Reality Series, Avsnitt 6: Har LLMs bemästrat konsten att översätta?

LLM har orsakat en stor förändring inom översättningsområdet. I det här avsnittet strävar vi efter att avmystifiera fördelarna och nackdelarna med att använda LLM:er vid lokalisering. Vi erbjuder insikter om att fatta välgrundade beslut om användningen av LLM:er i översättnings-/lokaliseringsprocessen och utforskar LLM:s språkkapacitet.

Denna diskussion leds av Mei Zheng och Valerie Dehant.

Mythbusting: Har LLMs bemästrat konsten att översätta?

I avsnitt sex av Smartlings "Reality Series" tog Mei Zheng, Senior Data Scientist, och Valérie Dehant, Senior Director of Language Services, upp några vanliga myter relaterade till LLMs och Machine Translation (MT), och huruvida Large Language Models (LLMs) verkligen har bemästrat konsten att översätta.

Avsluta några myter om LLM och översättning

Myt #1: LLM är bättre än maskinöversättning

Den första myten var om LLM:er överträffar MT inom översättningsområdet. Mei erbjöd sina insikter och avlivade myten och hävdade att även om LLM:er har en berömvärd allmän språkförståelse, är deras färdigheter inte särskilt gjorda för översättning. De kommer inte att överträffa MT-system (i alla fall vid denna tidpunkt), men de tillför värde till översättningar genom att bidra till grammatisk precision och förbättra språket flytande.

Myt #2: LLM kan översätta alla språkpar

Den andra myten utmanade de allomfattande kapaciteterna hos LLM:er och menade att de kan översätta över alla språkpar. Stark motsäger denna uppfattning, Mei påpekade att majoriteten av LLMs är begränsade i sina flerspråkiga förmågor. Mei betonade särskilt vikten av att undersöka modellkort, ett verktyg för transparens i stora språk- och maskininlärningsmodeller för att hjälpa till att förstå vilka språk det stöder, och för att testa dem för specifika översättningsanvändningsfall.

Myt #3: LLM kan ersätta människor

Slutligen tog sessionen upp det vanliga påståendet att lingvister kunde ersättas med LLM. Samtidigt som Valérie underströk styrkorna hos LLM, målade han upp en tydlig bild av varför mänskliga lingvister fortfarande är oumbärliga. LLM:er, även med sina färdigheter i mönsterigenkänning, kan förbise nyanser som medvetet urskiljs av mänskliga lingvister. LLM har också en tendens att hallucinera information – tillhandahåller "översättningar" för fraser som inte finns i källtexten!

När lingvisternas roller utvecklas tillsammans med generativ AI, förvandlas de till andrapiloter som övervakar och utvärderar kvaliteten på MT-förslag. Mänskliga lingvisters expertis är fortfarande avgörande för att bibehålla översättningarnas kvalitet och noggrannhet.

En ytterligare titt på LLM och översättning

Samtidigt som vi klargör myterna och realiteterna kring LLM:er, dyker våra talare djupare in i den nuvarande dynamiken i översättning under LLM:s och MT-systemens era. Mei uppgav vidare att utmaningen med att utvärdera översättningskvalitet går utöver flyt, och involverar komplexiteter som HT (resultaten efter mänsklig redigering) och semantisk likhet. Utmaningen med att LLM tillhandahåller felaktiga översättningar på grund av flera betydelser på målspråket lyftes också fram.

Valérie illustrerar den ljusare sidan av AI och förklarade hur språkliga team med ökad effektivitet kan översätta mer innehåll inom samma tidsram utan att behöva öka arbetskraften. På frågan om utbildning av LLM talade Mei om finjusteringsproceduren som innebär att man anpassar det översta lagret av modellen samtidigt som de grundläggande parametrarna hålls oförändrade. Dataförberedelserna för LLM:er är i stort sett i linje med MT, men LLM:er kan kräva specifika uppmaningar för att skräddarsy översättningar bättre.

När Mei jämförde LLM-översättningar med professionella, bekräftade Mei att trots alla framsteg fortfarande behövs mänsklig input. Branschen funderar aktivt på vilka delar som kräver mänsklig inblandning och vilka som inte gör det.

Domen

Avsnitt 6 drog slutsatsen att även om AI och LLM har haft en betydande inverkan på översättning, är mänskligt ingripande oumbärligt för att säkerställa kvalitet och noggrannhet i översättningar. Mänsklig översättning är här för att stanna under överskådlig framtid. Medan LLM:er gör framsteg, har de ännu inte tagit tronen inom översättningsområdet. De spelar dock en viktig kompletterande roll för att förstärka översättningskapaciteten och forma framtiden för denna industri. I slutändan kan maskinöversättning och stora språkmodeller komplettera varandra för att leverera förbättrade översättningstjänster. Kom dock ihåg att den mänskliga beröringen förblir oersättlig.