Vi är medvetna om att maskinöversättningar länge har kännetecknats av bristfällig noggrannhet. Lionbridge kombinerar en AI-baserad metod som omfattar automatiska kvalitetskontroller med en metod med en människa i processen. På så sätt kan vi alltid se till att resultatet blir korrekt.

AI används för att finputsa översättningsresultat från traditionella verktyg som översättningsminnen (TM), neural maskinöversättning (NMT) och RAG.

Våra erfarenheter av AI-baserad efterredigering visar att tekniken kan tillgodose behovet av storskaligt innehåll med bibehållen kvalitet. Samtidigt behöver processen övervakas av en människa för att kunna anpassa verktyget och uppnå maximal korrekthet och uppfylla specifika innehållskrav.

Det första steget i vår AI-efterredigeringslösning är en inledande bedömning av källinnehållet för att förstå det övergripande sammanhanget. Därefter utförs redigerings- och valideringsstegen utifrån det aktuella sammanhanget för att se till att de översättningar som produceras stämmer överens med innehållsmålen och/eller profilerna.

Vi utformade vår AI-lösning för efterredigering så att den är konfigurerbar – språkliga uppmaningar kan redigeras och uppdateras baserat på automatiserad övervakning och mänsklig feedback från lingvister och ämnesexperter (SME) som är involverade i översättningsprocessen.

Dessutom erbjuder Lionbridge andra AI-lösningar som ger oss möjlighet att utföra analyser av källinnehåll och ta fram rapporter med rekommenderade anpassningar av innehåll. Lösningarna kan kombineras med vår AI-lösning för efterredigering för att ytterligare finslipa innehållsstrategin.

Vår AI-baserade efterredigeringslösning kan användas för att definiera och fokusera på det innehåll där människans språkkompetens får störst betydelse.

Med hjälp av vårt REACH-ramverk arbetar vi med våra kunder för att bedöma innehållsmål och konfigurera AI-lösningen för att optimera översättningsresultatet. Därefter kan vi ange hur stora mänskliga insatser som krävs för att arbetsinsatsen ska stämma överens med innehållsbehoven och profilerna.

Det är inte helt enkelt att hantera branschspecifik terminologi som varierar beroende på språk och region, men det kan lösas på flera sätt.

Genom att använda metadata kan vi ge AI-verktygen ett bredare sammanhang och instruera den stora språkmodellen att även ta hänsyn till ytterligare krav, exempelvis regionala nyanser. Det förutsätter dock att innehållet är korrekt uppmärkt. Lionbridge erbjuder datatjänster som kan hjälpa företag att uppfylla det här kravet.

När terminologi ska anpassas till en enskild kommun eller region använder vi ett RAG-ramverk. Vid AI-baserad efterredigering fastställer vi riktlinjer för hur den stora språkmodellen ska utföra specifika åtgärder baserat på definierade språkliga regler.

Lösningen är även konfigurerad så att externt material kan användas som referens med kompletterande exempel. På så sätt kan språkmodellen enklare skapa innehåll som är mer anpassat för ett visst sammanhang.

Den här typen av innehåll förändras ofta med tiden, så det är viktigt att underhålla och uppdatera språkliga promptar. Därför är våra AI-lösningar utformade för att kunna sammanställas och kontrolleras under ledning av en människa.

Ja, vår AI-baserade plattformslösning är LLM-agnostisk och inte knuten till någon specifik språkmodell. Även om den har kalibrerats med OpenAI:s Chat GPT-modeller kan vi samarbeta med kunder och använda deras egna LLM-motorer i stället.

Det blir då en anpassad konfiguration och det kan krävas ytterligare utvärdering/konfigurering för att se till att den stora språkmodellen uppfyller önskade kvalitetsstandarder.

För den här sortens lösningar rekommenderar vi att du samarbetar med våra lösnings- och språkteknikteam, så att ni tillsammans kan fastställa såväl krav som behov och mål.

Vår AI-lösning för efterredigering har konfigurerbara språkliga uppmaningar som kan anpassas för att möta förändrade innehållsbehov och myndighetskrav. Även om vi rekommenderar en AI-baserad process behåller människan kontrollen och styr valet av språkliga promptar. Det är alltid datorspråk-, ämnes- och språkexperter som ansvarar för både optimering och kalibrering.

Generiska, otränade och chattbotbaserade stora språkmodeller har svårt att hitta rätt tonläge, innehåll och kulturella nyanser. Vår lösning hanterar utmaningen genom att använda en metod med konfigurerbara promptkedjor. Den stora språkmodellen får specifika instruktioner för att definiera stil, ton och terminologi och språkliga riktlinjer kopplade till originalinnehållets sammanhang. Genom kontrollerad konfigurering av språkliga parametrar och promptar kan vi använda AI-baserad efterredigering för att stärka översättningsprocesser.

Vår lösning inleds med att den stora språkmodellen får en prompt som förklarar källinnehållets sammanhang. Vi använder det sammanhanget för att vägleda LLM:ens beslutsfattande och redigering, tillsammans med instruktioner för att utvärdera terminologi, redigera TM-matchningar och validera översättningar på segmentnivå – vilket säkerställer att AI:n arbetar inom de definierade parametrarna. Med den här metoden kan vi också löpande uppdatera språkliga promptar för att anpassa och rätta till hallucinationer, om så behövs.

De mänskliga testarna är vanligtvis datorspråkexperter eller språkexperter med erfarenhet av att utforma promptar. De ansvarar för att utforma, testa och uppdatera parametrarna för vår AI-baserade efterredigeringslösning. Språkexperterna validerar resultaten och ger feedback som sedan används för att anpassa och finslipa språkliga promptar och parametrar.