Χρώμα ή Colour και Γιατί η Μετάφραση AI Χωρίς Περιεχόμενο Είναι Άχρηστη

Υπάρχει ένα έγγραφο που κάθεται σε κάποιο κοινόχρηστο φάκελο που υποτίθεται ότι ήταν μια περιγραφή προϊόντος για το ευρύ κοινό της Βρετανίας. Το κείμενο γράφτηκε αρχικά στα γερμανικά, μεταφράστηκε στα αγγλικά χρησιμοποιώντας ένα από τα μεγάλα εργαλεία μετάφρασης online και παραδόθηκε στην ομάδα μάρκετινγκ. Φαινόταν καλά με την πρώτη ματιά. Η γραμματική ήταν σωστή, οι προτάσεις έρεαν καλά και η έννοια διατηρήθηκε. Στη συνέχεια κάποιος στο Λονδίνο το επισήμανε. Το έγγραφο χρησιμοποίησε «color» αντί για «colour», «organize» αντί για «organise», «center» αντί για «centre» και «analyze» αντί για «analyse». Κάθε μια επιλογή ορθογραφίας ακολούθησε αμερικανικές συμβάσεις. Για ένα έγγραφο που στοχεύει βρετανικούς πελάτες, δημοσιευμένο σε έναν τομέα .co.uk, αυτό δεν ήταν αποδεκτό.

Το απογοητευτικό μέρος δεν ήταν ότι η μετάφραση ήταν λανθασμένη. Το απογοητευτικό μέρος ήταν ότι δεν υπήρχε τρόπος να πει κανείς στο εργαλείο ποια εκδοχή αγγλικών να παράγει. Το Google Translate έχει μια μόνη επιλογή: Αγγλικά. Το DeepL έχει μια μόνη επιλογή: Αγγλικά. Κανένα δεν ρωτά αν ο στόχος είναι ένας αναγνώστης στο Μάντσεστερ ή ένας αναγνώστης στη Νέα Υόρκη. Η έξοδος δημιουργείται, η παραλλαγή επιλέγεται από οποιοδήποτε σχέδιο εμφανίστηκε περισσότερο στα δεδομένα εκπαίδευσης και ο χρήστης μπορεί να βρει και να αντικαταστήσει χειροκίνητα κάθε περίπτωση αμερικανικής ορθογραφίας σε ένα έγγραφο που υποτίθεται ότι ήταν βρετανικό από την αρχή.

Αυτό μπορεί να ακούγεται σαν ένα μικρό παράπονο. Οι διαφορές ορθογραφίας μεταξύ βρετανικών και αμερικανικών αγγλικών είναι καλά τεκμηριωμένες και σχετικά προβλέψιμες. Αλλά οι διαφορές πάνε πολύ πέρα από την αντικατάσταση του «ou» για «o» και «ise» για «ize». Το λεξιλόγιο διαφέρει σημαντικά. Ένα «boot» είναι ένα πορτμπαγκάζ. Ένα «bonnet» είναι ένα καπό. Τα «Trousers» είναι παντελόνια, αλλά τα «pants» είναι εσώρουχο. Τα «Biscuits» είναι μπισκότα. Τα «Chips» είναι τηγανητές πατάτες, αλλά τα «crisps» είναι τσιπς. Ένα «flat» είναι ένα διαμέρισμα. Το «first floor» είναι στην πραγματικότητα ο δεύτερος όροφος. Αυτές οι διαφορές λεξιλογίου μπορούν να συγχύσουν πραγματικά τους αναγνώστες όταν η λάθος παραλλαγή εμφανίζεται σε ένα κείμενο που διαφορετικά είναι καλά γραμμένο.

Για όποιον διαχειρίζεται πολύγλωσσο περιεχόμενο, ειδικά ιστότοπους, εφαρμογές ή υλικό μάρκετινγκ που πρέπει να υπάρχουν τόσο στα βρετανικά όσο και στα αμερικανικά αγγλικά, η έλλειψη ελέγχου παραλλαγής στα εργαλεία μετάφρασης δημιουργεί πραγματικό έργο. Κάθε μεταφρασμένο έγγραφο χρειάζεται μια χειροκίνητη διέλευση ελέγχου ειδικά για να πιάσει και να διορθώσει ανταγωνιστικές ανταγωνίζονται. Αυτή η διέλευση ελέγχου παίρνει χρόνο, κοστίζει χρήματα και είναι εντελώς αποφεύξιμη αν το εργαλείο μετάφρασης απλώς ήξερε ποια παραλλαγή να παράγει.

