Übrigens: Falls Sie sich im Dschungel der KI-Terminologie nicht so gut auskennen, finden Sie eine Übersicht der wichtigsten Begriffe in diesem Blog! Und sollten bei Ihnen weitere Fragen offen geblieben sein, kontaktieren Sie uns gerne!
KI als Übersetzer
KI kann auf verschiedene Arten in den Übersetzungsprozess integriert werden. Die drei Hauptmethoden sind:
- Maschinelle Übersetzung (MÜ): Vollautomatische Übersetzung eines Textes durch ein KI-Modell (Übersetzungs-„Engine“). Für das Training der Engine werden mehrsprachige, alignierte textuelle Daten genutzt.
- Quality Risk Estimation (QRE): Qualitätsbewertung einer Übersetzung durch ein KI-Modell. Dabei weist das Modell jeder Übersetzung einen Score zu. Liegt der Score unterhalb eines bestimmten Grenzwertes, muss die Übersetzung nochmal überprüft und gegebenenfalls korrigiert werden.
- Automatisches Post-Editing (APE): Nachträgliche, automatische Verbesserung von maschinell erstellten Übersetzungen, um Fehler zu korrigieren und die Übersetzungsqualität zu erhöhen.
Wie kann man die KI effizient für diese Aufgaben einsetzen? Lesen Sie mehr dazu in unserem blc-Paper zur Künstlichen Intelligenz!
Effizientere Prozesse
In vielen Fällen wird ausschließlich die MÜ genutzt. Dies führt zu einer veränderten Rolle des menschlichen Übersetzers, der nicht mehr von Grund auf übersetzen muss, sondern sich auf das Korrigieren maschinell erstellter Übersetzungen konzentriert. Dadurch wird der Übersetzungsprozess insgesamt effizienter.
Wie wird die maschinelle Übersetzung erstellt?
Am besten funktioniert MÜ mit einem tiefen neuronalen Netz der sogenannten „Transformer“-Architektur. Dieses wird mit domänenspezifischen, qualitativ hochwertigen Daten trainiert. Nachdem das Modell einmal trainiert wurde, können Anfragen schnell und kostengünstig verarbeitet werden. Der Output der fertigen Engine ist präzise, domänenspezifisch und zuverlässig.
Kann man dafür auch LLMs (Large Language Models) verwenden?
LLMs wie GPT sind riesige, tiefe neuronale Netze der Transformer-Architektur. Sie werden mit enormen Datenmengen (aus verschiedensten Domänen) trainiert, um eine Vielzahl sprachbasierter Aufgaben bewältigen zu können. Ihre Flexibilität ermöglicht ein breites Anwendungsspektrum, jedoch können LLMs – bezogen auf jede einzelne Aufgabe – meist nicht mit Modellen mithalten, die speziell für diese Aufgabe entwickelt wurden. Zusätzlich sind sie oft weniger effizient und teurer in der Verarbeitung als spezialisierte Modelle. Daher sind LLMs aktuell noch nicht die beste Wahl für die reine maschinelle Übersetzung. Das kann sich allerdings schnell ändern, angesichts der aktuellen Entwicklungsgeschwindigkeit im KI-Bereich.
Ich möchte mehr KI!
Man kann auch einfach erst einmal den „klassischen“ KI-gestützten Übersetzungsprozess erweitern, indem man zusätzlich Quality Risk Estimation (QRE) oder Automatisches Post-Editing (APE) integriert. Auch eine Kombination beider Methoden ist möglich. QRE erkennt Übersetzungen mit niedriger Qualität, die anschließend durch APE automatisch optimiert werden. Dadurch entfallen für menschliche Übersetzer viele einfache Korrekturarbeiten, was den gesamten Prozess effizienter gestaltet, ohne die Übersetzungsqualität zu beeinträchtigen. Eine solche Kombination von QRE und APE kann mithilfe eines LLMs realisiert werden. Die Wahl der optimalen Lösung hängt von den verfügbaren Trainingsdaten und den technischen Ressourcen ab.
Fazit
Wie ein Unternehmen seine Übersetzungsprozesse am besten optimiert, hängt von vielen Faktoren ab. Dazu gehören zum Beispiel die Datenlage, die gewünschte Qualität, die technischen Ressourcen und das Budget. Oft kann sich eine KI-gestützte Variante lohnen, insbesondere dann, wenn man mit großen Datenmengen zu tun hat. Unternehmen können dadurch schneller und kostengünstiger auf internationale Märkte reagieren, ohne dass die Qualität der Übersetzungen darunter leidet.
Möchten Sie die Effizienz Ihrer Übersetzungsprozesse mithilfe von KI steigern? Kontaktieren Sie uns und wir zeigen Ihnen, wie es geht!
