Прибуток:
- Здатність розрізняти сильні та слабкі сторони перекладу на основі NMT і LLM і вибрати правильний механізм відповідно до типу бізнесу
- Можливість попередньо класифікувати придатність тексту для машини та попередньо оцінити його за реалістичний час і ціну
- Можливість швидко виміряти якість необробленого машинного виходу в п’яти вимірах і позначити ризики, не плутаючи плавність з точністю
Найпотужнішим прискорювачем, який ви маєте як перекладач, є машинний переклад (MT), але свідоме використання інструменту означає застосування його до правильної роботи, у правильній мовній парі та з правильними очікуваннями. У цьому розділі ви познайомитеся з двома основними сімействами МТ (переклад на основі NMT і LLM), дізнаєтеся, який з них краще підходить для якої роботи, як швидко виміряти вихідну якість перекладу перед доставкою та як вибрати механізм відповідно до роботи. Мета полягає в тому, щоб відійти від ідеї «все одно, вставити-перекласти» і стати експертом, який може передбачити, який текст підходить для машини, а який потребує інтенсивної праці людини.
Два сімейства: переклад на основі NMT і LLM
NMT (Neural Machine Translation) — це системи, які вивчають мільйони двомовних речень і перекладають речення в цілому; Прикладами таких є Google Translate, DeepL, Microsoft Translator. Сильні сторони: дуже швидкий, послідовний, вільно говорить короткими реченнями. Слабкість: часто не бачить контексту за межею речення (тобто з усього тексту); Може бути важко вирішити, чи означає слово «берег» берег або берег річки, подивившись на абзац, і воно не підходить до наданого списку термінів.
Переклад на основі LLM (Large Language Model) — це використання моделей, керованих інструкціями, таких як ChatGPT, Claude, Gemini для перекладу. Сильна сторона: приймає інструкції — розуміє такі інструкції, як «використовуйте офіційний тон», «дотримуйтеся цього списку термінів», «цільова аудиторія — діти»; бачить ширший контекст; краще вловлює ідіому та тон. Слабкість: іноді може бути «надто креативним» і додати до джерела (ризик галюцинацій), втрачає зв’язність у довгих текстах, а вартість/швидкість змінюється залежно від роботи.
Емпіричне правило: у прямих, повторюваних, технічних текстах NMT зазвичай швидкий і адекватний; LLM є більш гнучким з текстами, які вимагають дисципліни в тоні, контексті, словниковому запасі та інструкціях. Більшість професіоналів сьогодні використовують обидва разом: швидку чернетку від NMT, корекцію тону/терму від LLM.
Порада. Машинна якість мовної пари (наприклад, турецька→англійська) може відрізнятися від протилежного напрямку (англійська→турецька). Мови з аглютинативним, гнучким синтаксисом, такі як турецька, зазвичай більш складні для MT. Судіть самі, який движок кращий у вашій власній парі, за допомогою кількох прикладів текстів.
Машинна сумісність тексту: спочатку запитайте це
Не кожен текст однаково підходить для машини. Перед початком перекладу пропустіть текст через фільтр «придатності»:
- Добре підходить для машини: технічний посібник, опис продукту, повторюваний текст інтерфейсу, стандартна відповідність, таблиця/список. Мова зрозуміла, термінологія усталена, креативності мало.
- Середньо підходить: новини, корпоративний контент, навчальні матеріали. Машина створює гарні контури, але вимагає серйозного постредагування для тону та потоку.
- Не підходить для машини (високий ризик): юридичний договір, медичний текст, реклама/слоган, літературний текст, гумор, поезія. Тут машина лише дає ідеї; Робота значною мірою лягає на плечі людей.
Якщо ви зробите це розрізнення з самого початку, ви одночасно надасте клієнту правильний час/ціну та захистите себе від сліпої довіри до необробленого результату.
