Warna atau Warna dan Mengapa Terjemahan AI Tanpa Konteks Tidak Berguna

Ada satu dokumen yang duduk di dalam folder bersama-pakai di suatu tempat yang sepatutnya menjadi penerangan produk untuk audiens UK. Teks itu pada asalnya ditulis dalam bahasa Jerman, diterjemahkan ke Bahasa Inggeris menggunakan salah satu alat terjemahan dalam talian utama, dan diserahkan kepada pasukan pemasaran. Ia kelihatan baik pada pandangan pertama. Tatabahasa adalah betul, ayat-ayat mengalir dengan wajar, dan maknanya terpelihara. Kemudian seseorang di London membenderanya. Dokumen itu menggunakan "color" dan bukannya "colour," "organize" dan bukannya "organise," "center" dan bukannya "centre," dan "analyze" dan bukannya "analyse." Setiap pilihan ejaan tunggal mengikuti konvensyen Amerika. Untuk dokumen yang ditujukan kepada pelanggan British, diterbitkan pada domain .co.uk, ini tidak boleh diterima.

Bahagian yang membuat frustrasi bukan bahawa terjemahan itu salah. Bahagian yang membuat frustrasi ialah tiada cara untuk memberitahu alat versi Bahasa Inggeris mana yang hendak dihasilkan. Google Translate mempunyai satu pilihan: Bahasa Inggeris. DeepL mempunyai satu pilihan: Bahasa Inggeris. Kedua-duanya tidak bertanya sama ada sasaran adalah pembaca di Manchester atau pembaca di Manhattan. Output dihasilkan, varian dipilih oleh apa sahaja corak yang muncul paling banyak dalam data latihan, dan pengguna mendapat untuk mencari dan menggantikan setiap contoh ejaan Amerika dalam dokumen yang sepatutnya British dari awal.

Ini mungkin terdengar seperti aduan kecil. Perbezaan ejaan antara Bahasa Inggeris British dan Amerika adalah terdokumentasi dengan baik dan agak dapat diramalkan. Tetapi perbezaan itu melangkaui penukaran "ou" untuk "o" dan "ise" untuk "ize." Perbendaharaan kata menyimpang dengan ketara. "Boot" adalah batang. "Bonnet" adalah tudung. "Trousers" adalah seluar, tetapi "pants" adalah pakaian dalam. "Biscuits" adalah kuki. "Chips" adalah hirisan kentang goreng, tetapi "crisps" adalah kerepek. "Flat" adalah apartmen. "First floor" sebenarnya adalah lantai kedua. Perbezaan perbendaharaan kata ini dapat benar-benar mengelirukan pembaca apabila varian yang salah muncul dalam teks yang sebaliknya ditulis dengan baik.

Bagi sesiapa yang menguruskan kandungan berbahasa jamak, terutamanya laman web, apl, atau bahan pemasaran yang perlu wujud dalam Bahasa Inggeris British dan Amerika, kekurangan kawalan varian dalam alat terjemahan mencipta kerja sebenar. Setiap dokumen yang diterjemahkan memerlukan laluan semakan manual khusus untuk menangkap dan membetulkan ketidakpadanan varian. Laluan semakan itu mengambil masa, memerlukan wang, dan sepenuhnya boleh dielakkan jika alat terjemahan itu hanya mengetahui varian mana yang hendak dihasilkan.

Bahasa Sama, Konvensyen Berbeza, Kawalan Sifar

Bahasa Inggeris British dan Amerika bukan satu-satunya pasangan yang mempunyai masalah ini, walaupun ia adalah yang paling kerap dihadapi. Portugis berpecah menjadi Portugis Brazil dan Portugis Eropah, dengan perbezaan dalam ejaan, tatabahasa, perbendaharaan kata, dan bahkan penggunaan kata ganti yang cukup ketara untuk membuat teks terasa asing bagi pembaca varian yang lain. Sepanyol berbeza antara konvensyen Amerika Latin dan Semenanjung, dengan bentuk kata kerja, slang, dan perbendaharaan kata yang berbeza dengan ketara. Perancis mempunyai konvensyen yang berbeza di Perancis, Kanada, Belgium, dan pelbagai negara Afrika. Cina berpecah antara aksara ringkas dan tradisional, yang bukan hanya perbezaan ejaan tetapi set aksara yang sama sekali berbeza.

