ஆதாயங்கள்:
- தானியங்கி QA மற்றும் மொழியியல் LQA அடுக்குகளை வேறுபடுத்தி, இரண்டையும் சரியான வரிசையில் பயன்படுத்துவதற்கான திறன்
- MQM போன்ற பிழை கட்டமைப்பைக் கொண்டு, வகை மற்றும் எடை (முக்கியமான/பெரிய/சிறிய) அடிப்படையில் மொழிபெயர்ப்பை புறநிலையாக மதிப்பிடும் திறன்
- AI ஐ ஆடிட்டராகப் பயன்படுத்தும் போது, அதன் சொந்த மொழிபெயர்ப்பில் குருட்டுத்தன்மை, தவறுகள் செய்யும் ஆபத்து மற்றும் தானியங்கு அளவீடுகளின் வரம்புகள் ஆகியவற்றை அறிந்து இறுதி முடிவை எடுக்க முடியும்.
ஒரு மொழிபெயர்ப்பு "முடிந்தது" என்று நீங்கள் கூறும்போது, அது பாதி வேலையாகிவிடும்; மறுபாதி அந்த மொழிபெயர்ப்பு உண்மையில் நம்பகமானது என்பதை நிரூபிப்பதாகும். இந்த யூனிட்டில், மொழிபெயர்ப்பின் தரத்தை அளவிடுவதற்கான முறையான வழிகளைக் கற்றுக்கொள்வீர்கள்: தானியங்கு QA சரிபார்ப்புகள், மனித அடிப்படையிலான LQA பிழை கட்டமைப்புகள், தர அளவீடுகள் மற்றும் AI ஐ "இன்ஸ்பெக்டராக" எவ்வாறு பயன்படுத்துவது - மற்றும் அதன் வரம்புகள். "நல்லது என்று நினைக்கிறேன்" என்ற அகநிலையிலிருந்து விலகி, தரத்தை வரையறுத்து, அளந்து, நிரூபிக்கும் நிபுணராக மாறுவதே இதன் நோக்கம்.
இரண்டு வகையான தரக் கட்டுப்பாடு: தானியங்கி மற்றும் மொழியியல்
QA (தர உத்தரவாதம்) மொழிபெயர்ப்பில் இரண்டு அடுக்குகளில் செயல்படுகிறது:
தானியங்கு QA: CAT கருவிகள் மற்றும் ஸ்கிரிப்டுகள் பிடிக்கும் ஸ்டைலிஸ்டிக் பிழைகள் — எண் பொருத்தமின்மை, விடுபட்ட/அதிகமான இடம், சீரற்ற சொல், மொழிபெயர்க்கப்படாத பிரிவு, மோசமான ஒதுக்கிட/குறிச்சொல், இரட்டை இடம், நிறுத்தற்குறி. இவை இயந்திரத்தால் விரைவாகவும் முழுமையாகவும் ஸ்கேன் செய்யப்படுகின்றன; அது மனிதக் கண்ணிலிருந்து தப்பியது, ஆனால் வாகனம் அதைப் பிடிக்கிறது.
LQA (மொழியியல் தர உத்தரவாதம்): இது ஒரு மனித மதிப்பீட்டாளர் பொருள், சொற்கள், நடை, இலக்கணம் மற்றும் உள்ளூர் பொருத்தத்தை ஆய்வு செய்யும் அடுக்கு ஆகும். தானியங்கு QA "எண் பொருந்துமா?" கேள்வியைப் பார்க்கிறது; LQA "அர்த்தம் சரியானதா, தொனி பொருத்தமானதா, கலாச்சார ரீதியாக பொருத்தமானதா?" அவர் கேள்வியைப் பார்க்கிறார். இரண்டும் ஒன்றையொன்று பூர்த்தி செய்கின்றன; ஒன்று மற்றொன்றை மாற்றாது.