Швидко вимірюйте вихідну якість
Коли ви бачите результат MT, ви задаєтеся питанням: «добре це чи погано?» Дайте відповідь на запитання за допомогою короткого контрольного списку, а не інтуїції. Подивіться на ці п’ять вимірів: точність (чи вірне значення джерелу?), повнота (речення пропущено чи додано?), термінологія (чи вона правильна та узгоджена?), вільність (чи це природно для цільової мови?), формат (чи збережено теги, числа, форматування?). Ми поглибимо ці виміри в наступному розділі якості; А поки нехай це буде вашим передпологовим рефлексом.
Застереження: найнебезпечніші помилки виведення MT – це «плавні, але неправильні». Речення може бути написане ідеальною турецькою мовою, але «15% знижка» в джерелі, можливо, було змінено на «50% знижка». Нехай вас не лякає вільне мовлення; Завжди дивіться на число, відмінку та власний іменник окремо.
три міні-чохла
Випадок 1 — правий двигун скоротив час вдвічі. Один перекладач вирішив перекласти програмний інтерфейс із 12 000 слів за допомогою NMT і маркетинговий буклет такого ж обсягу за допомогою LLM. Узгодженість інтерфейсу NMT пришвидшила роботу; Тональна гнучкість LLM у брошурі зменшила навантаження на переписування на 40%. Передача обох завдань одному механізму призведе до втрати часу.
Випадок 2 — Попередня оцінка врятувала ціну. Офіс збирався запропонувати юридичний текст, тому що «його можна зробити машинами, це буде дешево». Під час попередньої оцінки було перекладено зразок із 500 слів; Машина повернула два юридичні терміни з неправильним системним еквівалентом. Офіс оцінив роботу як «важке постредагування» та вказав реалістичний термін виконання; Він уникнув втрати грошей через неправильну пропозицію.
Випадок 3 — різниця мовних пар. Команда вважала, що механізм, який чудово працював англійською→німецькою, був такої ж якості турецькою→арабською. Тест із 300 слів показав, що вихідні дані арабською мовою вимагають набагато більше виправлень. Залежно від мовної пари команда розподілила різні двигуни та різні бюджети на постредагування.
Чотири шаблони, які можна копіювати
1) Оцінка придатності тексту:
Ваша посада: старший спеціаліст МТПЕ. Оцініть наступний текст на придатність для машинного перекладу: дослівний/технічний чи творчий/контекстуальний? Класифікуйте його як (1) дуже зручний для машин, (2) середній, (3) високий ризик і напишіть своє обґрунтування. Оцініть очікуване навантаження після редагування як легке/середнє/велике. Приклад тексту: [вставити 200-300 слів]
2) Інструкційний переклад LLM (з термінологією та контролем тембру):
Перекладіть цей текст [джерело]→[ціль]. Аудиторія: [хто]. Тон: [напр. офіційний]. Поле: [напр. фінанси].Список термінів (обов’язково використовувати): [А→а, Б→б].Правила: не додавати те, чого немає в першоджерелі, залишати цифри/дати/імена, замінювати кожне речення реченням. Позначте, де ви не впевнені, [?]. Текст: [...]
3) Порівняння двох двигунів:
Нижче наведено два різні переклади одного вихідного речення (A і B). Порівняйте кожну з точки зору правильності, термінології та природності та скажіть мені, яка потребуватиме менших виправлень, з обґрунтуванням. Джерело: [...] | Переклад A: [...] | Переклад B: [...]
4) Швидка перевірка вихідних даних:
Нижче наведено джерело та машинний переклад. Просто позначте наступне: (1) пропущена/додана інформація, (2) неправильний номер/дата/назва, (3) помилка заперечення, (4) непослідовний термін. Не пишіть жодних виправлень, просто перерахуйте ризиковані області. Джерело: [...] | Переклад: [...]
Слабка підказка / Сильна підказка
Слабкий: «Перекладіть цей текст, і вийде добре». (Для двигуна «добре» не визначено; немає тону, немає терміну, немає маси.)