Ίδια γλώσσα, διαφορετικές συμβάσεις, χωρίς έλεγχο

Τα βρετανικά και αμερικανικά αγγλικά δεν είναι το μόνο ζευγάρι με αυτό το πρόβλημα, παρόλο που είναι τα πιο συχνά συναντώμενα. Τα πορτογαλικά χωρίζονται σε βραζιλιάνικα πορτογαλικά και ευρωπαϊκά πορτογαλικά, με διαφορές στην ορθογραφία, τη γραμματική, το λεξιλόγιο και ακόμη και τη χρήση αντωνυμίας που είναι σημαντικά για να κάνουν το κείμενο ξένο για τους αναγνώστες της άλλης παραλλαγής. Τα ισπανικά διαφέρουν μεταξύ λατινοαμερικανών και περιφερειακών συμβάσεων, με μορφές ρημάτων, αργκό και λεξιλόγιο που διαφέρουν σημαντικά. Τα γαλλικά έχουν ξεχωριστές συμβάσεις στη Γαλλία, τον Καναδά, το Βέλγιο και διάφορες αφρικανικές χώρες. Τα κινεζικά χωρίζονται μεταξύ απλοποιημένων και παραδοσιακών χαρακτήρων, που δεν είναι απλώς μια διαφορά ορθογραφίας αλλά ένα εντελώς διαφορετικό σύνολο χαρακτήρων.

Σε κάθε μια από αυτές τις περιπτώσεις, η παραγωγή της λάθος παραλλαγής δεν είναι ένα μικρό προβλητικό ζήτημα. Ένας βραζιλιάνος αναγνώστης που συναντά ευρωπαϊκή πορτογαλική ορθογραφία σε μια περιγραφή προϊόντος θα το παρατηρήσει αμέσως. Δημιουργεί ένα αίσθημα απόστασης, σαν το η εταιρεία δεν ήθελε αρκετά να εντοπίσει κατάλληλα. Για τις επιχειρήσεις που προσπαθούν να χτίσουν εμπιστοσύνη σε συγκεκριμένες περιφερειακές αγορές, αυτό το είδος ασυμφωνίας υπονομεύει το σύνολο της προσπάθειας. Το περιεχόμενο θα μπορούσε επίσης να έχει μένει μη μεταφρασμένο αν η μετάφραση σηματοδοτούσε «δεν γνωρίζουμε πραγματικά την αγορά σας».

Το guide on converting between American and British English στο YEB καλύπτει τις συγκεκριμένες ρυθμίσεις που εμπλέκονται. Στο YEB Translate, η γλωσσική παραλλαγή είναι μία από τις 22 ρυθμίσεις γλώσσας που διατίθενται στο σύστημα περιεχομένου. Όταν τα αγγλικά επιλέγονται ως η γλώσσα προορισμού, ο χρήστης μπορεί να καθορίσει αμερικανικές, βρετανικές, αυστραλιανές ή άλλες περιφερειακές παραλλαγές. Το μοντέλο AI λαμβάνει αυτήν την προτίμηση ως μέρος της συμβολοσειράς περιεχομένου και παράγει έξοδο που χρησιμοποιεί συνεπώς τις σωστές συμβάσεις ορθογραφίας, επιλογές λεξιλογίου και ιδιωματικές εκφράσεις για αυτήν την παραλλαγή. Δεν απαιτείται κανένα περάσματος μετά-επεξεργασίας.