உதவிக்குறிப்பு: எப்போதும் ஆட்டோ க்யூஏவை முதலில் இயக்கவும்; முறையான பிழைகளை சுத்தம் செய்வது மனித மதிப்பீட்டாளர் உண்மையான மொழியியல் பிரச்சனைகளுக்கு கவனம் செலுத்த அனுமதிக்கிறது. எண் பிழையால் தொந்தரவு செய்யும் மதிப்பாய்வாளர் தொனிப் பிழையைத் தவறவிடுவார்.
பிழை சட்டங்கள்: MQM மற்றும் DQF
"நல்லது/கெட்டது" என்பதை விட தரத்தை அளவிடக்கூடியதாக மாற்ற நிலையான பிழை வகைப்பாடுகள் பயன்படுத்தப்படுகின்றன. மிகவும் பொதுவானது MQM (பல பரிமாண தர அளவீடுகள்): இது ஒவ்வொரு பிழையையும் ஒரு வகைக்கு (துல்லியம், சரளமான, சொற்களஞ்சியம், நடை, வட்டாரம், வடிவம்) மற்றும் ஒரு எடை (முக்கியமான, பெரிய, சிறிய) ஒதுக்குகிறது. மற்றொரு கட்டமைப்பானது DQF (டைனமிக் குவாலிட்டி ஃப்ரேம்வொர்க்) மற்றும் MQM உடன் குறிப்பிடப்பட்டுள்ளது.
அது ஏன் முக்கியம்? ஏனெனில் இந்த கட்டமைப்பின் மூலம், நீங்கள் ஒரு மொழிபெயர்ப்புக்கு பிழை மதிப்பெண்ணை வழங்கலாம், வெவ்வேறு மொழிபெயர்ப்பாளர்கள்/இயந்திரங்களை புறநிலையாக ஒப்பிட்டு "இந்த உரையை வழங்க முடியுமா?" நீங்கள் கேள்விக்கு எண் வாசலில் பதிலளிக்கிறீர்கள். எடுத்துக்காட்டாக: முக்கியமான பிழை = 10 புள்ளிகள், பெரிய = 5, சிறிய = 1; ஒரு குறிப்பிட்ட வார்த்தைக்கு ஒரு குறிப்பிட்ட வரம்புக்கு கீழே உள்ள உரை கடந்து செல்கிறது.
முக்கியப் பிழை: அர்த்தத்தைத் தலைகீழாக மாற்றும், பாதுகாப்பு/சட்ட அபாயத்தை உருவாக்கும், பிராண்டை சேதப்படுத்தும் பிழை (தவறான அளவு, "பொறுப்பு" என்பதற்குப் பதிலாக "பொறுப்பு இல்லை"). முக்கிய: இடையூறு விளைவிக்கும் ஆனால் பாதிப்பில்லாதது. சிறியது: கவனிக்கத்தக்கது ஆனால் அர்த்தத்திலிருந்து விலகாது (சிறிய நடை/நிறுத்தக்குறிப்பு).
AI ஐ ஒரு கட்டுப்படுத்தியாகப் பயன்படுத்துதல் - மற்றும் அதன் வரம்புகள்
AI வேகமாகவும், பிழை கட்டமைப்பிற்கு எதிராக ஒரு மொழிபெயர்ப்பைச் சரிபார்ப்பதில் உதவிகரமாகவும் உள்ளது: "MQM வகைகளுடன் இந்த மொழிபெயர்ப்பில் சரியான தன்மை, சொற்கள், சரளமான பிழைகளைக் குறிக்கவும்" என்று நீங்கள் கூறலாம். இது உங்கள் குருட்டுப் புள்ளிகளைக் குறைத்து, உங்களுக்கு விரைவான "இரண்டாவது கண்" தருகிறது.
