Color lub Colour i dlaczego AI Translation bez kontekstu jest bezużyteczne

Gdzieś w udostępnianym folderze leży dokument, który miał być opisem produktu dla brytyjskiej publiczności. Tekst został pierwotnie napisany w języku niemieckim, przetłumaczony na angielski za pomocą jednego z głównych internetowych narzędzi tłumaczeniowych i dostarczony zespołowi marketingowemu. Na pierwszy rzut oka wyglądał dobrze. Gramatyka była poprawna, zdania płynęły dość dobrze, a znaczenie zostało zachowane. Potem ktoś z Londynu to zgłosił. Dokument używał "color" zamiast "colour", "organize" zamiast "organise", "center" zamiast "centre" i "analyze" zamiast "analyse". Każdy wybór pisowni podążał za konwencjami amerykańskimi. Dla dokumentu skierowanego do klientów brytyjskich, opublikowanego w domenie .co.uk, było to niedopuszczalne.

Frustrująca część nie polegała na tym, że tłumaczenie było błędne. Frustrująca część polegała na tym, że nie było sposobu, aby powiedzieć narzędziu, którą wersję angielskiego wytworzyć. Google Translate ma jedną opcję: Angielski. DeepL ma jedną opcję: Angielski. Żaden z nich nie pyta, czy docelowym odbiorcą jest czytelnik w Manchesterze czy czytelnik na Manhattanie. Dane wyjściowe są generowane, wariant jest wybierany przez dowolny wzór, który pojawił się najczęściej w danych treningowych, a użytkownik musi ręcznie znaleźć i zastąpić każde wystąpienie pisowni amerykańskiej w dokumencie, który powinien być brytyjski od samego początku.

To może brzmieć jak drobna skarga. Różnice w pisowni między angielskim brytyjskim i amerykańskim są dobrze udokumentowane i stosunkowo przewidywalne. Ale różnice sięgają znacznie poza zamianę "ou" na "o" i "ise" na "ize". Słownictwo znacznie się rozbieża. "Boot" to bagażnik. "Bonnet" to maska silnika. "Trousers" to spodnie, ale "pants" to bielizna. "Biscuits" to ciasteczka. "Chips" to frytki, ale "crisps" to chipsy. "Flat" to mieszkanie. "First floor" to faktycznie drugie piętro. Te różnice słownictwa mogą naprawdę mylić czytelników, gdy w innym razie dobrze napisanym tekście pojawi się błędny wariant.

Dla każdego, kto zarządza treścią wielojęzyczną, szczególnie stronami internetowymi, aplikacjami lub materiałami marketingowymi, które muszą istnieć zarówno w brytyjskim, jak i amerykańskim angielskim, brak kontroli wariantów w narzędziach tłumaczeniowych tworzy prawdziwą pracę. Każdy przetłumaczony dokument musi przejść przegląd ręczny specjalnie, aby wychwycić i poprawić niezgodności wariantów. Ten przegląd przejścia zajmuje czas, kosztuje pieniądze i można go całkowicie uniknąć, jeśli narzędzie tłumaczeniowe po prostu wiedziałoby, który wariant wytworzyć.

Ten sam język, różne konwencje, zerowa kontrola

Angielski brytyjski i amerykański nie są jedyną parą z tym problemem, chociaż są najczęściej spotykane. Portugalski dzieli się na portugalski brazylijski i europejski, z różnicami w pisowni, gramatyce, słownictwie, a nawet użytkowaniu zaimków, które są wystarczająco znaczące, aby tekst wydawał się obcy czytelnikom drugiego wariantu. Hiszpański zmienia się między konwencjami łacińsko-amerykańskimi i półwyspem, z formami czasownikowymi, slangiem i słownictwem, które znacznie się różnią. Francuski ma odrębne konwencje we Francji, Kanadzie, Belgii i różnych krajach afrykańskich. Chiński dzieli się na znaki uproszczone i tradycyjne, co nie jest tylko różnicą w pisowni, ale całkowicie innym zestawem znaków.

W każdym z tych przypadków wyprodukowanie błędnego wariantu nie jest drobnym problemem kosmetycznym. Brazylijski czytelnik spotykający europejską португальską pisownię w opisie produktu zauważy to natychmiast. Tworzy to poczucie dystansu, jakby firma nie dbała wystarczająco, aby lokalizować prawidłowo. Dla firm próbujących budować zaufanie na określonych rynkach regionalnych, tego rodzaju niedopasowanie podważa całe przedsięwzięcie. Zawartość mogła równie dobrze zostać pozostawiona przetłumaczona, jeśli tłumaczenie sygnalizuje "w rzeczywistości nie znamy twojego rynku".

Przewodnik dotyczący konwersji między angielskim amerykańskim i brytyjskim na YEB obejmuje określone ustawienia, które są brane pod uwagę. W YEB Translate wariant języka jest jednym z 22 ustawień języka dostępnych w systemie kontekstu. Gdy angielski jest wybierany jako język docelowy, użytkownik może określić warianty amerykańskie, brytyjskie, australijskie lub inne warianty regionalne. Model AI otrzymuje tę preferencję jako część łańcucha kontekstu i generuje dane wyjściowe, które konsekwentnie używają prawidłowych konwencji pisowni, wyborów słownictwa i wyrażeń idiomatycznych dla tego wariantu. Nie jest wymagany przegląd post-edycji.

