TM-Bereinigung – Weniger ist mehr - berns language consulting

Ausgangssituation

Wenn der Datenschatz Staub ansetzt

Translation Memories (TMs) gehören zu den wertvollsten Sprachressourcen eines Unternehmens. Über Jahre – manchmal Jahrzehnte – sammeln sich dort freigegebene Übersetzungen, Produktwissen und unternehmensspezifische Formulierungen. Sie sorgen dafür, dass bereits übersetzte Inhalte wiederverwendet werden können und Übersetzungsprozesse schneller und konsistenter werden. Doch mit der Zeit wächst nicht nur der Datenschatz, sondern auch der Datenballast. Dubletten, veraltete Übersetzungen und nicht mehr gültige Terminologie und Fehler können sich über Jahre hinweg hineinmogeln. Hinzu kommen personenbezogene Daten oder Inhalte, die für die Wiederverwendung eigentlich gar nicht geeignet sind. Bei historisch gewachsenen TMs ist häufig gar nicht mehr transparent, was sich genau darin befindet. Eine TM-Bereinigung setzt deshalb nicht einfach beim Löschen vermeintlich schlechter Segmente an. Der erste Schritt ist immer: Verstehen, was da ist.

Herangehensweise

Erst analysieren, dann bereinigen

Bevor Regeln für eine Bereinigung definiert werden, lohnt sich eine systematische Bestandsaufnahme mit dem blc Data Toolkit. Denn welche Bereinigungen sinnvoll sind, hängt stark von den vorhandenen Daten, den Sprachen und vor allem davon ab, wie die TMs zukünftig genutzt werden sollen.
Eine TM-Analyse kann beispielsweise folgende Bereiche betrachten:

Dubletten: Gibt es identische Übersetzungseinheiten oder identische Ausgangssegmente mit unterschiedlichen Übersetzungen?
String-Auffälligkeiten: Wo finden sich formale Auffälligkeiten wie überflüssige Leerzeichen oder Sonderzeichen?
Anonymisierungspotenziale: Enthalten die Daten Personen- oder Firmennamen, E-Mail-Adressen, Telefonnummern, Bankinformationen oder andere sensible Informationen?
Terminologiepotenziale: Welche Non-Translatables, Ein-Wort-Segmente oder Abkürzungen lassen sich identifizieren, die möglicherweise in die Termbank gehören?
Terminologiekonsistenz: Wie gut stimmen die tatsächlich verwendeten Übersetzungen mit der aktuellen Terminologie überein?

Gerade der letzte Punkt ist spannend: Nicht nur können die TMs mithilfe der Terminologie überprüft werden. Umgekehrt geben sie auch Aufschluss darüber, wie Terminologie tatsächlich verwendet wird und wo möglicherweise Optimierungspotenzial in der Termbank besteht.

Das Bereinigungskonzept: Was darf weg – und was nicht?

Auf Basis der Analyse entsteht ein individuelles Bereinigungskonzept. Und hier gilt: Nicht alles, was technisch auffällig ist, ist automatisch falsch.
Ein typisches Konzept kann beispielsweise vorsehen, überflüssige Leerzeichen zu korrigieren, vollständige Dubletten zu entfernen oder sehr lange Segmente auszusortieren. Bei Dubletten kann es sinnvoll sein, das neueste Vorkommen zu behalten und relevante Metadaten zusammenzuführen. Ausgangsdubletten mit unterschiedlichen Übersetzungen dagegen sollten nicht zwangsläufig automatisiert gelöscht werden – sie können schließlich auf legitime Varianten, aber auch auf Qualitätsprobleme hinweisen. Auch das Alter der Daten kann eine Rolle spielen. Gibt es einen fachlich begründeten Stichtag, können ältere Übersetzungseinheiten gezielt ausgeschlossen werden.
Entscheidend ist dabei, solche Regeln nicht pauschal anzuwenden, sondern gemeinsam mit dem Kunden festzulegen, welche Daten für die zukünftige Nutzung tatsächlich noch relevant sind. Und dies kommt auch auf den individuellen Use Case an.

Terminologie als Qualitätsfilter

Besonders interessant wird die Bereinigung, wenn eine gepflegte Terminologiedatenbank vorhanden ist. Sie kann als Single Source of Truth genutzt werden, um die TMs gegen den aktuellen Terminologiebestand zu prüfen. Enthält eine Übersetzung zum Beispiel eine eindeutig als „verboten“ gekennzeichnete Benennung, kann das ein starkes Indiz dafür sein, dass die entsprechende Translation Unit nicht mehr verwendet werden sollte. Ganz so einfach ist es aber nicht immer: Benennungen können mehrdeutig sein, als Bestandteil längerer Wörter auftreten oder nur in bestimmten Kontexten problematisch sein. Auch Fuzzy Matches sollten anders behandelt werden als eindeutige 100%-Treffer. Deshalb gilt auch hier: Automatisieren, wo die Entscheidung eindeutig ist – reporten, wo menschliche Bewertung notwendig bleibt. Die Termbank liefert die Grundlage für die Entscheidung, ersetzt aber nicht automatisch die Betrachtung des sprachlichen Kontexts.

