Color sau Colour și de ce traducerea AI fără context este inutilă

Undeva într-un folder partajat se află un document care ar trebui să fie o descriere de produs pentru publicul britanic. Textul a fost scris inițial în limba germană, tradus în limba engleză folosind unul dintre instrumentele majore de traducere online și predat echipei de marketing. La prima vedere, arăta bine. Gramatica era corectă, propozițiile curgeau rezonabil bine și sensul era păstrat. Apoi cineva din Londra a observat problema. Documentul folosea "color" în loc de "colour", "organize" în loc de "organise", "center" în loc de "centre" și "analyze" în loc de "analyse". Fiecare alegere ortografică urmăreau convenții americane. Pentru un document destinat clienților britanici, publicat pe un domeniu .co.uk, aceasta nu era acceptabilă.

Partea frustrантă nu era că traducerea era greșită. Partea frustrантă era că nu exista nicio modalitate de a spune instrumentului ce versiune de engleză să producă. Google Translate are o singură opțiune: Engleză. DeepL are o singură opțiune: Engleză. Nici unul nu se întreabă dacă ținta este un cititor din Manchester sau un cititor din Manhattan. Ieșirea se generează, varianta se alege după orice tipar apărut cel mai mult în datele de antrenament și utilizatorul trebuie să găsească și să înlocuiască manual fiecare instanță de ortografie americană într-un document care ar trebui să fie britanic de la început.

Asta ar putea suna ca o plângere minoră. Diferențele de ortografie între engleza britanică și cea americană sunt bine documentate și relativ previzibile. Dar diferențele merg mult dincolo de înlocuirea "ou" cu "o" și "ise" cu "ize". Vocabularul diverge semnificativ. Un "boot" este un portbagaj. Un "bonnet" este o capotă. "Trousers" sunt pantaloni, dar "pants" sunt lenjerie de corp. "Biscuits" sunt prăjituri. "Chips" sunt cartofi prăjiți, dar "crisps" sunt chipsuri. Un "flat" este un apartament. "First floor" este de fapt al doilea etaj. Aceste diferențe de vocabular pot confunda cu adevărat cititorii atunci când varianta greșită apare într-un text altfel bine scris.

Pentru oricine gestionează conținut multilingv, în special site-uri web, aplicații sau materiale de marketing care trebuie să existe în engleza britanică și americana, lipsa controlului variantei în instrumentele de traducere creează muncă reală. Fiecare document tradus necesită o trecere de revizuire manuală specifică pentru a surprinde și corecta nepotriviri de variantă. Acea trecere de revizuire durează timp, costă bani și este complet evitabilă dacă instrumentul de traducere ar ști pur și simplu ce variantă să producă.

Aceeași limbă, convenții diferite, zero control

Engleza britanică și cea americană nu sunt singura pereche cu această problemă, deși sunt cea mai frecvent întâlnită. Portugheza se împarte în portugheza braziliană și portugheza europeană, cu diferențe în ortografie, gramatică, vocabular și chiar utilizarea pronumelor care sunt suficient de semnificative pentru a face textul să pară străin pentru cititorii celeilalte variante. Spaniola variază între convenții latinamericane și peniinsulare, cu forme verbale, slang și vocabular care diferă substanțial. Franceza are convenții distincte în Franța, Canada, Belgia și diverse națiuni africane. Chineza se împarte între caractere simplificate și tradiționale, ceea ce nu este doar o diferență de ortografie, ci un set complet diferit de caractere.

În fiecare dintre aceste cazuri, producerea variantei greșite nu este o problemă cosmetică minoră. Un cititor brazilian care întâlnește ortografia portughezei europene într-o descriere de produs va observa imediat. Creează o senzație de distanță, ca și cum compania nu ar fi avut suficient de grijă pentru a localiza corect. Pentru întreprinderi care încearcă să construiască încredere în piețe regionale specifice, acest fel de nepotrivire subminează întregul efort. Conținutul ar fi putut să rămână netradus la fel de bine dacă traducerea semnaul "nu cunoaștem de fapt piața ta."

Ghidul privind conversia dintre engleza americană și cea britanică pe YEB acoperă setările specifice implicate. În YEB Translate, varianta limbii este una dintre 22 de setări lingvistice disponibile în sistemul de context. Atunci când engleza este selectată ca limbă țintă, utilizatorul poate specifica variante americane, britanice, australiene sau alte variante regionale. Modelul AI primește această preferință ca parte a șirului de context și produce ieșire care folosește în mod consecvent convenții de ortografie corecte, alegeri de vocabular și expresii idiomatice pentru acea variantă. Nu este necesară nicio trecere de post-editare.