Ο ίδιος μηχανισμός λειτουργεί για κάθε ζεύγος γλώσσας που έχει περιφερειακές παραλλαγές. Βραζιλιάνικα έναντι ευρωπαϊκών πορτογαλικών. Λατινοαμερικάνικα έναντι περιφερειακών ισπανικών. Απλοποιημένα έναντι παραδοσιακών κινεζικών. Καναδικά έναντι μητροπολιτικής γαλλικής. Η ρύθμιση γίνεται μόνο μία φορά, παραμένει στη σύνοδο και ισχύει σε κάθε τεμάχιο κειμένου που επεξεργάζεται κατά τη διάρκεια αυτής της συνόδου. Για τις ομάδες περιεχομένου που χειρίζονται την εντοπιοποίηση σε κλίμακα, αυτό εξαλείφει ολόκληρη μια κατηγορία ποιότητας ασφάλισης εργασίας.

Γιατί η Bias των δεδομένων εκπαίδευσης κάνει αυτό χειρότερο από ό, τι φαίνεται

Ο λόγος που τα περισσότερα εργαλεία μετάφρασης προεπιλέγουν τα αμερικανικά αγγλικά είναι απλό: το διαδίκτυο περιέχει περισσότερο αμερικανικό αγγλικό κείμενο από βρετανικό αγγλικό κείμενο. Τα δεδομένα εκπαίδευσης για τα μοντέλα AI προέρχονται κυρίως από περιεχόμενο ιστού και το περιεχόμενο του ιστού κυριαρχείται από αμερικανικές δημοσιεύσεις, αμερικανικές εταιρείες και αμερικανικό κείμενο που δημιούργησε χρήστης. Όταν ένα μοντέλο AI μαθαίνει τι φαίνεται σωστό αγγλικά, μαθαίνει από ένα σώμα που έχει αμερικανική παρευγίωση από προεπιλογή.

Αυτή η προκατάληψη δεν είναι εσκεμμένη, αλλά είναι επίμονη. Ακόμη και όταν τα εργαλεία μετάφρασης ενημερώνονται με νεότερα μοντέλα, η υποκείμενη κατανομή δεδομένων δεν έχει αλλάξει. Τα αμερικανικά αγγλικά παραμένουν η πλειοψηφία παραλλαγής στα σώματα εκπαίδευσης, πράγμα που σημαίνει ότι η προεπιλεγμένη έξοδος συνεχίζει να κλίνει αμερικανική ανεξάρτητα από το αν ο χρήστης χρειάζεται βρετανικά, αυστραλιανά, νοτιοαφρικανά ή οποιαδήποτε άλλη παραλλαγή. Το μοντέλο δεν επιλέγει αμερικανικά αγγλικά επειδή είναι καλύτερα. Το επιλέγει επειδή έχει δει περισσότερα από αυτά.

Για τους χρήστες που μεταφράζουν σε αγγλικά από άλλες γλώσσες, αυτό δημιουργεί ένα αόρατο πρόβλημα. Η έξοδος φαίνεται σωστή επειδή είναι γραμματικά σωστή. Οι προτάσεις έχουν νόημα. Το λεξιλόγιο είναι κατάλληλο. Αλλά η παραλλαγή είναι λάθος για το σκοπό κοινού και εκτός αν ο χρήστης είναι αρκετά γνώστης και των δύο παραλλαγών για να πιάσει κάθε διαφορά, η ασυμφωνία ολισθαίνει. Ένας γερμανός διευθυντής μάρκετινγκ που μεταφράζει αντίγραφα προϊόντος για την αγορά του Ηνωμένου Βασιλείου ενδέχεται να μην παρατηρήσει ότι το «aluminum» θα πρέπει να είναι «aluminium» ή ότι το «skeptical» θα πρέπει να είναι «sceptical». Αυτά δεν είναι σφάλματα που δείχνουν ελεγχοι γραμματικής επειδή και τα δύο ορθογραφία είναι έγκυρα. Είναι απλώς έγκυρα σε διαφορετικές χώρες.