ஆனால் மூன்று முக்கியமான வரம்புகள் உள்ளன: (1) அது உருவாக்கும் மொழிபெயர்ப்பைச் சரிபார்க்கும் போது AI குருடாக இருக்கலாம் - இரண்டும் ஒரே தவறைச் செய்வது மற்றும் உறுதிப்படுத்துவது; வேறு மாதிரியுடன் குறுக்கு சோதனை அல்லது மூலத்திற்கு திரும்பவும். (2) AI மாயத்தோற்றமான "பிழைகளை" உருவாக்கலாம் - இல்லாத பிழையைப் புகாரளிக்கவும்; ஒவ்வொரு எச்சரிக்கையையும் உறுதிப்படுத்தவும். (3) ஒரு முக்கியமான பிழையின் நிஜ-உலக தீவிரத்தை AI முழுமையாக புரிந்து கொள்ளாமல் போகலாம் (ஒரு டோஸ் பிழை ஆபத்தானது); நிபுணர் எடையிடல் செய்கிறார். எனவே AI QA ஐ வேகப்படுத்துகிறது, ஆனால் இறுதி தர முடிவு மற்றும் விநியோக ஒப்புதல் மனிதனிடம் உள்ளது.
எச்சரிக்கை: "AI QA ஐத் தாண்டியது, அது சுத்தமாக இருக்கிறது" என்று சொல்வது தவறான நம்பிக்கையாகும். AI தணிக்கை மனித LQA க்கு மாற்றாக இல்லை மற்றும் மூலத்துடன் ஒப்பிடப்படுகிறது; இது ஒரு ப்ரீ-ஸ்கிரீனிங் லேயர், இது அவர்களை வேகப்படுத்துகிறது.
மூன்று சிறிய வழக்குகள்
வழக்கு 1 - தானியங்கு QA 40 எண் பிழைகளைக் கண்டறிந்தது. ஒரு நிதி அறிக்கை மொழிபெயர்ப்பில், தானியங்கு QA 40 எண்கள்/வடிவமைப்புகளில் மூலத்திற்கும் இலக்குக்கும் இடையில் பொருந்தவில்லை (ஆயிரம் பிரிப்பான், தசமம், நாணயம்). இவற்றில் பெரும்பாலானவற்றை மனிதக் கண் தவறவிடும்; நொடிகளில் பட்டியலிடப்பட்ட வாகனம்.
வழக்கு 2 - MQM மதிப்பெண் இயந்திரத் தேர்வுக்கு வழிவகுத்தது. ஒரு பணியகம் MQM-இரண்டு வெவ்வேறு MT இன்ஜின்களின் வெளியீட்டை 2,000 வார்த்தைகளில் மதிப்பிட்டது: எஞ்சின் A 12 பிழைப் புள்ளிகள், எஞ்சின் B 31. குறிக்கோள் அளவீடு "எது சிறந்தது" என்ற விவாதத்தை ஒரு மதிப்பெண்ணுடன் தீர்த்தது; பணியகம் எஞ்சின் A ஐ தரநிலையாக்கியது மற்றும் அதன் திருத்தத்திற்கு பிந்தைய பட்ஜெட்டை அதற்கேற்ப திட்டமிட்டது.
வழக்கு 3 - AI தணிக்கை அதன் சொந்த தவறை தவறவிட்டது. ஒரு மொழிபெயர்ப்பாளர் LLM இன் மொழிபெயர்ப்பை அதே LLM ஆல் மேற்பார்வை செய்தார்; மாடல் "நோ ப்ராப்ளம்" என்று சொன்னாள், அது அவளே செய்த சொற்களஞ்சியம். மொழிபெயர்ப்பாளர் வேறு மாதிரி மற்றும் மூலத்துடன் குறுக்கு சோதனை செய்தபோது பிழை தெரியவந்தது; "அதே மாதிரி தன்னைக் கட்டுப்படுத்தக் கூடாது" என்ற விதியை அணி ஏற்றுக்கொண்டது.
நகலெடுக்கக்கூடிய நான்கு வார்ப்புருக்கள்
1) MQM அடிப்படையிலான பிழை சரிபார்ப்பு:
உங்கள் பங்கு: LQA மதிப்பீட்டாளர். கீழே உள்ள மூலத்தையும் மொழிபெயர்ப்பையும் ஒப்பிடுக. நீங்கள் காணும் ஒவ்வொரு பிழையையும் பின்வரும் வடிவத்தில் வழங்கவும்: [வகை: துல்லியம்/சொற்கள்/சரளமான/நடை/வடிவம்][எடை: முக்கியமான/பெரிய/சிறிய] [இடம்] [கருத்து] [திருத்தம்]. உங்களுக்குத் தெரியாத எச்சரிக்கையை "உறுதிப்படுத்தல் தேவை" எனக் குறிக்கவும்; errorfabrication.Source: [...] | மொழிபெயர்ப்பு: [...]