Dalam setiap kes ini, menghasilkan varian yang salah bukanlah isu kosmetik kecil. Pembaca Brazil yang bertemu dengan ejaan Portugis Eropah dalam penerangan produk akan perasan dengan serta-merta. Ia mencipta rasa jarak, seolah-olah syarikat itu tidak peduli cukup untuk melakukan lokalisasi dengan betul. Bagi perniagaan yang cuba membina kepercayaan dalam pasaran serantau tertentu, ketidakpadanan jenis ini melemahkan keseluruhan usaha. Kandungan mungkin juga ditinggalkan tanpa terjemahan jika terjemahan itu memberi isyarat "kami tidak benar-benar mengenal pasaran anda."

Panduan mengenai penukaran antara Bahasa Inggeris Amerika dan British di YEB meliputi tetapan khusus yang terlibat. Dalam YEB Translate, varian bahasa adalah salah satu daripada 22 tetapan bahasa yang tersedia dalam sistem konteks. Apabila Bahasa Inggeris dipilih sebagai bahasa sasaran, pengguna boleh menentukan varian Amerika, British, Australia, atau serantau yang lain. Model AI menerima pilihan ini sebagai bahagian daripada rentetan konteks dan menghasilkan output yang konsisten menggunakan konvensyen ejaan yang betul, pilihan perbendaharaan kata, dan ungkapan idiomatik untuk varian itu. Tiada laluan penyuntingan pasca diperlukan.

Mekanisme yang sama berfungsi untuk setiap pasangan bahasa yang mempunyai varian serantau. Brazil vs. Portugis Eropah. Amerika Latin vs. Sepanyol Semenanjung. Cina Ringkas vs. Tradisional. Perancis Kanada vs. Metropolitan. Tetapan dibuat sekali, kekal di seluruh sesi, dan terpakai pada setiap teks yang diproses semasa sesi itu. Bagi pasukan kandungan yang menangani lokalisasi pada skala besar, ini menghapuskan seluruh kategori kerja jaminan kualiti.

Mengapa Bias Data Latihan Membuat Ini Lebih Buruk Daripada Yang Terlihat

Alasan kebanyakan alat terjemahan default kepada Bahasa Inggeris Amerika adalah mudah: Internet mengandungi lebih banyak teks Bahasa Inggeris Amerika daripada teks Bahasa Inggeris British. Data latihan untuk model AI diambil dari sumber kandungan web secara dominan, dan kandungan web dikuasai oleh penerbitan Amerika, syarikat Amerika, dan teks yang dijana pengguna Amerika. Apabila model AI mempelajari rupa "betul" Bahasa Inggeris, ia belajar daripada corpus yang condong Amerika secara lalai.

Bias ini bukan yang disengaja, tetapi ia adalah berterusan. Malah apabila alat terjemahan dikemas kini dengan model yang lebih baru, taburan data asas tidak berubah. Bahasa Inggeris Amerika tetap menjadi varian majoriti dalam corpus latihan, yang bermaksud output lalai terus condong Amerika tanpa mengira sama ada pengguna memerlukan British, Australia, Afrika Selatan, atau varian lain. Model tidak memilih Bahasa Inggeris Amerika kerana ia lebih baik. Ia memilihnya kerana ia telah melihat lebih banyak daripadanya.