Güçlü: «Перекладіть цей опис продукту з англійської на турецьку. Сфера: електронна комерція. Аудиторія: молодий споживач. Тон: доброзичливий, але заспокійливий. «оформлення замовлення» → «крок оформлення замовлення», «список бажань» → «список побажань». Змініть номери та назву бренду. Вільне володіння турецькою мовою без запаху перекладу».
Відмінність: сильна підказка дає механізму вимірну ціль; результат безпосередньо наближений до відредагованої чернетки.
Таблиця порівняння NMT і LLM
Розмір
NMT (Google, DeepL)
LLM (ChatGPT, Клод)
швидкість
дуже швидко
середній
Отримати інструкцію/тональний сигнал
слабкий
сильний
Дотримуватися переліку термінів
обмежений
Добре (з підказкою)
Широкий контекст
слабкий
добре
Ризик галюцинацій
низький
Середній (потрібен контроль)
найбільш підходяща робота
Прямий/технічний/повторний
Тон/контекст/креатив
Поширені помилки
- Використання одного механізму для кожної роботи. Невибір двигуна за типом робіт призводить до втрати часу та якості.
- Ціна/термін вказується без попередньої оцінки. Тест на 200-300 слів відкриває сюрпризи з самого початку.
- Приймаючи плавність за точність. Красиве речення не означає правильне речення.
- Ігнорування мовної пари та різниці напрямків. Хороший двигун в одній парі може бути слабким в іншій.
- Не помічаючи доповнень LLM. LLM іноді додає речення не в джерелі «щоб допомогти»; перевірте це.
Контекстне вікно та узгодженість
При перекладі довгого тексту за допомогою LLM необхідно знати одне технічне обмеження: контекстне вікно — кількість тексту, який модель може «бачити» і зберігати в пам’яті за раз. Якщо текст більший за це вікно, вам доведеться розділити його на фрагменти, і модель може «забути» в наступному фрагменті термінове рішення або тон, який ви прийняли в попередніх фрагментах. Таким чином, замість того, щоб перекладати довгу книгу чи документ одним фрагментом, нагадування кожному фрагменту про термінологічну базу та стильове резюме підтримує послідовність. Ця проблема не виникає в коротких текстах; Однак у великих творах, таких як романи та посібники, необхідно додатково перевіряти узгодженість уривків. Практичне рішення: підготувати «пам’ять проекту» (терміни + символи + тональні рішення) і додати її на початку кожного твору та перевірити узгодженість між фрагментами в кінці перекладу. У NMT ця проблема розглядається по-іншому: оскільки NMT перекладає речення за реченням, узгодженість довжини абзацу вже слабка, тому термінологічна база виконує термінову дисципліну.
Підсумовуючи
Існує дві групи машинного перекладу: NMT, який є швидким і послідовним, і LLM, який приймає інструкції та краще бачить контекст і тон. Майстер-перекладач заздалегідь оцінює придатність тексту для машини, вибирає механізм відповідно до завдання, швидко вимірює якість необробленого виведення перед доставкою та ніколи не плутає вільне мовлення з точністю. Цей рефлекс попередньої оцінки дає змогу вказати реалістичний час/ціну та захистити себе від сліпої довіри.
Аплікаційне завдання
Перекладіть той самий текст із 200 слів за допомогою інструменту NMT і LLM. Порівняйте два вихідні дані за п’ятьма вимірами (точність, повнота, термінологія, плавність, формат) і напишіть причини, через які для цього тексту потрібно менше постредагування. Потім позначте ризики проблеми/непередбачених подій/термінів на обох за допомогою шаблону «швидка перевірка вихідних даних».
контрольний список
- [ ] Я класифікував придатність тексту для машини (низький/середній/високий ризик).
- [ ] Залежно від типу роботи я вирішив використовувати NMT або LLM.
- [ ] Я зробив попередню оцінку на невеликій вибірці та відповідно визначив тривалість/ціну.
- [ ] Я швидко оглянув необроблений результат у п’яти вимірах.
- [ ] Я перевірив номер, дату, ім’я та негативи окремо, не вводячи в оману плавність.