Begränsningar för maskinöversättning i lokaliseringsstrategi

Gränserna för maskinöversättning kan förbises när du är ivrig att komma in på en marknad. MT kan vara ett användbart verktyg, men det är inte en fullständig lösning. Så länge du är beredd att använda det som ett lokaliseringshjälpmedel och inte som en komplett lösning, kan du dra nytta av dess fördelar samtidigt som du håller standarderna höga. MT och mänsklig översättning utesluter inte varandra. MT är ett produktivitetsverktyg. Det kan hjälpa översättare att arbeta snabbare och uppnå resultat av högre kvalitet. I vissa fall är det till och med möjligt att automatisera betydande delar av produkten med ett expertmässigt Skapa system. Det är dock sällan en fristående lösning på lokalisering, vilket är anledningen till att det är klokt att förstå dess begränsningar.

Njut av Automatisering inom gränserna för maskinöversättning

Gränserna för maskinöversättning kommer ofta tillsammans med begränsade data. MT är tränad att använda data för att ge förslag till översättare. För att skapa ett effektivt maskinöversättning program behöver du minst en miljon ord av högkvalitativt, människotranslaterat innehåll.

Det är det största problemet som de flesta företag stöter på eftersom de inte har tillgång till denna träningsdata, även känd som korpusar eller textkorpus. Även om de har data för att träna dessa motorer är det ofta extremt ämnesspecifikt – som med teknisk dokumentation. Den kortfattade informationen är mycket faktabaserad och kan automatisera översättningen av många delar av Innehåll genom att använda och följa mönster.

Det är därför som MT vanligtvis är bäst att använda i fall där materialet har ett mycket lågt värde, eftersom det inte visas ofta och inte är utformat för att ha så mycket "personlighet". Dessutom ser de flesta som betraktar MT som en metod för att automatisera översättning det som ett sätt att spara pengar. Men för att träna maskinöversättning skulle de behöva investera mycket i innehållsskapande och datamining för att effektivt bygga systemet, vilket skulle eliminera all ROI från projektet.

Budgeten är där många MT-projekt faller isär när de inser att det skulle vara dyrare att skapa systemet än att låta mänskliga översättare hantera det. Slutligen kommer en av de mest betydande begränsningarna av maskinöversättning från de mänskliga översättarna själva. Till en början fanns det ett stort motstånd mot att använda maskinöversättning när det först kom ut på grund av konceptet "tillräckligt bra". Översättare fick höra att de bara behövde "justera" MT-innehåll för att göra det bättre men fick ofta inte en referensram för vad som kvalificerade som bra. Utöver det minskade dessa verktyg deras lönenivåer och ökade deras produktivitetsmål. Som ett resultat, varje gång du använder MT och kompletterar det med efterredigering, kommer du att vilja sätta upp tydliga kriterier och standarder för optimalt Innehåll.

Betygsättning av maskinöversättning för Kvalitet

En annan begränsning av maskinöversättning är bristen på standardisering för att bestämma Kvalitet. Den tvåspråkiga utvärderingsstudien, eller BLEU, är det mest accepterade riktmärket men lider av några allvarliga brister. Eftersom det använder fasta referensstandarder handlar det mindre om att mäta förbättringen i Kvalitet och mer om att följa en stel struktur. Eftersom så är fallet bör BLEU-poängen aldrig vara det enda kriteriet för att avgöra om översättningen är lyckad.Översättningsstandarder för att nå framgång bör komma från objektiva, människocentrerade kriterier som:

• Gick intäkterna ner eller upp efter användningen av MT-innehållet?
• Var det färre klagomål från användare?
Navigerade användare programvaran bättre och kom längre? Minskade redigeringsavståndet—tiden det tog från maskinöversättning till mänskliga redigeringar till framgångsrikt innehåll?

De bästa mätvärdena för att förstå begränsningarna av din maskinöversättning är användardrivna. När klagomålen minskar ökar intäkterna och människor navigerar djupare in i programvaran. I det här fallet är det lätt att se att de förstår Innehållet och engagerar sig i det. Dessutom, när materialet byggs ut, får du mer tillgång till data, vilket kommer att förbättra träningen för programmet. Så länge det här systemet är ett verktyg och inte en helhetslösning är de flesta MT-insatser värda investeringen trots sina begränsningar.