Schrittfehler vermeiden

Ein oft unterschätzter Aspekt einer TM-Bereinigung ist die Reihenfolge der einzelnen Schritte. Ein einfaches Beispiel: Zwei Segmente können sich ausschließlich durch ein zusätzliches Leerzeichen unterscheiden. Werden zuerst die Dubletten gesucht und erst anschließend die Leerzeichen normalisiert, werden diese Segmente zunächst nicht als Dubletten erkannt, was dazu führt, dass nach der Leerzeichen-Bereinigung neue Dubletten im TM landen. Bereinigungsschritte sind also nicht unabhängig voneinander. Ein sinnvoller Workflow berücksichtigt diese Abhängigkeiten und führt die einzelnen Regeln in einer definierten Reihenfolge aus.

Herausforderungen

TM-Bereinigung klingt auf den ersten Blick nach einem klassischen „Daten einmal aufräumen“-Projekt. In der Praxis steckt der Teufel jedoch häufig im Detail. Leerzeichen sind dafür ein gutes Beispiel: Sie sind nahezu unsichtbar, können für den technischen Vergleich zweier Segmente aber einen entscheidenden Unterschied machen. Gleichzeitig lassen sich Regeln nicht immer identisch auf alle Sprachen anwenden. Ein Leerzeichen vor bestimmten Satzzeichen kann in einer Sprache ein Fehler und in einer anderen vollkommen korrekt sein. Hinzu kommen die bereits erwähnten Abhängigkeiten zwischen einzelnen Bereinigungsschritten sowie ganz praktische Fragen rund um Datenhandling und Laufzeiten bei großen Datenbeständen. Und dann ist da noch die Terminologie: Wer die Termbank als Single Source of Truth für automatisierte Entscheidungen nutzt, muss sich darauf verlassen können, dass die darin hinterlegten Informationen aktuell und korrekt sind. Die Qualität der einen Sprachressource beeinflusst damit unmittelbar die Qualität der anderen.

Testen, testen, testen

Je stärker eine Bereinigung automatisiert wird, desto wichtiger ist die Qualitätssicherung. Regeln sollten zunächst an kontrollierten Datenmengen getestet und ihre Auswirkungen überprüft werden. Werden wirklich nur die gewünschten Segmente verändert oder gelöscht? Funktioniert eine Regel für alle relevanten Sprachen? Gibt es Sonderfälle, die vorher nicht bedacht wurden? Muss das Konzept überdacht werden? Erst wenn die einzelnen Bereinigungsschritte und ihr Zusammenspiel ausreichend validiert sind, sollten sie auf den gesamten Datenbestand angewendet werden. Denn während ein zusätzliches Leerzeichen leicht zu korrigieren ist, lässt sich eine fälschlicherweise gelöschte Translation Unit im Zweifel nicht so einfach rekonstruieren.

Ergebnis

Saubere Daten, schlanke TMs

Am Ende steht im besten Fall nicht einfach ein kleineres TM, sondern eine besser nutzbare Sprachressource. Bereinigte TMs können dazu beitragen, die Qualität der Vorübersetzung zu verbessern, unnötige Datenmengen und damit verbundene Systemlast zu reduzieren und negative Überraschungen bei vermeintlich sicheren 100%-Matches zu vermeiden. Gleichzeitig können sie eine bessere Grundlage für das (Re-)Training oder KI-Modellen bilden.
Nach Abschluss der Bereinigung können die Daten wieder in das bestehende System importiert oder direkt im Rahmen einer Systemmigration in eine neue Umgebung überführt werden.
Der vielleicht spannendste Effekt entsteht aber nebenbei: Eine systematische TM-Analyse sagt nicht nur etwas über die Qualität der Translation Memories aus. Sie zeigt beispielsweise, welche Terminologie tatsächlich in den Übersetzungsdaten vorkommt, wo veraltete Benennungen weiterhin verwendet werden und welche neuen Termkandidaten sich aus den Daten ableiten lassen. TM- und Terminologiequalität lassen sich damit nicht vollständig getrennt voneinander betrachten.
Und die Frage nach der Datenqualität wird mit Blick auf KI noch relevanter. Translation Memories sind längst nicht mehr nur Wiederverwendungsdatenbanken für klassische CAT-Prozesse. Sprachdaten sind die Grundlage für KI-gestützte Sprachprozesse.

Fazit: Translation Memories zu bereinigen bedeutet deshalb nicht einfach, alte Daten zu löschen. Es bedeutet, gewachsene Sprachressourcen zu verstehen, ihre Qualität systematisch zu verbessern und klare Regeln für ihre zukünftige Nutzung zu schaffen. Wer heute in saubere, schlanke und verlässliche TMs investiert, schafft damit auch eine bessere Datengrundlage für die Sprachprozesse von morgen.

Sie wollen mehr über ein konkretes TM-Bereinigungsprojekt erfahren? Besuchen Sie meinen Vortrag auf der tekom Jahrestagung!