Același mecanism funcționează pentru fiecare pereche de limbi care are variante regionale. Portugheza braziliană vs. europeană. Spaniola latinamericană vs. peniinsulară. Chinez simplificat vs. tradițional. Franceza canadiană vs. metropolitană. Setarea se face o dată, persiste în întreaga sesiune și se aplică fiecărui fel de text procesat în acea sesiune. Pentru echipele de conținut care gestionează localizare la scară, aceasta elimină o întreagă categorie de muncă de asigurare a calității.

De ce prejudecata datelor de antrenament face aceasta mai rău decât pare

Motivul pentru care cele mai multe instrumente de traducere aleagă engleza americană este simplu: internetul conține mai mult text în engleză americană decât în engleză britanică. Datele de antrenament pentru modelele AI sunt în copleșitor sourced din conținut web și conținutul web este dominat de publicații americane, companii americane și text generat de utilizatori americani. Atunci când un model AI învață ce pare "corect" în engleză, învață dintr-un corpus care devia american în mod implicit.

Această prejudecată nu este intenționată, dar este persistentă. Chiar și atunci când instrumentele de traducere sunt actualizate cu modele mai noi, distribuția datelor subiacente nu s-a schimbat. Engleza americană rămâne varianta majorității în corpusuri de antrenament, ceea ce înseamnă că ieșirea implicită continuă să se orienteze american indiferent de dacă utilizatorul are nevoie de variantă britanică, australiană, sud-africană sau orice alta. Modelul nu alege engleza americană pentru că este mai bună. O alege pentru că a văzut mai mult din ea.

Pentru utilizatorii care traduc în engleză din alte limbi, aceasta creează o problemă invizibilă. Ieșirea arată corect pentru că este corectă din punct de vedere gramatical. Propozițiile au sens. Vocabularul este potrivit. Dar varianta este greșită pentru publicul destinat și, dacă utilizatorul nu este suficient de familiarizat cu ambele variante pentru a surprinde fiecare diferență, nepotrivirea se strecoară prin. Un manager de marketing german care traduce copii de produs pentru piața britanică poate să nu observe că "aluminum" ar trebui să fie "aluminium" sau că "skeptical" ar trebui să fie "sceptical". Acestea nu sunt erori pe care corectoarele de gramatică le semnalează deoarece ambele ortografii sunt valide. Sunt doar valide în diferite țări.

Sistemul de context în traducătorul AI al YEB tratează varianta limbii ca o setare de primă clasă mai degrabă decât o gândire secundară. Aceasta este importantă deoarece modelul AI ajustează nu doar ortografia, ci alegerea vocabularului, selecția idiomului și chiar structura propozițiilor pe baza variantei. Engleza britanică tinde spre construcții ușor mai formale în scrisul de afaceri. Engleza americană folosește frază mai directă. Engleza australiană are propriul registru informal care diferă de ambele. Acestea sunt diferențe subtile pe care un vorbitor nativ uman le produce în mod inconștient și pe care un model AI le poate reproduce doar atunci când i se spune care variantă să urmărească.

Costul real al obținerii variantei greșite

Pentru un email personal, nimănui nu-i pasă dacă "colour" sau "color" apare. Pentru conținutul publicat, mizeriile sunt diferite. Un site .co.uk care folosește ortografii americane în întregime arată neprefesionist. Un site .com care vizează cititorii australieni cu ortografie britanică arată ușor greșit. Acestea nu sunt eșecuri dramatice. Sunt tăieturi de hârtie care se acumulează și creează o impresie generală de neglijență.

În industrii reglementate, coerența variantei poate fi o problemă de conformitate. Documentele legale din Marea Britanie urmează convenții britanice. Literatura medicală pentru NHS folosește terminologie britanică. Publicațiile guvernamentale urmează ghiduri de stil stricte care specifică utilizarea variantei până la cuvinte individuale. Trimiterea unui document tradus care folosește varianta greșită în aceste contexte nu este doar neîndemânatic. Poate declanșa cereri de respingere sau revizuire care întârzie întreaga proiecte.

Comparația cu DeepL subliniază aceasta ca una dintre ariile specifice în care instrumentele generale de traducere se încadrează în urmă. DeepL produce traduceri excelente în ceea ce privește fluiditatea și acuratețea, dar până recent nu oferea nicio modalitate de a specifica ce variantă de engleză să producă. Utilizatorii care aveau nevoie de engleză britanică trebuiau sau accepta ceea ce le dă modelul sau rulează o trecere separată de conversie după. Aceeași limitare există peste cele mai multe din instrumentele majore de traducere AI de pe piață.

Ce face abordarea contextului diferit este că selecția variantei se întâmplă înaintea traducerii, nu după. Modelul AI nu produce text în engleză americană și apoi îl convertește în britanică. Produce text în engleză britanică de la început, alegând cuvintele potrivite, ortografiile potrivite și construcțiile potrivite de la prima propoziție. Aceasta este o abordare fundamental diferită decât post-procesarea găsire-și-înlocuire și produce rezultate care se citesc natural în varianta țintă mai degrabă decât să se simtă ca text american cu un strat britanic subțire.