Fallstudie: Hur Cisco Networking Academy utnyttjade AI-baserad efterredigering för att accelerera leveransen av flerspråkigt innehåll

På dagens globala marknad har efterfrågan på snabb och prisvärd leverans av flerspråkigt innehåll aldrig varit högre. För många organisationer har dock traditionella metoder för översättning och lokalisering orsakat flaskhalsar och visat sig vara för kostsamma för att hantera allt innehåll, vilket har resulterat i en eftersläpning av innehåll som väntar på översättning. Men allt det har förändrats.

Här är Lionbridge, ledande inom språklösningar, och Cisco Systems, en teknikledare med ett socialt uppdrag. Med hjälp av Lionbridge utnyttjade Cisco Networking Academy (Ciscos initiativ för teknikutbildning) den omvälvande kraften i AI-baserad efterredigering för att nå nya nivåer av snabbhet, skalbarhet och kostnadseffektivitet för leverans av innehåll.

Hur fungerar Lionbridges automatiserade lösning för efterredigering? Vad åstadkom Cisco Networking Academy? Kan ditt företag dra nytta av den här metoden för att övervinna sina översättningsutmaningar? Ta reda på det i vår fallstudie.

Vad gör att Lionbridges lösning sticker ut?

Även om maskinöversättning (MT) är ett välbekant verktyg, använder Lionbridges översättningslösning en flerskiktad metod, där den globala innehållslivscykeln styrs av företagets AI-fokuserade plattform, Lionbridge Aurora AI™.

Lösningen använder de bästa neurala maskinöversättningsmotorerna (NMT) för att göra en första översättning och banbrytande stora språkmodeller (LLM) för att efterredigera NMT-resultat. Genom att kombinera robusta lingvistiska tillgångar – som översättningsminnen (TM), ordlistor och terminologihantering – och i lämplig omfattning övervaka arbetet med en människa i processen, får du ett arbetsflöde som är både smidigt och tillförlitligt.

Möjligheterna till kvalitetsutvärdering sträcker sig från alternativ utan mänsklig efterredigering till alternativ med fullständig mänsklig efterredigering, med ytterligare erbjudanden däremellan. Det är innehållsprofilen, kundens mål och budgeten som styr det slutgiltiga beslutet.

Vilka är begränsningarna med AI-baserad efterredigering?

Även om AI-baserad efterredigering är ett genombrott, är det inte perfekt. Språk med låga resurser, kulturella detaljer och domänspecifik terminologi kan utmana även de bästa modellerna. Dessutom kan generativ AI producera falsk eller hallucinerad information. Därför är det viktigt med kontinuerlig finslipning av promptar och att resultaten valideras av en människa för att åtgärda bristerna och se till att innehållet tas väl emot av alla målgrupper.

Vad har Cisco att säga om sina erfarenheter av AI-baserad efterredigering?

Ciscos GTS-programchef gav insikter i automatiserad efterredigering under vårt webbinarium, ”Kan AI efterredigera?” Titta på inspelningen för att lära dig mer.

Hör av dig.

Är du redo att översätta mer, snabbare och inom budgeten med hjälp av de mest avancerade teknikerna som finns tillgängliga? Låt oss diskutera saken.