kontoret priset arbeidet som «tung etterredigering» og ga en realistisk frist; Han unngikk å tape penger på grunn av feil tilbud.
Tilfelle 3 — Språkparforskjell. Et team mente at en motor som fungerte bra på engelsk→tysk var av samme kvalitet på tyrkisk→arabisk. Testen på 300 ord viste at den arabiske utgangen krevde mye mer korreksjon. Teamet tildelte forskjellige motorer og forskjellige etterredigeringsbudsjetter avhengig av språkparet.
Fire kopierbare maler
1) Evaluering av tekstegnethet:
Din rolle: senior MTPE-spesialist. Vurder følgende tekst for egnethet for maskinoversettelse: bokstavelig/teknisk eller kreativ/kontekstuell? Klassifiser det som (1) svært maskinvennlig, (2) middels, (3) høy risiko og skriv begrunnelsen din. Estimer forventet belastning etter redigering som lett/middels/tung. Teksteksempel: [lim inn 200–300 ord]
2) Instruert LLM-oversettelse (med terminologi og tonekontroll):
Oversett denne teksten [kilde]→[mål].Publikum: [hvem]. Tone: [f.eks. offisiell]. Felt: [f.eks. finans].Liste over begreper (pass på å bruke): [A→a, B→b].Regler: ikke legg til det som ikke står i kilden, behold tall/datoer/navn, bytt ut hver setning med en setning. Merk hvor du ikke er sikker med [?]. Tekst: [...]
3) Sammenligning av to motorer:
Nedenfor er to forskjellige oversettelser av samme kildesetning (A og B). Sammenlign hver med hensyn til korrekthet, terminologi og naturlighet, og fortell meg hvilken som vil kreve mindre korreksjon, med begrunnelsen. Kilde: [...] | Oversettelse A: [...] | Oversettelse B: [...]
4) Rask inspeksjon av rå utgang:
Nedenfor er kilden og maskinoversettelsen. Bare merk følgende: (1) utelatt/tilføyd informasjon, (2) feil nummer/dato/navn, (3) negasjonsfeil, (4) inkonsistent term. Ikke skriv noen rettelser, bare oppgi de risikofylte områdene. Kilde: [...] | Oversettelse: [...]
Svak forespørsel / Sterk forespørsel
Svak: "Oversett denne teksten, så blir den bra." (For motoren er "bra" udefinert; ingen tone, ingen term, ingen masse.)
Güçlü: "Oversett denne produktbeskrivelsen fra engelsk til tyrkisk. Område: e-handel. Publikum: ung forbruker. Tone: vennlig, men betryggende. 'kasse' → 'kassetrinn', 'ønskeliste' → 'ønskeliste'. Endre tallene og merkenavnet. Flytende tyrkisk uten noen oversettelseslukt."
Forskjell: sterk melding gir motoren et målbart mål; utgangen tilsvarer direkte det etterredigerte utkastet.
NMT vs LLM sammenligningsdiagram
Størrelse
NMT (Google, DeepL)
LLM (ChatGPT, Claude)
hastighet
veldig raskt
medium
Motta instruksjon/tone
svak
sterk
Overhold terminlisten
begrenset
Bra (med spørsmål)
Bred kontekst
svak
bra
Risiko for hallusinasjoner
lav
Middels (kontroll kreves)
mest passende jobb
Rett/teknisk/repeterende
Tone/kontekst/kreativ
Vanlige feil
- Bruker samme motor for hver jobb. Å ikke velge motor i henhold til type arbeid fører til tap av tid og kvalitet.
- Oppgi pris/tid uten forhåndsvurdering. En test på 200-300 ord avslører overraskelsene fra begynnelsen.
- Ta feil av flyt for nøyaktighet. En vakker setning betyr ikke en riktig setning.
- Ignorerer språkparet og retningsforskjellen. En god motor i ett par kan være svak i et annet.
- Legger ikke merke til LLMs tillegg. LLM legger noen ganger til setninger som ikke er i kilden "for å hjelpe"; sjekk dette.
Kontekstvindu og konsistens
Når du oversetter lang tekst med LLM, er det nødvendig å kjenne til én teknisk grense: kontekstvinduet — hvor mye tekst modellen kan "se" og beholde i tankene om gangen. Hvis teksten er større enn dette vinduet, må du dele den opp i biter, og modellen kan "glemme" i neste del termbeslutningen eller tonen du tok i de forrige bitene. Så i stedet for å oversette en lang bok eller et dokument i ett stykke, opprettholder det konsistensen å minne hver del av termbasen og stilsammendraget. Dette problemet forekommer ikke i korte tekster; Men i lange verk som romaner og manualer, er det nødvendig å i tillegg sjekke konsistensen i passasjer. Praktisk løsning: å forberede et "prosjektminne" (termer + tegn + toneavgjørelser) og legge det til i begynnelsen av hvert stykke og skanne for konsistens mellom stykkene på slutten av oversettelsen. I NMT oppleves dette problemet på en annen måte: Siden NMT oversetter setning for setning, er avsnittslengdekonsistensen allerede svak, så termbase påtar seg begrepet disiplin.
Oppsummert
Det er to familier av maskinoversettelse: NMT, som er rask og konsekvent, og LLM, som tar instruksjoner og ser sammenheng og tone bedre. Mesteroversetteren vurderer egnetheten til teksten for maskinen på forhånd, velger motor i henhold til jobben, måler raskt kvaliteten på råproduksjonen før levering, og forveksler aldri flyt med nøyaktighet. Denne pre-evalueringsrefleksen lar deg både gi en realistisk tid/pris og beskytte deg selv mot blind tillit.
Søknadsoppgave
Oversett den samme teksten på 200 ord med både et NMT-verktøy og et LLM. Sammenlign de to utgangene på fem dimensjoner (nøyaktighet, fullstendighet, terminologi, flyt, format) og skriv grunner for hvilke man krever mindre etterredigering for denne teksten. Deretter flagger problem-/beredskaps-/termrisikoer på begge med malen "raw output quick check".
sjekkliste
- [ ] Jeg klassifiserte tekstens egnethet for maskinen (lav/middels/høy risiko).
- [ ] Avhengig av jobbtype bestemte jeg meg for om jeg skulle bruke NMT eller LLM.
- [ ] Jeg gjorde en foreløpig vurdering med et lite utvalg og bestemte varigheten/prisen deretter.
- [ ] Jeg inspiserte raskt råproduksjonen i fem dimensjoner.
- [ ] Jeg sjekket tall, dato, navn og negativer separat uten å bli lurt av flyten.