2) முக்கியமான பிழை ஸ்கேனிங் (அதிக ஆபத்து):
முக்கியமான பிழைகளை கீழே உள்ள மொழிபெயர்ப்பில் மட்டும் பார்க்கவும்: அதாவது தலைகீழ், எண்/டோஸ்/தேதி பிழை, நிராகரிப்பு இழப்பு, சட்டப்பூர்வ கடமைக்கு மாற்றீடு, பாதுகாப்பு எச்சரிக்கை பிழை. சிறிய ஸ்டைலிங் சிக்கல்களை புறக்கணிக்கவும். ஒவ்வொரு முக்கியமான கண்டுபிடிப்புக்கும் மூலத்தை மேற்கோள் காட்டுங்கள்.ஆதாரம்: [...] | மொழிபெயர்ப்பு: [...]
3) தானியங்கி QA துணைக் கட்டுப்பாடு:
பின்வரும் மூல-இலக்கு ஜோடிகளில் முறையான முரண்பாடுகளை பட்டியலிடவும்: எண் பொருத்தமின்மை, விடுபட்ட/கூடுதல் ஒதுக்கிட அல்லது குறிச்சொல், சீரற்ற சொல், மொழிபெயர்க்கப்படாத பிரிவு, அலகு/நாணய வேறுபாடு. அவர்களின் இருப்பிடத்தில் உள்ள பிரச்சனைகளை மட்டும் கொடுங்கள். ஜோடிகள்: [...]
4) சுதந்திரமான இரண்டாவது கண் (குறுக்கு சரிபார்ப்பு):
பாரபட்சம் இல்லாமல் இந்த மொழிபெயர்ப்பை மதிப்பிடுங்கள்; நீங்கள் எழுதியதாக நினைக்க வேண்டாம். நம்பகத்தன்மை, சொற்களஞ்சியம் மற்றும் இயல்பான தன்மை ஆகியவற்றிற்கான தர மதிப்பீட்டை (1-5) மூலத்திற்கு வழங்கவும், மேலும் முதல் 3 சிக்கல்களை பட்டியலிடவும். முடிவெடுப்பது நான்தான். ஆதாரம்: [...] | மொழிபெயர்ப்பு: [...]
பலவீனமான வரியில் / வலுவான வரியில்
பலவீனம்: "இந்த மொழிபெயர்ப்பு நல்லதா?" (எந்த அளவுகோலும் இல்லை; AI ஆனது "பொதுவாக நல்லது" போன்ற பயனற்ற பதிலை வழங்குகிறது.)
வலிமையானது: "மூலத்திற்கு எதிராக இந்த மொழிபெயர்ப்பைச் சரிபார்க்கவும். ஒவ்வொரு பிழையையும் வகை (துல்லியம்/சொற்சொற்கள்/சரளமாக) மற்றும் தீவிரம் (முக்கியமான/பெரிய/சிறியது) என லேபிளிடுங்கள். குறிப்பாக எண், மறுப்பு மற்றும் சொற்களஞ்சியப் பிழைகளில் கவனம் செலுத்துங்கள். பிழைகளை உருவாக்க வேண்டாம்; உங்களுக்குத் தெரியாவிட்டால் 'உறுதிப்படுத்தல் தேவை' எனக் குறிக்கவும்."
வேறுபாடு: வலுவான வரியில் ஒரு பிழை சட்டத்தையும் கவனம் செலுத்துகிறது; வெளியீடு ஒப்பிடக்கூடிய மற்றும் செயல்படக்கூடிய தர அறிக்கை.
