.svg){kind=logo}
AI-lösningar
Ytterligare tjänster
Fallstudie: Flerspråkiga kampanjer i detaljhandeln
Nya AI-baserade lösningar för skapande av innehåll hos stort sport- och klädföretag
- RESURSER
Kämpar du med att möta efterfrågan på flerspråkigt innehåll? Du är inte ensam. I åratal stod översättningsteam inför tuffa utmaningar – snäva budgetar, begränsade personalresurser och den aldrig sinande efterfrågan på innehåll. Men tänk om du kunde leverera högkvalitativa översättningar snabbare, i stor skala och till en betydligt lägre kostnad? Det är nu möjligt tack vare artificiell intelligens (AI).
Under Lionbridges webbinarium Kan AI utföra efterredigering? undersökte experter från Lionbridge och Cisco Systems hur AI-baserad efterredigering ritar om spelplanen för översättning och lokalisering.
Marcus Casal, Chief Technology Officer på Lionbridge, och Yolanda Cham Yuen, GTS Program Manager på Cisco Systems deltog i programmet. Tillsammans besvarade de huvudfrågeställningen: Kan AI utföra efterredigering med stora språkmodeller (LLM) och leverera korrekta, tillförlitliga och kostnadseffektiva översättningar i stor skala? Svaret är ett rungande ja – med viktiga förbehåll.
AI kan utföra efterredigering, och den gör det riktigt bra.
– Marcus Casal, CTO på Lionbridge
Vill du se hela webbinariet? Tryck på knappen nedan för att öppna en inspelad version.
Automatiserad efterredigering: Hur har det blivit den nya verkligheten?
AI-baserad efterredigering är inte längre en framtidsvision – tekniken är redan här och förändrar vårt sätt att arbeta.
Lionbridge Aurora AI™-plattformen kan hantera hela livscykeln för globalt innehåll, från inläsning av kunddata till maskinöversättning (MT), automatiserad efterredigering med stora språkmodeller (LLM) och leverans till kundens innehållsarkiv.
Vad är det då som gör detta möjligt? En kombination av API-baserad automation, integrationsplattform som tjänst (iPaaS) och omfattande lingvistiska tillgångar som översättningsminnen (TM), ordlistor och terminologihantering. Genom att kombinera maskinöversättning med efterredigering med sofistikerade stora språkmodeller och smarta arbetsflöden kan företag leverera innehåll snabbare och mer förutsägbart än någonsin.
Men hastighet och skalbarhet räcker inte. Kvalitet spelar fortfarande roll. Därför rymmer Lionbridges metod även granskning med en människa i processen. Människor tränar och finjusterar modellerna och utvärderar resultaten efter behov för att säkerställa att slutprodukten uppfyller sina innehållsmål.
Hur använde Cisco Networking Academy automatiserad efterredigering?
Yolanda delade med sig av Ciscos användning av automatiserad efterredigering för sitt globala initiativ för socialt ansvar, Cisco Networking Academy.
Cisco Networking Academy erbjuder kostnadsfri teknikutbildning inom nätverkande, cybersäkerhet, programmering och andra datavetenskapliga ämnen och når över 23 miljoner deltagare i 191 länder. Det krävs lokalisering för att deras utbildningar ska få största möjliga effekt, eftersom språkbarriärer kan vara ett enormt hinder.
Cisco behövde en skalbar lösning för att översätta miljontals ord till mer än ett dussin språk, ofta under snäva tidsramar och budgetar och kunde på så sätt utöka åtkomsten och göra Network Academy-kurser tillgängliga för människor världen över.
Lösningen? Implementering av automatiserad efterredigering.
Vad innebar Cisco Network Academys lösning?
Ciscos lösning innebar användningen av
översättningsminnen med godkänt innehåll
neural maskinöversättning (NMT) för den initiala översättningen på grund av dess hastighet, kostnad och konsekvens
LLM-driven AI-efterredigering för att förfina resultatet.
mänskliga testare som utförde sammanhangsbaserad granskning – framför allt av komplicerade språk.
Vilka resultat uppnådde Cisco Networking Academy?
Resultaten var inget annat än anmärkningsvärda.
Genom att använda automatiserad efterredigering kunde Cisco Networking Academy översätta över 15 miljoner ord till 14 språk, vilket gav stöd åt 24 kurser på bara tre månader. Flaskhalsen flyttades från översättning till funktionell testning och staging, vilket visade på betydande effektivitetsvinster. Hela projektet kostade mindre än 70 000 US-dollar, vilket är betydligt mindre än med traditionella metoder.
