خطرات استفاده بیش از حد از هوش مصنوعی در چشم انداز محلی سازی امروزی

این داستانی است که اکثر ما (اگر نه همه) با آن آشنا هستیم:

یک شرکت، محصول یا مقاله وبلاگ جالبی را به صورت آنلاین پیدا می کنید، مشتاق کسب اطلاعات بیشتر به وب سایت آن می روید، وب سایت را به صورت دستی به زبان مادری خود تغییر می دهید و جادو از بین می رود. محتوای انگلیسی که زمانی چشم نواز بود، ناگهان بی احساس، خسته کننده و عاری از هرگونه معنا و احساس می شود.

گاهی اوقات، محتوای زبان مادری شما معنایی ندارد، هم از نظر اصطلاحات و هم از نظر سبک متناقض است، و حتی برخی از آن‌ها به زبان انگلیسی باقی می‌مانند – چه کلمات کلیدی منفرد یا کل پاراگراف‌ها.

در گذشته، چنین ترجمه هایی با کیفیت پایین یک علامت هشدار بزرگ برای مشتریان محتاط بود. با این حال، امروزه این موضوع در سراسر اینترنت کاملاً برجسته است – به ویژه در مورد استارت‌آپ‌ها و بزرگ‌آپ‌های جوان، آینده‌دار و سریع.

اما کیفیت پایین ترجمه به شرکت‌های کوچک با منابع کمیاب محدود نمی‌شود: اگر به اندازه کافی دقت کنید، حتی در وب‌سایت‌های بازیگران معتبر و معتبر جهانی، صفحات فردی با ترجمه ضعیف را خواهید یافت.

پس کیفیت کلی ترجمه چه شد؟

به طور خلاصه، در 20 سال گذشته، شرکت‌ها در هر دو طرف مشتری و ارائه‌دهنده به طور فزاینده‌ای (بیش از حد) به ترجمه‌های ماشینی متکی شدند.

این توسعه با جهش‌های عمده در کیفیت ترجمه، مقیاس‌پذیری و کارایی هزینه انجام شد که توسط موتورهای ترجمه ماشین عصبی (NMT) مانند Google Translate، DeepL یا Azure NMT و مدل‌های زبان بزرگ (LLMs)، مانند ChatGPT، OpenAI، ایجاد شد. جمینی گوگل یا لاما متا.

همه این سیستم ها نیاز بسیاری از شرکت ها را برای ترجمه های سریع و ارزان در مقیاس برآورده می کنند، در حالی که با موفقیت مشتریان خود و در واقع عموم مردم را متقاعد می کنند که کیفیت خروجی (تقریبا) به اندازه کافی برای انتشار خوب است.

این امر از یک طرف منجر به فشار نزولی بر ارائه دهندگان خدمات زبان (LSP) برای کاهش زمان تحویل و نرخ ترجمه شد. با این حال، از سوی دیگر، بسیاری از LSPها نیز جهش در فناوری‌های ترجمه ماشینی را فرصتی برای افزایش توان عملیاتی خود و افزایش حاشیه‌های خود می‌دانستند.

و بنابراین، ترجمه ماشینی و متعاقباً ترجمه ماشینی پس از ویرایش (MTPE) به افزایش سهم بازار خود در صنعت ترجمه به طور کلی ادامه دادند. آنها از یک برد سریع برای محتوای با اولویت پایین به راه حلی برای تقریباً همه انواع محتوا تبدیل شدند: از اسناد فنی با دید کم تا کمپین های مارک تجاری با دید بالا.

چرا اتکای بیش از حد به ترجمه ماشینی و MTPE چیز بدی است؟

اولین چیزها: نه ترجمه ماشینی و نه وظیفه انسانی ترجمه ماشینی پس از ویرایش ذاتا بد نیستند. در واقع، آنها افزودنی عالی در جعبه ابزار هر مترجمی هستند و می توانند در سناریوهای خاصی که بعداً در مورد آنها صحبت خواهیم کرد، بسیار مفید باشند.

و خوشبختانه، بیشتر شرکت ها خطر استفاده از خروجی ترجمه ماشینی خام و بررسی نشده را درک می کنند. با این حال، جنبه های منفی MTPE اغلب دست کم گرفته می شود.

