Adaptive Maschinelle Übersetzung – Lernen nebenbei

Adaptive Maschinelle Übersetzung – Lernen nebenbei

In den letzten MÜ-Blogs haben wir uns ausgiebig den Entwicklungen im Bereich der neuronalen maschinellen Übersetzung gewidmet. Hier gibt es auch weiterhin fast täglich Neues zu berichten (Amazon  geht nach Testphase mit eigenem NMT-Service und diversen LSPs an den Start). In diesem Blog wollen wir uns aber den Entwicklungen im Bereich der adaptiven MÜ zuwenden.

Adaptive MÜ – Recycling von Post-Editings

Bei adaptiver maschineller Übersetzung wird die Qualität und die Anpassung eines MÜ-Systems (Engine) an die Themenfelder der Texte mithilfe von Post-Edits (durch Übersetzer angefertigte Korrekturen von maschinellen Übersetzungen) verbessert. In der SMÜ (statistische MÜ) und NMÜ (neuronale MÜ) geschieht dies, indem ein korrigierter bzw. abgeänderter Übersetzungsvorschlag erneut in das System eingespeist wird, um interne Gewichtungen derart anzupassen, dass die vom Nutzer bevorzugten Übersetzungen zukünftig vom System vorgeschlagen werden. Auf diese Weise versprechen die Anbieter von adaptiven MÜ-Systemen eine Qualitäts- und Produktivitätssteigerung der so angefertigten Übersetzungen.

Adaptive MÜ & CAT-Tools

Den meisten Nutzern von CAT-Tools wird die Adaptive MT über die Language Cloud von SDL bekannt sein. Hier hat der Anwender die Möglichkeit, branchenspezifische vortrainierte Engines (z.B. für das Themenfeld Tourismus) in Trados Studio 2017 einzubinden. Durch die Bearbeitung und Bestätigung von Übersetzungen der adaptiven SMÜ-Engine werden diese bei späteren Übersetzungen berücksichtigt. Wie dies genau funktioniert, erfahren Sie in unserem Tutorial zu SDL Trados Studio 2017.

Adaptive MÜ in der SDL Language Cloud
Vorschläge der adaptiven MÜ von SDL in Trados Studio 2017

Auch der in Palo Alto, Kalifornien ansässige Softwareentwickler Lilt zielt mit seinem gleichnamigen System darauf ab, die Verbindung von maschineller Übersetzung mit dem menschlichen Übersetzungsworkflow zu harmonisieren. Bei Lilt, das seit Ende 2017 auf neuronaler MÜ basiert,  geschieht dies nicht über das Post-Editing eines finalen MÜ-Vorschlags für ein Segment, sondern über die wortweise Übernahme von Einzelphrasen des vorgeschlagenen MÜ-Segments. Die Adaption setzt dann ein, wenn der Nutzer sich nicht für die nächste vorgeschlagene MÜ-Phrase entscheidet, sondern eine Alternative, Ergänzung oder Auslassung wählt. Je nach Wahl des Nutzers ändert sich hierdurch dynamisch der MÜ-Vorschlag und bietet kontextuell passende Übersetzungsvorschläge an. Dieses Vorgehen ist vergleichbar mit dem von Mobiltelefonen bekannten Eingabesystem T9. Neben SDL und Lilt hat auch MateCat eine adaptive MÜ in sein Cat-Tool integriert – in diesem Fall als Plug-In zum Open-Source MT-System ‚ModernMT‘.

 

Potenziale und Wandel von Berufsbildern im Zuge des MÜ-Fortschritts

Die Zusammenführung von maschineller und humaner Übersetzung ist ein Prozess, der von Übersetzern naturgemäß kritisch betrachtet wird. Hier spielt sicherlich vor allem die Befürchtung hinein, dass der menschliche Übersetzer letztlich gänzlich durch die Maschine ersetzt wird, und die Ablehnung gegenüber MÜ-Systemen sitzt dementsprechend bei vielen Übersetzern noch tief. Unbestreitbar werden MÜ-Systeme durch den Einsatz von ‚deep learning‘ Verfahren immer besser – dieser Trend wird in naher Zukunft wohl auch nicht abbrechen. Nichtdestotrotz wird die Qualität der oftmals gehypten Systeme noch überschätzt – und genau hier liegt das Potenzial, die Erfahrung und die Skills von Übersetzern bei der Optimierung von MÜ-Engines einfließen zu lassen (Lesen Sie hierzu auch den blc-Blog „Übersetzer, Maschinen und die Notwendigkeit, neue Wege zu gehen“). Dass die Synergie von menschlicher und maschineller Übersetzung in modernen Dienstleistungsformen bereits erfolgreich funktioniert, beweist z.B. der Sprachdienstleister Unababel, der ein großes Netz von Übersetzern nutzt, um fehlerhafte maschinelle Übersetzungen zu korrigieren und dem Kunden so die Übersetzungsqualität zu liefern, die durch reine MÜ nicht möglich ist.

Adaptive MÜ – Der Status Quo?

Eine MÜ-Engine, die durch menschliche Übersetzungen laufend lernt und den Workflow somit produktiver und die Übersetzung konsistenter macht… warum also noch ein MÜ-System nutzen, das nicht auf adaptiven Verfahren beruht? Um diese Frage zu beantworten, reicht es nicht aus, den einzelnen Übersetzer zu betrachten, der mit einem solchen System potenziell sehr erfolgreich arbeitet. Sobald mehrere Übersetzer an einem Projekt beteiligt sind, muss geklärt werden, inwieweit die Präferenzen individueller Übersetzer für Terminologie und Stil Einfluss auf das System nehmen, um eine konsistente Sprache zu gewährleisten. In stark formalisierten Anwendungsfällen kann es auch nützlich sein, vom dynamischen Lernen der Engine abzusehen, und sich das Potenzial von ‚klassischen‘ statistischen Systemen im Zusammenspiel mit einer gut gepflegten Terminologie anzuschauen. Die Lösung kann also keine pauschale Antwort sein, sondern ist das Ergebnis einer eingehenden Analyse der Anforderungen und den Bedingungen spezifischer Anwendungsfälle.

Related Posts