Genom att utnyttja LLM:er för efterredigering kan Cisco nu släppa innehåll på flera språk samtidigt, vilket avsevärt minskar tidsfördröjningen mellan engelska och lokaliserade versioner och utökar den globala åtkomsten till deras kurser.
”Vi ser nu att innehåll översätts med en aldrig tidigare skådad hastighet och kostnad.” ... automatiserad efterredigering innebär att öppna dörren till nya utrymmen, till nya omfattningar som annars inte skulle vara överkomliga och som inte skulle kunna genomföras i de mycket utmanande scenarier vi jobbar med.”
– Yolanda Cham Yuen, Cisco Systems
Vilka är begränsningarna och riskerna med AI-efterredigering?
AI-efterredigering är kraftfullt, men inte perfekt. Talarna lyfte fram flera begränsningar:
Språk som saknar resurser innebär större utmaningar för både människor och maskiner. Stora språkmodeller (även de mest sofistikerade) presterar bäst på engelska och andra världsspråk. När det kommer till mindre språk får specialiserade ordlistor och träningsdata stor betydelse.
Kulturella nyanser, ton och domänexpertis utgör fortfarande utmaningar för processer som enbart använder AI. För att förmedla subtila skillnader i såväl sportjargong som vetenskapligt språk är det viktigt att använda arbetsflöden med promptar och mänsklig granskning.
Hallucinationer – där AI genererar felaktig eller vilseledande information – kan förekomma, ibland övertygande. Denna begränsning understryker vikten av funktionell testning och direkt feedback från slutanvändare som viktiga skyddsåtgärder för innehåll med hög effekt.
Marcus berättade en anekdot från det praktiska arbetet: I en beskrivning av basketskor på en e-handelswebbplats översattes den engelska frasen ”protect your turf” med det spanska ordet “césped” (som betyder konstgräs). Det hade passat bra till fotboll, men inte till basket. Genom att förfina ordlistor och terminologi korrigerades felet, vilket ledde till förbättrat användarförtroende.
Hur kan AI-baserad efterredigering finslipas med en människa i processen?
Kommer AI-efterredigering att ersätta traditionella översättningsarbetsflöden? Inte helt och hållet. Yolanda och Marcus betonade att även om AI öppnar nya möjligheter – särskilt för snabba, storskaliga projekt – är mänsklig expertis fortfarande oumbärlig.
Översättare och lokaliseringsexperter måste anpassa sig genom att
fortbilda sig inom utformning av promptar och automatiserade arbetsflöden
behärska terminologihantering och varumärkesröst
samarbeta med AI för att fokusera på mer värdefulla aspekter: ton, målgruppens engagemang och domänspecifikt innehåll
tillhandahålla kreativa bidrag och kvalitetssäkring av resultat genererade av MT och LLM:er.
Branschen övergår mot en "co-botisk" modell – kooperativ robotik – där människor och maskiner arbetar tillsammans för att uppnå optimala resultat.
Hur kan integrering och terminologihantering bidra till bättre resultat?
Integration är nyckeln. Det är viktigt att AI-baserad efterredigering smidigt kan integreras med innehållshanteringssystem (CMS), plattformar för dokumenthantering och andra arkiv där innehåll lagras och utvecklas. Automatiserade integrationer säkerställer en snabb och effektiv returprocess för innehållsuppdateringar och lokalisering.
Terminologihantering är minst lika viktig. Som Marcus förklarade innebär investeringar i omfattande ordlistor och varumärkesröstresurser en stor ökning av acceptansen och noggrannheten hos AI-genererade översättningar, särskilt nu när översättnings- och efterredigeringskostnaderna är lägre.
Vad blir nästa steg för AI-efterredigering i översättning?
I takt med att stora språkmodeller fortsätter utvecklas och fler uppsättningar med insamlade träningsdata blir tillgängliga kommer AI-baserad efterredigering att få allt större betydelse vid lokalisering. Mänsklig kreativitet, kontextuell förståelse och kontinuerlig tillsyn kommer dock att förbli avgörande för att driva innovation och upprätthålla hög översättningskvalitet i takt med att tekniken fortsätter att utvecklas.
Vilka är de viktigaste lärdomarna från webbinariet?
