Wir wissen, dass die Genauigkeit bei MT-Lösungen oft nicht zufriedenstellend war. Lionbridge kombiniert deshalb eine KI-zentrierte Herangehensweise, die automatische Funktionen zur Bewertung der Qualität bereitstellt, mit HITL (Human-in-the-Loop), damit wir die Akkuratesse jederzeit beurteilen können.

KI wird genutzt, um die Übersetzungsergebnisse herkömmlicher Tools wie TM (Translation Memorys), NMT (Neural Machine Translation) und RAG zu verbessern.

Unsere Erfahrungen mit dem KI-gestützten Post-Editing zeigen, dass es die Anforderungen an Skalierbarkeit und Qualität erfüllen kann. Trotzdem muss das Tool von Menschen überwacht und im Hinblick auf Genauigkeit und spezifische Contentanforderungen justiert werden.

Unsere Lösung für KI-gestütztes Post-Editing beginnt mit einer Analyse des Quellcontents, um den Kontext herauszuarbeiten. Die Bearbeitungs- und Validierungsschritte werden unter Berücksichtigung dieses Kontexts durchgeführt. Dies stellt die Abstimmung der ausgegebenen Übersetzungen auf die Contentziele und/oder -profile sicher.

Wir haben unser KI-gestütztes Post-Editing konfigurierbar konzipiert. Linguistische Prompts können nach Maßgabe automatischer Überwachung und menschlicher Rückmeldungen von am Übersetzungsprozess beteiligten Linguisten und Experten des Kunden bearbeitet und aktualisiert werden.

Lionbridge bietet ergänzende KI-Lösungen an, mit denen Quellenanalysen durchgeführt und Berichte erstellt werden können, die Änderungen des Quellcontents empfehlen. Zur weiteren Optimierung der Contentstrategie können wir diese Lösungen mit unserer Lösung für KI-gestütztes Post-Editing kombinieren.

Mit unserer Lösung für KI-gestütztes Post-Editing können wir exakt bestimmen, in welchen Bereichen der Einsatz von menschlichen Experten am sinnvollsten ist.

Wir ermitteln mit unseren Kunden anhand des Frameworks REACH die Contentziele und konfigurieren die KI-Lösung, um die produzierten Übersetzungen zu optimieren. Anschließend können wir festlegen, welcher Umfang menschlicher Einbindung für den jeweiligen Contentbedarf und die Contentprofile geeignet ist.

Branchenspezifische Terminologie, die sprachbezogen und/oder regional variiert, stellt eine Herausforderung dar. Es bieten sich aber verschiedene Lösungen an.

Mit Metadaten können wir mehr Kontext für die KI-Tools bereitstellen und das LLM anweisen, zusätzliche Anforderungen wie regionale Nuancen zu berücksichtigen. Vorausgesetzt ist entsprechendes Labeling und Tagging des Contents. Lionbridge kann Unternehmen mit Datenservices bei den entsprechenden Vorbereitungen unterstützen.

Für Terminologie, die regional angepasst werden muss, nutzen wir ein RAG-Framework. Vor dem KI-gestützten Post-Editing legen wir Richtlinien für das LLM fest, damit es bestimmte Aktionen basierend auf definierten linguistischen Regeln ausführt.

Die Konfigurationsfunktion in unserer Lösung ermöglicht zudem den Verweis auf externe Materialien, die als ergänzende Beispiele herangezogen werden sollen, damit das LLM Content generiert, der besser auf den spezifischen Kontext zugeschnitten ist.

Da Content dieser Art im Zeitverlauf einer Entwicklung unterliegt, müssen die linguistischen Prompts regelmäßig gewartet und aktualisiert werden. Deshalb sehen unsere KI-Lösungen konzeptionell die Überwachung und Kuratierung durch menschliche Experten vor.

Ja. Unsere KI-gestützte Plattform ist nicht von einem bestimmten LLM abhängig und nicht an ein bestimmtes Modell gebunden. Die Lösung wurde mit den GPT-Modellen von OpenAI kalibriert. Wir können aber stattdessen auch die LLM-Engines von Kunden nutzen.

Dieses Szenario setzt eine kundenspezifische Konfiguration voraus und macht ggf. eine ergänzende Evaluierung/Konfiguration erforderlich, um die Einhaltung der Qualitätsstandards durch das LLM sicherzustellen.

Für solche Lösungen empfehlen wir die Zusammenarbeit mit unseren Teams der Abteilung Solutions and Language Technology, um die spezifischen Bedarfe, Ziele und Anforderungen zu ermitteln.

Unsere Lösung für KI-gestütztes Post-Editing umfasst konfigurierbare linguistische Prompts, die an Änderungen bei Contentbedarf und regulatorischen Anforderungen angepasst werden können. Wir empfehlen einen KI-zentrierten Prozess. Kontrolle und Kuratierung der linguistischen Prompts zur Optimierung und Kalibrierung obliegen aber Menschen: Computerlinguisten, Experten (SME) und Linguisten.

Generische, nicht trainierte, auf Chatbots basierende LLM-Modelle können Ton, Content und kulturelle Nuancen kaum berücksichtigen. Unsere Lösung ist dagegen konfigurierbar, sodass dem LLM spezifische Anweisungen in Form von Prompt-Ketten übergeben werden können, die Stil, Tonfall und Terminologie sowie für den Kontext des Ausgangscontents relevante linguistische Richtlinien definieren. Dank kontrollierter Konfiguration linguistischer Parameter und Prompts können wir Übersetzungsprozesse mit KI-gestütztem Post-Editing optimieren.

Zunächst fordert unsere Lösung das LLM auf, den Kontext des Quellcontents zu analysieren. Dieser Kontext wird der Entscheidungsfindung und der Bearbeitung des LLM zugrunde gelegt. Ergänzt wird der Kontext um Anweisungen zur Evaluierung von Terminologie, zur Bearbeitung von Fuzzy-Matches und zur Validierung von Übersetzungen auf Segmentebene, damit die KI innerhalb definierter Parameter arbeitet. Unser Ansatz sieht außerdem die kontinuierliche Aktualisierung der linguistischen Prompts vor. Wenn also Halluzinationen oder Konfabulationen auftreten, können wir eingreifen und das Problem beheben.

Die menschlichen Prüfer sind in der Regel Computerlinguisten oder Linguisten mit Erfahrung im Prompt-Engineering. Sie sind für das Entwerfen, Testen und Aktualisieren der Parameter unserer Lösung für KI-gestütztes Post-Editing verantwortlich. Diese Linguisten validieren die Ausgabe. Ihr Feedback wird zur Anpassung und Optimierung der linguistischen Prompts und Parameter verwendet.