.svg){kind=logo}
AI-lösningar
Ytterligare tjänster
Översättning för Life Sciences
- Översättning för läkemedelsindustrin
- Översättning för kliniska prövningar
- Regulatoriska översättningar
- Översättning efter godkännande
- Översättning för läkemedelsindustrin
- Språktjänster för medicintekniska produkter
- Validering och kliniska undersökningar
- Regulatoriska översättningar
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 inser att noggrannhet länge har varit en utmaning med MT-lösningar. Därför har vi valt en AI-strategi där vi behåller en människa i processen, som kan konfigurera, kontrollera och underhålla maskinen.
AI utnyttjas för att förbättra översättningsresultatet från traditionella verktyg, såsom översättningsminnen (TM) och neural maskinöversättning (NMT).
Vår erfarenhet av efterredigering med AI visar att det kan möta skalbarhetsbehov och bibehålla kvaliteten. Ändå är mänsklig tillsyn avgörande för att övervaka och justera verktyget för noggrannhet och specifika innehållskrav.
Vår AI-efterredigeringslösning börjar med en inledande bedömning av källinnehållet för att förstå dess övergripande sammanhang. Redigerings- och valideringssteg utförs med detta sammanhang i åtanke, vilket säkerställer att de producerade översättningarna överensstämmer med innehållsmål och/eller profiler.
Vi utformade vår AI-lösning för efterredigering så att den är konfigurerbar – språkliga uppmaningar kan redigeras och uppdateras baserat på feedback från lingvister och kunders 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. Vi kan kombinera dessa lösningar med vår AI-lösning för efterredigering för ytterligare optimering av innehållsstrategin.
Vår AI-lösning för efterredigering gör det möjligt för oss att definiera och rikta in oss på var mänskligt språkligt engagemang är mest värdefullt.
Med hjälp av vårt REACH-ramverk arbetar vi med våra kunder för att bedöma innehållsbehov och konfigurera AI-lösningen för att optimera översättningsresultatet. Vi kan sedan definiera olika grader av mänskligt engagemang och säkerställa att ansträngningsnivån matchar innehållets behov och profiler.
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-efterredigeringslösning är LLM-agnostisk och inte knuten till någon specifik modell. Även om den har kalibrerats med OpenAI GPT-modeller kan vi samarbeta med kunder för att i stället utnyttja deras egna LLM-motorer.
Detta scenario skulle falla under en anpassad konfiguration och kan kräva ytterligare utvärdering/konfiguration för att säkerställa att LLM:en uppfyller kvalitetsstandarder.
När det kommer till den här sortens lösningar rekommenderar vi att du samarbetar med våra lösnings- och språkteknikteam för att kunna samla insikter om behov, krav och mål.
Vår AI-lösning för efterredigering har konfigurerbara språkliga uppmaningar som kan utvecklas i takt med förändrade innehållsbehov och myndighetskrav. Även om vi föreslår en AI-fokuserad process, ligger kontrollen och kureringen av språkliga uppmaningar fortfarande hos människor – datorlingvister, ämnesexperter (SME) och språkexperter – för optimering och kalibrering.
Generiska, otränade, chatbot-baserade LLM-modeller kämpar med att hantera ton, innehåll och kulturella nyanser. Vår lösning hanterar den här utmaningen med en anpassningsbar metod som ger den stora språkmodellen detaljerade instruktioner för att definiera stil, ton och terminologi samt språkliga riktlinjer anpassade efter källinnehållets sammanhang. Genom kontrollerad konfiguration av språkliga parametrar och uppmaningar kan vi utnyttja AI-efterredigering för att förbättra 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.
Fyll i kontaktformuläret för att inleda ett samtal med oss.
Vi vill gärna sätta oss in i dina behov och berätta hur våra innovativa funktioner kan hjälpa dig att riva barriärer och utöka din globala räckvidd. Är du redo att utforska möjligheterna? Vi ser fram emot att hjälpa dig.