Detta webbinarium gav insikter i automatiserad efterredigering för förbättrade översättningsarbetsflöden, vilket möjliggör skalning av globalt innehåll. Här är de viktigaste punkterna:
AI kan utföra efterredigering på ett övertygande sätt och minska behovet av mänskliga insatser.
AI-efterredigering utnyttjar stora språkmodeller för snabbare, skalbar översättning och lokalisering.
Genom att fortsätta använda maskinöversättning och hantera terminologi (översättningsminnen och ordlistor) på ett effektivt sätt går det att uppnå mer enhetliga resultat av högre kvalitet.
Det krävs dock fortfarande en människa i processen, i synnerhet till specialiserat innehåll och språk med få resurser.
AI-baserade tjänstenivåer – allt från automatiserad efterredigering till manuell efterredigering av allt innehåll – kan väljas i linje med dina innehållsprofiler.
Acceptabla kvalitetsnivåer kan fortfarande uppnås med mindre mänsklig inblandning.
AI-efterredigering öppnar nya möjligheter för att utöka innehållsräckvidden och minska kostnaderna.
AI-baserad efterredigering: Svaren på dina mest angelägna frågor
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.
Vår AI-baserade efterredigeringslösning kan konfigureras. De språkliga promptarna kan redigeras och uppdateras baserat på automatisk övervakning och feedback från språkexperter och ämnesexperter hos kunden som är involverade i översättningsprocessen.
Lionbridge erbjuder även andra AI-lösningar för att analysera 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 oss att definiera och fokusera på det innehåll där människans språkkompetens får störst betydelse.
Vi arbetar tillsammans med kunderna och använder vårt REACH-ramverk för att bedöma innehållsmålen och konfigurera AI-lösningen, så att översättningsresultatet blir optimalt. Därefter kan vi ange hur stora mänskliga insatser som krävs för att arbetsinsatsen ska stämma överens med innehållsbehoven och profilerna.
Det är en utmaning att hantera branschspecifik terminologi som varierar beroende på språk och region, men det kan åtgärdas på flera sätt.
Genom att utnyttja metadata kan vi ge ett bredare sammanhang för AI-verktygen och instruera LLM:en att ta itu med ytterligare krav, såsom regionala nyanser – förutsatt att innehållet är korrekt uppmärkt och taggat. Lionbridge kan stödja företag med datatjänster för att uppfylla detta krav.
När terminologi ska anpassas till en enskild kommun eller region använder vi ett RAG-ramverk. När vi närmar oss efterredigering med AI fastställer vi riktlinjer för hur LLM ska utföra specifika åtgärder baserade på definierade språkliga regler.
Konfigurationen i vår lösning möjliggör också hänvisning till externt material som kompletterande exempel, vilket hjälper LLM:en att generera innehåll som är mer anpassat till specifika sammanhang.
Eftersom den här typen av innehåll tenderar att utvecklas över tid är det avgörande att underhålla och uppdatera språkliga uppmaningar. 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-baserade efterredigeringslösning erbjuder konfigurerbara, språkliga promptar som kan anpassas efter föränderliga innehållsbehov och regulatoriska krav. 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. Vårt tillvägagångssätt möjliggör också kontinuerliga uppdateringar av språkliga uppmaningar, så om hallucinationer uppstår kan vi justera och korrigera problemet efter behov.
De mänskliga testarna är vanligtvis datorlingvister eller lingvister med erfarenhet av promptskrivning. De ansvarar för att utforma, testa och uppdatera parametrarna för vår AI-lösning för efterredigering. Dessa lingvister validerar resultatet och ger feedback, som sedan används för att justera och förfina språkliga uppmaningar och parametrar.
Är du intresserad av att utforska andra AI-relaterade webbinarieämnen som Lionbridge har fördjupat sig i? Besök sidan med Lionbridge-webbinarier för ett bibliotek med inspelningar av webbinarier.
Kontakta oss
Är du redo att dra nytta av kraften i AI-efterredigering för att möta dina översättnings- och lokaliseringsbehov? Lionbridge kan hjälpa dig att skapa smidiga och skalbara arbetsflöden som kombinerar automatisering, stora språkmodeller och mänsklig expertis. Kontakta Lionbridge i dag för att omvandla din innehållsleverans och nå fler målgrupper världen över – snabbare, smartare och med större effekt.
Obs! Lionbridge Content Remix App skapade ursprungligen sammanfattningsbloggen, som sedan förfinades av en människa.
