Browsing Tag : NMÜ

Datenbereinigung für Maschinelle Übersetzung

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.
Mehr lesen →

Scoping – Von der Vision zur Maschinellen Übersetzung

Scoping – Von der Vision zur Maschinellen Übersetzung

„Wir kaufen halt einfach ein gutes Maschinelles Übersetzungssystem und das können dann alle nutzen!“

So, oder so ähnlich dürfte das Unternehmensmanagement in den Ohren von Übersetzungsmanagern klingen, wenn es darum geht, maschinelle Übersetzung einzuführen. Vor einer praktischen Umsetzung sollte man allerdings Risiken und Komplexität einer MÜ-Einführung genau abschätzen. Für unsere Kunden hat sich hierbei das sogenannte 'Scoping' bewährt. Was sich dahinter verbirgt und wie das Scoping im Unternehmen ablaufen sollte, ist Thema meines Blogs.

Mehr lesen →

Unter der Lupe: Maschinelle Übersetzung in Across

Unter der Lupe: Maschinelle Übersetzung in Across
Translation Management Systeme (TMS) sind heutzutage nicht selten mit einer Vielzahl an Konnektoren zur Integration Maschineller Übersetzungssysteme (MÜ-Systeme) ausgestattet. Dieser Teil unserer Blogreihe zeigt einen solchen Integrationsprozess am Beispiel des cloudbasierten MÜ-Systems KantanMT und des TMS Across. Wir gehen in diesem Blog zunächst auf das MÜ-System KantanMT ein und erläutern im Anschluss die Einbindung in den Übersetzungsprozess mit Across.
Mehr lesen →

NEUronale MÜ und die Crowd

NEUronale MÜ und die Crowd
Der Zug der Neuronalen Maschinellen Übersetzung (NMÜ) nimmt rasant Fahrt auf und die NMÜ ist längst in Deutschland angekommen. Dazu tragen sowohl die verbreitete Nutzung des NMÜ-Aushängeschilds DeepL bei als auch das zunehmende Interesse kleiner und großer Unternehmen, spezialisierte kundenspezifische MÜ fest in den Übersetzungsworkflow zu integrieren. In meinem Blog gehe ich auf alltägliche Fragestellungen zur Dienstleister-Landschaft, Trainingsmöglichkeiten domänenspezifischer Engines und der Umsetzung von Post-Editing-Prozessen ein.
Mehr lesen →

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.

Mehr lesen →

Maschinelle Übersetzung bewerten – wie und wozu?

Maschinelle Übersetzung bewerten – wie und wozu?
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.
Mehr lesen →

Gesucht: neue Metriken für die Neuronale MÜ

Neuronale Netze
In der Übersetzungswelt haben momentan alle nur Augen für: DeepL, die neuronale Übersetzungsmaschine von Linguee, die von sich behauptet, schneller und akkurater zu sein als die Maschinen von Google, Microsoft und Co. Kann es wirklich sein, dass ein Netzwerk, das innerhalb eines halben Jahres aus dem Boden gestampft wurde, etablierte Konkurrenten in die Knie zwingt? Oder ist alles bloß ein großer Marketingstreich?
Mehr lesen →