این سرنخ است: بسیاری از صداها در جامعه ترجمه استدلال می کنند که تصمیم در مورد استفاده از ترجمه ماشینی برای یک پروژه خاص باید با زبانشناسان باشد، زیرا آنها تخصص و تجربه لازم برای تعیین اینکه آیا یک قطعه محتوای قابل ترجمه مناسب است یا خیر. برای MTPE یا نیاز به رویکرد خلاقانه و انسانی بیشتری دارد. استدلال آنها: “شما به دستکش خود نمی گویید از کدام ابزار مجاز است استفاده کند، پس چرا آن را به مترجم خود می گویید؟”

در واقعیت، ترجمه ها و بومی سازی هنوز عمدتا به عنوان یک عامل هزینه و نه یک سرمایه گذاری در نظر گرفته می شود.

بنابراین، تصمیم به استفاده از ترجمه ماشینی معمولاً توسط مشتریان و LSPها گرفته می‌شود و اغلب صرفاً بر اساس جنبه‌های تجاری – بودجه‌ها و ضرب‌الاجل‌ها – صرف نظر از نوع کپی، اولویت یا قابلیت مشاهده است. جای تعجب نیست که این رویکرد عواقب جدی بر کیفیت ترجمه دارد.

اولین پیامد فشار زمانی است که معمولاً با وظایف MTPE مرتبط است. از آنجایی که MTPE به عنوان چیزی در نظر گرفته می‌شود که به مترجمان اجازه می‌دهد سریع‌تر حرکت کنند، ضرب‌الاجل‌های وظایف MTPE با استفاده از معیارهای بسیار جاه‌طلبانه‌تر از ترجمه انسانی «سنتی» محاسبه می‌شود. نرخ خروجی مورد انتظار در حال حاضر بین 400-750 کلمه در ساعت است، که تا سه برابر بیشتر از نرخ خروجی برای ترجمه «سنتی»، یعنی 250 کلمه در ساعت است.

این افزایش قابل توجه در سرعت کار مورد انتظار، متأسفانه، در مقایسه با فشار هزینه MTPE کوچک به نظر می رسد. اغلب، نرخ های MTPE ارائه شده به زبان شناسان آزاد می تواند آنقدر پایین باشد که مترجمانی که در MTPE تخصص دارند باید به سرعت خروجی 1.000-1.500 کلمه در ساعت یا حداکثر 4-6 برابر سرعت ترجمه های انسانی دست یابند. تا به میانگین دستمزد خالص کشور زبان مقصد خود برسند.

همانطور که می توان تصور کرد، ترجمه های منسجم، منسجم و متقاعد کننده در چنین شرایطی هر چیزی جز اولویت اصلی است. این امر مارپیچ نزولی را ایجاد می کند که امروزه شاهد آن هستیم: هرچه ترجمه ماشینی بهتر شود، فشار زمان و هزینه بیشتری بر مترجمان انسانی وارد می شود و کیفیت متوسط ترجمه بدتر می شود و مشتریان بیشتری را به این فکر می کند که ترجمه ماشینی جایگزین مناسبی است. که باز هم منجر به سرمایه گذاری بیشتر در هوش مصنوعی و ترجمه ماشینی می شود.

آیا ترجمه های هوش مصنوعی و ماشینی به زودی برای حذف مترجمان انسانی و شکستن این مارپیچ به اندازه کافی خوب خواهند شد؟ قابل بحث آنچه واضح است، این است که ما هنوز آنجا نیستیم و شرکت‌های بیشتری در دام MTPE گرفتار می‌شوند.

آنچه همچنین واضح است این است که اجتناب کامل از ترجمه ماشینی و MTPE دیگر به سختی یک گزینه است، زیرا منجر به کندتر شدن فرآیندهای ایجاد محتوا، هزینه های بالاتر و در نهایت معایب رقابتی می شود. خوشبختانه، برخی از استراتژی‌ها می‌توانند به شرکت‌های آگاه از کیفیت کمک کنند تا از ترجمه‌های متوسط یا بد واقعی در جایی که واقعاً اهمیت دارد، اجتناب کنند.

چگونه از تله MTPE جلوگیری کنیم؟

1. اولویت های محتوا را پاک کنید

استراتژی شماره یک درک و طبقه بندی محتوای خود است:

چیزهای جلو پنجره شما چیست، چه چیزهایی را می توان به عنوان “اولویت کم” طبقه بندی کرد و بخش دشوار آن چیزی که بین این افراط ها قرار دارد. خطوط در این دسته بندی می تواند بسیار مبهم باشد، با نظرات مختلف بسیاری از ذینفعان مختلف.