Το σύστημα περιεχομένου στο YEB's AI translator αντιμετωπίζει τη γλωσσική παραλλαγή ως μια ρύθμιση πρώτης κατηγορίας και όχι σαν μια μεταγενέστερη σκέψη. Αυτό είναι σημαντικό επειδή το μοντέλο AI προσαρμόζει όχι μόνο ορθογραφία αλλά επιλογή λεξιλογίου, επιλογή ιδιώματος και ακόμη και δομή προτάσης με βάση την παραλλαγή. Τα βρετανικά αγγλικά τείνουν προς ελαφρώς πιο επίσημες κατασκευές στη γραφή επιχειρήσεων. Τα αμερικανικά αγγλικά χρησιμοποιούν πιο άμεσες φράσεις. Τα αυστραλιανά αγγλικά έχουν τα δικά τους άτυπα μητρώο που διαφέρει από και τα δύο. Αυτές είναι λεπτές διαφορές που ένας εγγενής ομιλητής παράγει ασυνείδητα και ότι ένα μοντέλο AI μπορεί να αναπαράγει μόνο όταν πει ποια παραλλαγή να στοχεύει.

Το πραγματικό κόστος της ανάληψης της λάθος παραλλαγής

Για ένα προσωπικό email, κανένα δεν νοιάζεται αν η «colour» ή «color» εμφανίζεται. Για το δημοσιευμένο περιεχόμενο, τα στοιχήματα είναι διαφορετικά. Ένας ιστότοπος .co.uk που χρησιμοποιεί αμερικανικές ορθογραφίες σε όλο φαίνεται ανέξοδος. Ένας ιστότοπος .com που στοχεύει αυστραλιανούς αναγνώστες με βρετανική ορθογραφία φαίνεται ελαφρώς λάθος. Αυτά δεν είναι δραματικές αποτυχίες. Είναι χάρτινες κοπές που συσσωρεύονται και δημιουργούν μια γενική εντύπωση απροσεξίας.

Σε ρυθμιζόμενες βιομηχανίες, η συνέπεια παραλλαγής μπορεί να είναι ένα ζήτημα συμμόρφωσης. Τα νομικά έγγραφα στο Ηνωμένο Βασίλειο ακολουθούν τις βρετανικές συμβάσεις. Η ιατρική βιβλιογραφία για το NHS χρησιμοποιεί βρετανική ορολογία. Οι δημοσιεύσεις του κυβερνήματος ακολουθούν αυστηρούς οδηγούς ύφους που καθορίζουν τη χρήση παραλλαγής μέχρι μεμονωμένων λέξεων. Η υποβολή ενός μεταφρασμένου εγγράφου που χρησιμοποιεί την λάθος παραλλαγή σε αυτά τα πλαίσια δεν είναι απλώς αμελής. Μπορεί να ενεργοποιήσει αρνήσεις ή αιτήματα αναθεώρησης που καθυστερούν ολόκληρα έργα.

Το comparison with DeepL επισημαίνει αυτό ως μία από τις συγκεκριμένες περιοχές όπου τα εργαλεία μετάφρασης γενικής χρήσης είναι ανεπαρκή. Το DeepL παράγει εξαιρετικές μεταφράσεις ως προς τη ροή και την ακρίβεια, αλλά μέχρι πρόσφατα δεν προσέφερε τρόπο να καθορίσει ποια εκδοχή αγγλικών να παράγει. Οι χρήστες που χρειάζονταν βρετανικά αγγλικά έπρεπε είτε να αποδεχθούν αυτό που δίδαξε το μοντέλο είτε να εκτελέσουν ένα ξεχωριστό βήμα μετατροπής στη συνέχεια. Ο ίδιος περιορισμός υπάρχει σε όλα τα περισσότερα από τα major AI translation tools στην αγορά.

Αυτό που κάνει την προσέγγιση περιεχομένου διαφορετική είναι ότι η επιλογή παραλλαγής συμβαίνει πριν από τη μετάφραση, όχι μετά. Το μοντέλο AI δεν παράγει αμερικανικό αγγλικό κείμενο και στη συνέχεια το μετατρέπει σε βρετανικό. Παράγει βρετανικό αγγλικό κείμενο από την αρχή, επιλέγοντας τις σωστές λέξεις, τις σωστές ορθογραφίες και τις σωστές κατασκευές από την πολύ πρώτη πρόταση. Αυτή είναι μια θεμελιακή διαφορά προσέγγισης από την εύρεση και αντικατάσταση μετά-επεξεργασίας και παράγει αποτελέσματα που διαβάζονται φυσικά στην παραλλαγή προορισμού και όχι σαν αμερικανικό κείμενο με ένα λεπτό βρετανικό χρώμα από краски.