Browsing Tag : NMT

Datenbereinigung für MÜ

Titelbild_730
Trainingsdaten mithilfe von Datenbereinigung für die Maschinelle Übersetzung vorzubereiten, kann manchmal wie eine Mammutaufgabe erscheinen. Ganz unwahr ist das nicht – denn in der Praxis bringen die Vielzahl möglicher „Verunreinigungen“ von Daten und hohe Datenvolumen immer wieder Herausforderungen mit sich. Warum es sich trotzdem in jedem Fall lohnt, diese Zeit zu investieren und wie Automatisierung dabei helfen kann, sich große Teile dieser Arbeit zu sparen, soll in diesem Blog aufgezeigt werden.

RegEx für schlaue Faultiere

RegEx für schlaue Faultiere

Reguläre... was? Reguläre Ausdrücke basieren auf einer formalen Sprache, die verwendet wird, um Muster für übereinstimmende Zeichenketten oder Teilzeichenketten im Text aufzufinden.

Um einfache Informationen in einer Textdatei zu finden, werden häufig einfache Suchfunktionen einsetzt, die jeder aktuelle Editor zur Verfügung stellt. Was aber tun, wenn das Suchszenario nicht so einfach ist? Was, wenn man z.B. nicht nach einer bestimmten Ziffer, sondern nach allen Ziffern in einer Textdatei suchen möchte? Oder wenn alle Tags in einem Dokument gefunden und entfernt werden sollen?

Alles, was Sie über maschinelle Übersetzung wissen wollten

Alles, was sie über maschinelle Übersetzung wissen wollten

Technologien für maschinelle Übersetzungen entstanden bereits in den 50er-Jahren. Dennoch scheiden sich an kaum einem Thema die Geister in der Übersetzungsbranche mehr als an der maschinellen Übersetzung. Wird die maschinelle Übersetzung menschliche Übersetzer ersetzen? Wird die Übersetzungsqualität jemals an die eines Humanübersetzers herankommen? Lohnt sich der Aufwand? Und wie funktioniert das überhaupt? Eine Zusammenfassung unserer Beiträge.

Measuring machine translation quality with SDL WorldServer and TAUS DQF (englisch)

Measuring machine translation quality with SDL WorldServer and TAUS DQF (englisch)
Whenever machine translation (MT) components are introduced to a translation workflow, the system or engine must first prove itself in terms of quality and usability.  To find out whether the engine meets all requirements, an initial series of data surveys is necessary. Only on such grounds it is possible to get an impression of quality or productivity growth. In today's blog we explain how to measure the quality of automatic translations with the Dynamic Quality Framework (DQF) by TAUS.

Maschinelle Übersetzung bewerten – wie und wozu?

Roboter gleich Mensch?
Das Interesse an maschineller Übersetzung (MÜ) war noch nie so groß wie heute, vor allem seit der Einführung der neuronalen maschinellen Übersetzung. Wir beobachten schon lange die Entwicklungen und technologischen Neuheiten und begleiten Projekte zur Einführung von MÜ. Einige Unternehmen entwickeln mittlerweile ihre eigenen Engines (z. B. Booking.com) oder binden auf ihre Domäne abgestimmte Engines in ihren bestehenden Übersetzungsworkflow ein.