தரமான அடுக்குகள் அட்டவணை
அடுக்கு
என்ன பிடிக்கிறது
யார்/என்ன செய்வது
ஆட்டோ QA
எண், லேபிள், நிலைத்தன்மை
கருவி/ஸ்கிரிப்ட்
AI கட்டுப்பாடு
சாத்தியமான பொருள்/சொற் பிழைகள்
LLM (உறுதிப்படுத்துதலுடன்)
மனித LQA
பொருள், தொனி, கலாச்சாரம், எடை
நிபுணர் மதிப்பீட்டாளர்
MQM/DQF மதிப்பெண்
குறிக்கோள் பிழை மதிப்பெண்
சட்டத்துடன் கூடிய மனிதர்
விநியோக உறுதிப்படுத்தல்
இறுதி பொறுப்பு
திறமையான மொழிபெயர்ப்பாளர்
பொதுவான தவறுகள்
- தானியங்கு QA ஐத் தவிர்த்துவிட்டு நேரடியாகப் படிக்கலாம். ஸ்டைலிஸ்டிக் பிழைகள் கவனத்தை சிதறடிக்கும்.
- AI ஆய்வை மனித LQA உடன் மாற்றுகிறது. AI முன்-திரைகள், அங்கீகரிக்கவில்லை.
- அதே மாதிரியை வைத்திருப்பது அதன் சொந்த மொழிபெயர்ப்பைச் சரிபார்க்கவும். குருட்டுப் புள்ளி; குறுக்கு சோதனை தேவை.
- எடையிடல் பிழைகள் அல்ல. விமர்சனத்தையும் சிறியதையும் ஒரே மாதிரியாகப் பார்ப்பது முன்னுரிமையை சீர்குலைக்கிறது.
- AI ஆல் உருவாக்கப்பட்ட "பிழைகளை" உறுதிப்படுத்தாமல் சரிசெய்தல். நீங்கள் சரியான வாக்கியத்தை சிதைக்கலாம்.
தானியங்கி அளவீடுகள்: BLEU, COMET மற்றும் வரம்புகள்
தர அளவீட்டில் தானியங்கி அளவீடுகளின் உலகமும் உள்ளது. BLEU (இருமொழி மதிப்பீட்டு அண்டர்ஸ்டுடி) ஒரு இயந்திர மொழிபெயர்ப்பை மனித குறிப்பு மொழிபெயர்ப்புடன் ஒப்பிட்டு, வார்த்தை மேலெழுதலின் அடிப்படையில் 0-100 மதிப்பெண்ணை வழங்குகிறது; இது நீண்ட காலமாக எம்டி அமைப்புகளை ஒப்பிடுவதற்கான தரநிலையாக இருந்தது. ஒரு புதிய மெட்ரிக், COMET, நியூரல் நெட்வொர்க் அடிப்படையிலானது மற்றும் BLEU ஐ விட சிறந்த சொற்பொருள் ஒற்றுமையைப் பிடிக்கிறது. பெரிய தரவுகளில் இரண்டு இயந்திரங்களை விரைவாகவும் தானாகவும் ஒப்பிடுவதற்கு இந்த அளவீடுகள் மதிப்புமிக்கவை.
ஆனால் அதன் வரம்புகள் தெளிவாக உள்ளன: BLEU போன்ற அளவீடுகள் வார்த்தை ஒன்றுடன் ஒன்று பார்க்கின்றன, உண்மையில் அர்த்தம் புரியவில்லை. குறிப்பிலிருந்து வேறுபட்ட ஆனால் துல்லியமான மொழிபெயர்ப்பு குறைந்த மதிப்பெண்ணைப் பெறலாம்; குறிப்புக்கு ஒத்த ஆனால் தவறான மொழிபெயர்ப்பு அதிக மதிப்பெண் பெறலாம். ஒரு முக்கியமான எதிர்மறைப் பிழை என்பது ஒற்றைச் சொல்லாகும், எனவே இது மெட்ரிக்கில் சிறிய தாக்கத்தை ஏற்படுத்துகிறது, ஆனால் உண்மையில் பேரழிவை ஏற்படுத்துகிறது. அதனால்தான் தானியங்கு அளவீடுகள் கணினி மட்டத்தில் போக்குகளை அளவிடுகின்றன, தனிப்பட்ட உரையின் விநியோகத்தை தீர்மானிக்கவில்லை. MQM-அடிப்படையிலான மனித மதிப்பீடு மற்றும் நிபுணத்துவத் தீர்ப்பு, ஒரு மொழிபெயர்ப்பு வாடிக்கையாளருக்குச் செல்கிறதா என்பதைத் தீர்மானிக்கிறது, தானியங்கி மதிப்பெண் அல்ல. அளவீடுகளை ஒரு திசைகாட்டியாகப் பயன்படுத்துங்கள், நீதிபதியாக அல்ல.