هنگامی که موفق به ایجاد دسته بندی های اولویت بندی محتوا شدید، می توانید شروع به اختصاص تکنیک های مختلف ترجمه به آنها کنید. ترکیبی سالم و متفکر از انتقال، بومی‌سازی، ترجمه انسانی، MTPE و ترجمه‌های ماشینی خام به شما این امکان را می‌دهد که منابع کافی را به محتوایی اختصاص دهید که بیشترین تأثیر تجاری را دارد و در عین حال سطح رضایت‌بخشی از کیفیت را برای بقیه حفظ کنید.

اینکه این ترکیب در نهایت چگونه به نظر می رسد، به اندازه شرکتی است که آن را تعریف می کند. حتی ممکن است شامل تمام تکنیک‌های ترجمه و بومی‌سازی ذکر شده در بالا نباشد، زیرا ممکن است برخی از شرکت‌ها ترجمه‌های ماشینی خام را به‌طور کامل کنار بگذارند یا از MTPE مستقیماً به محلی‌سازی کامل بپرند.

با این حال، جدول زیر قصد دارد تا مقداری الهام و یک دستورالعمل تقریبی در مورد اینکه ترکیب شما می‌تواند چگونه باشد به شما ارائه دهد:

بسته به تأثیر تجاری پروژه، اولویت، جدول زمانی، بازار(های) هدف و بسیاری از عوامل دیگر، بسیاری از انواع محتوای فوق را می‌توان با چندین تکنیک بومی‌سازی ترکیب کرد. اینجاست که استراتژی دوم ما می‌تواند شفافیت و انعطاف‌پذیری را فراهم کند و به تخصیص کارآمدتر منابع کمک کند.

2. بومی سازی هوشمندانه

استراتژی شماره دو استفاده از مفاهیمی مانند «بومی‌سازی مبتنی بر داده» و «محصول محلی‌سازی حداقل پایدار» (MVLP) است.

این دو مفهوم محصول مفهوم نوظهور عملیات زبان یا به اختصار LangOps هستند و از رویکردهای مشابه DevOps استفاده می کنند: تصمیمات مبتنی بر داده و بهبود مستمر. برای نشان دادن اینکه چگونه بومی‌سازی مبتنی بر داده و MVLP می‌تواند کار کند، بیایید نگاهی به مثالی بیندازیم – انتشار و بومی‌سازی یک مقاله وبلاگ اول انگلیسی.

1. آستانه های محلی سازی را تعریف کنید

قبل از انتشار مقاله، بین 2 تا 4 آستانه تعداد بینندگان و بازه زمانی برای رسیدن به آنها تعریف کنید. این آستانه‌ها نه تنها به شما کمک می‌کنند عملکرد کلی مقاله را اندازه‌گیری کنید، بلکه به عنوان محرک‌هایی برای مراحل محلی‌سازی فردی عمل می‌کنند. به دلایل سادگی، ما به دنبال 3 آستانه با افزایش 1000 بازدید در هر مرحله خواهیم بود.

2. MVLP را راه اندازی کنید

هنگامی که مقاله وبلاگ انگلیسی شما منتشر شد، عملکرد آن را در بازارهای غیر انگلیسی زبان به دقت زیر نظر بگیرید. به محض اینکه تعداد بینندگان ترکیبی از آن بازارها به 1000 رسید، زمان انتشار MVLP فرا رسیده است. در اینجا، ترجمه‌های ماشینی خام فوق‌العاده مفید هستند، زیرا به شما امکان می‌دهند بدون سرمایه‌گذاری منابع زیاد، به سرعت به یک علاقه بین‌المللی واضح در محتوای خود توجه کنید.

در این مرحله، همچنین می‌توانید آزادانه تصمیم بگیرید که آیا می‌خواهید MVLP را برای همه بازارهایی که ترافیک غیرانگلیسی را برای این مقاله وبلاگ ایجاد می‌کنند منتشر کنید یا اینکه فقط روی 3، 10، 25 کشور برتر و غیره تمرکز کنید. .

3. اولین پولیش MVLP

پس از راه‌اندازی MVLP، زمان آن فرا رسیده است که یک قدم از مقاله اصلی انگلیسی فاصله بگیرید و روی نسخه‌های حداقل بومی‌شده آن تمرکز کنید. این اصل مانند راه‌اندازی MVLP باقی می‌ماند: هنگامی که تعداد بینندگان مقاله حداقل بومی‌شده (یا بهتر است بگوییم ترجمه شده) شما در هر یک از این بازارها به آستانه 1000 بازدید برسد، باید سطح بعدی محلی‌سازی را آغاز کند.