Bagi pengguna yang menerjemah ke dalam Bahasa Inggeris dari bahasa lain, ini mencipta masalah yang tidak kelihatan. Output kelihatan betul kerana ia adalah tatabahasa yang betul. Ayat-ayat masuk akal. Perbendaharaan kata adalah sesuai. Tetapi varian adalah salah untuk audiens yang dimaksudkan, dan kecuali pengguna cukup biasa dengan kedua-dua varian untuk menangkap setiap perbezaan, ketidakpadanan itu terlepas. Pengurus pemasaran Jerman yang menerjemahkan salinan produk untuk pasaran UK mungkin tidak perasan bahawa "aluminum" sepatutnya "aluminium" atau bahawa "skeptical" sepatutnya "sceptical." Ini bukan ralat yang penyemak tatabahasa bendera kerana kedua-dua ejaan adalah sah. Ia hanya sah di negara-negara berbeza.

Sistem konteks dalam penterjemah AI YEB menganggap varian bahasa sebagai tetapan kelas pertama dan bukannya pemikiran yang terlambat. Ini penting kerana model AI melaraskan bukan hanya ejaan tetapi pilihan perbendaharaan kata, pemilihan idiom, dan bahkan struktur ayat berdasarkan varian. Bahasa Inggeris British cenderung ke arah pembinaan yang sedikit lebih formal dalam penulisan perniagaan. Bahasa Inggeris Amerika menggunakan frasa yang lebih terus terang. Bahasa Inggeris Australia mempunyai daftar tidak rasmi sendiri yang berbeza daripada kedua-duanya. Ini adalah perbezaan halus yang pembicara asli manusia menghasilkan tanpa sadar, dan bahawa model AI hanya boleh menghasilkan apabila diberitahu varian mana yang hendak disasarkan.

Kos Sebenar Mendapatkan Varian Salah

Untuk e-mel peribadi, tiada siapa yang peduli sama ada "colour" atau "color" muncul. Bagi kandungan yang diterbitkan, pertaruhan adalah berbeza. Laman web .co.uk yang menggunakan ejaan Amerika di seluruh kelihatan tidak dipoles. Laman web .com yang menyasarkan pembaca Australia dengan ejaan British kelihatan sedikit tidak betul. Ini bukan kegagalan dramatik. Ia adalah potongan kertas yang terkumpul dan mencipta kesan umum kecuaian.

Dalam industri yang dikawal selia, konsistensi varian boleh menjadi isu kepatuhan. Dokumen undang-undang di UK mengikuti konvensyen British. Kesusasteraan perubatan untuk NHS menggunakan terminologi British. Penerbitan kerajaan mengikuti panduan gaya yang ketat yang menentukan penggunaan varian sehingga ke kata-kata individu. Menyerahkan dokumen yang diterjemahkan yang menggunakan varian yang salah dalam konteks ini bukan sekadar cemar. Ia boleh mencetuskan permintaan penolakan atau semakan yang melambatkan keseluruhan projek.

Perbandingan dengan DeepL menonjolkan ini sebagai salah satu bidang khusus di mana alat terjemahan tujuan umum gagal. DeepL menghasilkan terjemahan yang cemerlang dari segi kelancaran dan ketepatan, tetapi sehingga baru-baru ini tidak menawarkan cara untuk menentukan varian Bahasa Inggeris mana yang hendak dihasilkan. Pengguna yang memerlukan Bahasa Inggeris British perlu sama ada menerima apa yang diberikan model atau menjalankan langkah penukaran berasingan selepas itu. Batasan yang sama wujud di seluruh kebanyakan alat terjemahan AI utama di pasaran.

Apa yang membuat pendekatan konteks berbeza ialah pemilihan varian berlaku sebelum terjemahan, bukan selepas. Model AI tidak menghasilkan teks Bahasa Inggeris Amerika dan kemudian menukarnya ke British. Ia menghasilkan teks Bahasa Inggeris British dari awal, memilih kata-kata yang betul, ejaan yang betul, dan pembinaan yang betul dari ayat pertama yang sangat. Ini adalah pendekatan yang berbeza secara fundamental daripada pemprosesan pasca cari-dan-ganti, dan ia menghasilkan hasil yang terasa semula jadi dalam varian sasaran dan bukannya terasa seperti teks Amerika dengan lapisan British yang nipis.