சுருக்கமாக
மொழிபெயர்ப்புத் தரம் என்பது ஒரு அகநிலை உணர்வு அல்ல, அது அளவிடக்கூடிய ஒன்று. தானியங்கி QA முறையான பிழைகளை முழுமையாக ஸ்கேன் செய்கிறது; மனித LQA பொருள், தொனி மற்றும் கலாச்சாரத்தை மதிப்பிடுகிறது; MQM போன்ற பிழை கட்டமைப்புகள் வகை மற்றும் எடையின் அடிப்படையில் தரத்தை அளவிடுகின்றன, புறநிலை ஒப்பீட்டை செயல்படுத்துகின்றன. AI என்பது இந்த கட்டுப்பாட்டை விரைவுபடுத்தும் சக்திவாய்ந்த இரண்டாவது கண் ஆகும், ஆனால் அது அதன் சொந்த மொழிபெயர்ப்பில் குருடாக இருக்கலாம், தவறுகளைச் செய்யலாம் மற்றும் நிஜ உலக எடையை முழுமையாகப் புரிந்துகொள்ளத் தவறிவிடும்; எனவே, இறுதி தர முடிவு, எடை மற்றும் விநியோக ஒப்புதல் திறமையான மொழிபெயர்ப்பாளருக்கு சொந்தமானது.
விண்ணப்ப பணி
இயந்திர மொழிபெயர்ப்பு வெளியீட்டைப் பெறவும். முறையான பிழைகளை முதலில் "தானியங்கி QA துணை சரிபார்ப்பு" மூலம் பட்டியலிடவும், பின்னர் "MQM- அடிப்படையிலான பிழை சரிபார்ப்பு" மூலம் வகை மற்றும் எடை அடிப்படையில் மொழியியல் பிழைகளை பட்டியலிடவும். நான் ஒவ்வொரு பிழையையும் (முக்கியமான 10, பெரிய 5, சிறிய 1) ஒரு வார்த்தைக்கு ஒரு வரம்புடன் மதிப்பிட்டு, "அதை வழங்க முடியுமா?" கேள்விக்கு பதில் சொல்லுங்கள். இறுதியாக, AI ஆல் கொடியிடப்பட்ட எத்தனை பிழைகள் உண்மையானவை மற்றும் எத்தனை புனையப்பட்டவை என்பதை ஆதாரத்துடன் உறுதிப்படுத்தவும்.
சரிபார்ப்பு பட்டியல்
- [ ] நான் தானியங்கு QA ஐ இயக்கி, முறையான பிழைகளை நீக்கிவிட்டேன்.
- [ ] மொழியியல் பிழைகளை ஒரு பெட்டியில் (வகை + எடை) குறித்துள்ளேன்.
- [ ] நான் முக்கியமான பிழைகளை ஒரு தனி, முன்னுரிமைப்படுத்தப்பட்ட சுற்றில் ஸ்கேன் செய்தேன்.
- [ ] நான் AI கட்டுப்பாட்டை ஆதாரமாகக் கொண்டேன் மற்றும் தேவைப்பட்டால் அதை வேறு மாதிரியுடன் சரிபார்த்தேன்.
- [ ] எண் வரம்பு மற்றும் எனது சொந்த நிபுணர் தீர்ப்பின் அடிப்படையில் டெலிவரி முடிவை எடுத்தேன்.