بسته به خط مشی محلی سازی کلی شرکت، اولویت بازار و منابع موجود، اولین دور صیقل کاری MVLP می تواند پس از ویرایش ترجمه ماشینی یا جایگزینی آن با ترجمه تازه مقاله اصلی فقط برای انسان باشد.

4. محلی سازی نهایی

قبل از اینکه به آخرین مرحله از این مثال بومی سازی مبتنی بر داده بپردازیم، اجازه دهید ابتدا تعدادی اعداد خیالی را خلاصه کنیم. تا اینجا شما دارید:

مقاله وبلاگی به زبان انگلیسی منتشر کرد که از 25 کشور غیر انگلیسی زبان ترافیک ایجاد کرد.
شما یک ترجمه ماشینی خام به‌عنوان محصول محلی‌سازی حداقلی ماندگار به 10 بازار از این بازارها ارائه کرده‌اید.
ترجمه ماشینی را با ترجمه انسانی در 5 بازار با بهترین عملکرد عوض کرد و تعداد بینندگان همچنان در حال افزایش است.

در این مرحله، می توانید با خیال راحت بنشینید و از ثواب کار خود بهره مند شوید. یا می توانید همه چیز را وارد کنید و مقاله را به طور کامل برای 3 بازار برتر بومی سازی کنید. این به معنای تعامل با کپی‌نویسان محلی، زبان شناسان، طراحان، کارشناسان موضوع، مشتریان و شرکا است تا واقعاً با مخاطبان محلی طنین‌انداز شود.

این را می توان با تعویض قیمت مشتری با مارک های محلی، استفاده از معیارها و آمارهای مربوط به کشور، ارتباط متقابل با داستان های موفقیت مشتریان محلی، تنظیم سبک قالب بندی، تصاویر و شاید حتی رنگ های پس زمینه با ترجیحات محلی و غیره به دست آورد. بسیار زیاد

چیزی که در نهایت به آن خواهید رسید محتوایی واقعاً بومی‌سازی شده است که می‌تواند به طور فعال از طریق کانال‌های بازاریابی، فروش و مشارکت تبلیغ شود، به کمپین‌های بازاریابی محلی تبدیل شود و در نشریات بعدی به هم مرتبط شود.

مزیت اصلی این رویکرد مبتنی بر داده این است که می‌توانید به هر بازاری محتوای ترجمه‌شده یا بومی‌شده را به کارآمدترین روش و با توجه به اشتهای هر بازار ارائه دهید، بدون اینکه کیفیت را به خطر بیندازید یا منابع خود را در بسیاری از بازارها توزیع کنید.

علاوه بر این، این رویکرد با شروع بازی با آستانه‌ها و تایم فریم‌ها، انعطاف‌پذیری بسیار زیادی را ارائه می‌دهد. به عنوان مثال، می توانید آستانه بومی سازی را برای بازارهای متمرکز خود کاهش دهید در حالی که این نوار را برای کشورهایی که هنوز قصد ندارید به طور فعال وارد آن شوید، بالاتر قرار دهید.

نتیجه گیری

ترجمه‌های ماشینی مبتنی بر هوش مصنوعی یا NMT و ترجمه ماشینی پس از ویرایش، صنعت ترجمه و بومی‌سازی را به‌طور گسترده‌ای تغییر داده‌اند و این تغییر برای سال‌های آینده ادامه خواهد داشت.

سهولت استفاده، راحتی، هزینه کم، سرعت و مقیاس آنها را برای شرکت های مشتری و ارائه دهندگان خدمات زبان بسیار جذاب کرده است. آنها همچنین می توانند یک راه حل “به اندازه کافی خوب” (موقت) در سناریوهای خاص و کنترل شده و جایگزینی عالی برای شرکت های جوانی باشند که برای اولین بار به دنبال پا گذاشتن در صحنه بین المللی هستند.

با این حال، زمانی که شما به طور قاطعانه روی رشد بلندمدت و پایدار بین‌المللی تمرکز کنید و شروع به اولویت‌بندی واقعی مشتریان بین‌المللی خود کنید، مزایای آن‌ها به سرعت شروع به محو شدن یا حتی منفی شدن می‌کنند.

در این مرحله است که بومی سازی با دقت متعادل و بسیار ظریف، ساخته شده توسط متخصصان بومی سازی حرفه ای و باتجربه که تحت شرایط منصفانه کار می کنند، می تواند به عامل اصلی شما در دنیایی پر از ترجمه های متوسط تبدیل شود.