Översätt eller generera: Källans död

I en värld där lokalisering är en nyckelspelare för att nå den globala publiken, hur kan vi optimera arbetsflöden, utnyttja potentialen hos AI och översätta eller generera innehåll mer effektivt?

Gå in på detta webbseminarium för att förstå:

• Olika typer av källinnehåll
• Hur AI kan hjälpa till att förbättra innehåll för översättning eller generering av arbetsflöden

I Smartlings första webinar 2024 diskuterade framstående paneldeltagare, Alex Yanishevsky: Direktör för AI och maskinöversättning, Smartling och Sebah Ghannam: Associate Globalization Technology Specialist, Procore, utmaningarna och potentialen med att skapa och modifiera källinnehåll.

En primär höjdpunkt i diskussionen var den roll som både människor och AI kommer att fortsätta spela i lokaliseringsindustrin. En undersökning som genomfördes under webbinariet visade på en gemensam smärtpunkt: de ineffektiva processerna för att följa stilguider och ordlistor. Diskussionen kring detta har blivit ett hett ämne, som direkt förknippas med källinnehållsproblem.

Utmaningen Alex förklarade kategorierna källinnehåll föll i. Vissa krävde förredigering, medan andra antydde "källans död" i stället för innehåll som genererats genom AI och andra avancerade teknologier. Sebah uttryckte sin oro över tiden och redigeringen som går åt till översättningar. Hon föreslog att man skulle involvera stora språkmodeller (LLM) i processen, och att man förrensade källinnehållet innan det matades till maskinöversättningsenheterna (MTU).

Att ta språnget Alex erkände dessa problem och föreslog lösningar, bland vilka betoning av testning av olika parametrar individuellt stack ut. Trots de enstaka latensproblemen som OpenAI-plattformar möter, betonade Alex den anmärkningsvärda potential som stora språkmodeller har. Han nämnde teknikens förmåga att mäta förändringar i källan och målet och en funktion som kallas "redigera natur", utformad för att objektivt bedöma väsentliga förändringar.

AI and Humans - A Harmonious Ensemble Sebah delade hennes syn på att se LLMs som facilitatorer, inte ersättare. Hennes idé kretsar kring att integrera dem i de befintliga processerna, som att skapa anpassningsbara regler för att underlätta översättningsprocessen, hjälpa lingvister att filtrera utbildningsmaterial och mer. LLM:er erbjuder ett spektrum av användningsområden - från att anpassa sig efter stilriktlinjer till att justera språkets formalitet och injicera ordlistor som är extremt fördelaktiga för både lingvister och projektledare i lokaliseringsbranschen.

Personalisering - Ett tveeggat svärd Alex spekulerade vidare i att odla en mini LLM för varje användare, anpassa sig efter deras information och preferenser. Han noterade att denna typ av adaptivt tillvägagångssätt kan ge en mycket anpassad och lokaliserad upplevelse för användarna. Han uttryckte dock försiktighet om kostnaderna förknippade med uppgiftsspecifik finjustering av LLM och ifrågasatte avkastningen på investeringen för individuell personalisering.

En ny gräns Det är anmärkningsvärt att man kan observera en korsning av lokaliserings- och marknadsföringsstrategier med personaliseringsalternativ genom AI. Även olika märken, från underhållningsjättar som Disney, kan manipulera LLM:s möjligheter att skapa innehåll som passar deras unika personlighet. Så framtiden kanske inte nödvändigtvis innehåller "källans död", utan snarare en omformning av den påverkad av AI.

När vi går längre in i den här nya gränsen är det enda som blir uppenbart vilken betydelsefull roll AI sannolikt kommer att spela. I slutändan är Smartlings mål, som Alex uttrycker det, att "bemyndiga människor genom att använda AI för att göra deras arbete mer effektivt och fokusera på uppgifter som kräver kognitiva förmågor och analys."

I huvudsak kommer blandningen av AI och människor att avslöja en spännande utveckling inom området för innehållslokalisering, vilket förvandlar utmaningar till möjligheter. En sak är säker: resan mot den perfekta blandningen är på god väg, och det är spännande!