Ten sam mechanizm sprawdza się w przypadku każdej pary języków, która ma warianty regionalne. Brazylijski kontra europejski portugalski. Łacińsko-amerykański kontra półwysep hiszpański. Uproszczony kontra tradycyjny chiński. Kanadyjski kontra paryski francuski. Ustawienie jest dokonywane raz, utrzymuje się w całej sesji i dotyczy każdego tekstu przetwarzanego w tej sesji. Dla zespołów treści obsługujących lokalizację na dużą skalę, eliminuje to całą kategorię pracy zapewniania jakości.

Dlaczego stronniczość danych szkoleniowych czyni to gorsze niż się wydaje

Powód, dla którego większość narzędzi tłumaczeniowych domyślnie używa angielskiego amerykańskiego, jest prosty: internet zawiera więcej tekstu angielskiego amerykańskiego niż angielskiego brytyjskiego. Dane treningowe dla modeli AI są przytłaczająco pozyskiwane z treści sieciowej, a treść sieciowa jest zdominowana przez publikacje amerykańskie, firmy amerykańskie i tekst generowany przez użytkowników z USA. Gdy model AI uczy się, jak wygląda "poprawny" angielski, uczy się z korpusu, który domyślnie jest tendencyjny w kierunku американского.

Ta stronniczość nie jest umyślna, ale jest trwała. Nawet gdy narzędzia tłumaczeniowe są aktualizowane za pomocą nowszych modeli, underlying dystrybucja danych nie uległa zmianie. Angielski amerykański pozostaje wariantem większości w korpusach treningowych, co oznacza, że wyjście domyślne nadal pochyla się w kierunku amerykańskiego, niezależnie od tego, czy użytkownik potrzebuje brytyjskiego, australijskiego, południowoafrykańskiego czy innego wariantu. Model nie wybiera angielskiego amerykańskiego, ponieważ jest lepszy. Wybiera go, ponieważ go więcej widział.

Dla użytkowników tłumaczących na angielski z innych języków, tworzy to niewidoczny problem. Dane wyjściowe wyglądają poprawnie, ponieważ są gramatycznie poprawne. Zdania mają sens. Słownictwo jest odpowiednie. Ale wariant jest błędny dla zamierzonej publiczności, a jeśli użytkownik nie jest wystarczająco zaznajomiony z obu wariantami, aby wychwycić każdą różnicę, niedopasowanie prześlizguje się. Niemiecki kierownik marketingu tłumaczący kopię produktu dla rynku brytyjskiego może nie zauważyć, że "aluminum" powinno być "aluminium" lub że "skeptical" powinno być "sceptical". Nie są to błędy, które narzędzia do sprawdzania gramatyki oznaczają, ponieważ obie pisownie są ważne. Są po prostu ważne w różnych krajach.

System kontekstu w tłumaczu AI YEB traktuje wariant języka jako ustawienie pierwszej klasy, a nie refleksję. To ważne, ponieważ model AI dostosowuje nie tylko pisownię, ale także wybór słownictwa, idiomy i nawet strukturę zdania na podstawie wariantu. Angielski brytyjski zmienia się w kierunku nieco bardziej formalnych konstrukcji w pisaniu biznesowym. Angielski amerykański używa bardziej bezpośrednich sformułowań. Angielski australijski ma własny nieformalny rejestr, który różni się od obu. Są to subtlne różnice, które rodzimego mówiącego produkuje nieświadomie, i które model AI może tylko odtworzyć, gdy powiedziano mu, który wariant wziąć.

Rzeczywisty koszt błędu wariantu

Dla osobistej wiadomości e-mail nikt nie obchodzi się, czy pojawia się "colour" czy "color". Dla treści opublikowanej stawki są inne. Strona .co.uk używająca pisowni amerykańskich wszędzie wygląda nieprofesjonalnie. Strona .com kierowana do australijskich czytelników z британskaą pisownią wygląda nieco niezręcznie. Nie są to dramatyczne niepowodzenia. To papierowe cięcia, które się gromadzą i tworzą ogólne wrażenie zaniedbania.

W regulowanych branżach spójność wariantów może być kwestią zgodności. Dokumenty prawne w Wielkiej Brytanii podążają konwencjami brytyjskim. Literatura medyczna dla NHS używa brytyjskiej terminologii. Publikacje rządowe podążają ścisłymi wytycznymi stylu, które określają użycie wariantów aż do poszczególnych słów. Przesłanie przetłumaczonego dokumentu, który używa błędnego wariantu w tych kontekstach, nie jest po prostu niechlujna. Może wyzwolić żądania odrzucenia lub rewizji, które opóźniają całe projekty.

Porównanie z DeepL podkreśla to jako jeden z konkretnych obszarów, w których ogólne narzędzia tłumaczeniowe ulegają. DeepL tworzy doskonałe tłumaczenia pod względem biegłości i dokładności, ale do niedawna nie oferował żadnego sposobu na określenie, który wariant angielskiego ma wytworzyć. Użytkownicy, którzy potrzebowali angielskiego brytyjskiego, musieli albo zaakceptować to, co dał im model, albo uruchomić oddzielny krok konwersji później. To samo ograniczenie istnieje w przypadku większości głównych narzędzi tłumaczeniowych AI na rynku.

To, co czyni podejście kontekstowe różnym, to fakt, że wybór wariantu następuje przed tłumaczeniem, a nie po. Model AI nie produkuje angielskiego tekstu amerykańskiego, a następnie konwertuje go na brytyjski. Produkuje angielski tekst brytyjski od samego początku, wybierając właściwe słowa, właściwą pisownię i właściwe konstrukcje od pierwszego zdania. To fundamentalnie inne podejście niż find-and-replace post-processing, i produkuje wyniki, które czytają się naturalnie w wariancie docelowym, a nie czują się jak tekst amerykański z cienką brytyjską warstwą farby.