Künstliche Intelligenz zur effizienten Unterstützung bei Übersetzungsarbeiten

Künstliche Intelligenz (KI) wird ein immer wichtigerer Teil unseres Lebens. Ob in unserem Zuhause mit intelligenten Lautsprechern und Automatisierung oder in der Geschäftswelt, ihr Einfluss auf unser Leben ist nicht von der Hand zu weisen.

Doch während die Vorteile der KI auf der Hand liegen, war der Einsatz der Technologie bei der Sprachübersetzung in der Vergangenheit schwierig, wenn nicht gar unmöglich. Sprachübersetzung ist ein Bereich, der schon immer menschliches Eingreifen erfordert hat. Es gibt einfach zu viele Nuancen in der Sprache, als dass eine Maschine sie ohne ein umfangreiches Training, das meist in mühsamer Handarbeit erfolgt, verstehen könnte.

In den letzten Jahren hat sich diese Situation geändert. Mit neueren Fortschritten im Bereich des maschinellen Lernens (ML) und der Entwicklung neuronaler Netze ist diese einst schwierige Aufgabe nun viel leichter zu bewältigen.

Wie KI den Menschen bei Übersetzungsarbeiten ergänzen kann

KI wird in vielen Branchen gefürchtet, weil man glaubt, dass sie den Menschen am Arbeitsplatz ersetzen wird. Diese Befürchtung hat sich in den letzten Jahren etwas gelegt, da die Menschen zu erkennen beginnen, dass KI besser für eine Zusammenarbeit geeignet ist. Dies ist auch in der Übersetzungsbranche der Fall, denn dank der Fortschritte in der KI können Computer den Menschen heute in einem Maße unterstützen, das früher als unmöglich galt.

KI und Sprachübersetzung sind wesentliche Bestandteile der modernen Welt. Mit dem Zugang zum Internet und zu Informationen aus der ganzen Welt sind wir nicht mehr auf lokales Wissen beschränkt. Wenn wir Informationen in einer anderen Sprache übermitteln müssen, können wir leicht jemanden oder etwas finden, das uns bei der Übersetzung der für unsere Ziele so wichtigen Wörter und Sätze hilft.

Unternehmen wie Google leisten mit diesen neuen Übersetzungstechnologien Pionierarbeit und tragen dazu bei, eine neue Ära der globalen Kommunikation und des Zugangs zu Informationen einzuläuten. Neben der On-the-fly-Übersetzung von Webseiten werden auch Smartphone-Apps entwickelt und eingesetzt, die bei der Übersetzung des gesprochenen Wortes helfen können. Der Weg zu diesem Punkt konnte jedoch nicht ohne Herausforderungen gegangen werden.

Wie man KI trainiert

Die Informatik hat uns die Möglichkeit gegeben, unsere Maschinen selbständig zu trainieren. Künstliche Intelligenz und Übersetzung sind zwei wichtige Bereiche innerhalb der Informatik, in denen die größten Fortschritte erzielt wurden, wobei maschinelles Lernen bei der künstlichen Intelligenz und Deep Learning bei der Übersetzung führend sind.

Maschinelles Lernen ist eine gängige Methode, mit der Computer lernen, aber künstliche Intelligenz (KI) ist das, was sie wirklich antreibt. KI simuliert die Struktur und Leistung unseres Gehirns, indem sie Daten analysiert und Situationen ohne Erfahrung begreift.

Deep Learning kann man sich als KI vorstellen, die simuliert, wie Menschen lernen. Dabei werden neuronale Netze verwendet, die der Funktion unseres Gehirns entsprechen. Diese Technologie ermöglicht es Computern, ihre eigenen Fehler zu erkennen und sie automatisch zu korrigieren. Computer mit Deep Learning verwenden Logik wie Menschen, dabei können sie jedoch besser Sprachen übersetzen.

Sind neuronale Netze die Zukunft der Übersetzungsbranche?

Sowohl im akademischen Bereich als auch in der Industrie wurde viel Forschung betrieben, um neue Übersetzungstechnologien zu entwickeln. Neuronale Netze sind als Trainingswerkzeug für maschinelle Übersetzungssysteme immer beliebter geworden, aber wie genau funktionieren sie?

Neuronale Netze sind eine Form des maschinellen Lernens, bei der das Netz selbst darauf trainiert wird, Muster zu erkennen. Es wird nicht mit Regeln und Anweisungen programmiert, sondern lernt aus den Daten, die ihm über Programmierverfahren wie Backpropagation eingegeben werden. Dadurch können neuronale Netze ihre eigene interne Struktur für die Übersetzung von Wörtern entwickeln, anstatt sich auf vordefinierte Regeln zu verlassen, die ihnen vorschreiben, wie sie zu arbeiten haben.

Dank dieser Flexibilität können neuronale Netze in vielen verschiedenen Anwendungen eingesetzt werden, z. B. in der Spracherkennung, der Objekterkennung und der Bildklassifizierung. Zusätzlich zu dieser offenen Verwendung wurden Algorithmen mit neuronalen Netzen auch speziell für Übersetzungszwecke entwickelt.

Einer der Vorteile der neuronalen maschinellen Übersetzung ist, dass ein einmal trainiertes System Wissen von einer Sprache in eine andere übertragen kann. Bei mehrschichtigen Perzeptron-Modellen mussten die Eingabesequenzen die gleiche Länge haben wie die resultierende Ausgabesequenz.

Verbesserte Modellarchitekturen für diese Modelle durch die Verwendung rekurrenter neuronaler Netze, die in einer Encoder-Decoder-Architektur organisiert sind, haben Sequenzen mit variabler Länge im Input und Output ermöglicht, während das Hinzufügen von Aufmerksamkeitsmechanismen die Übersetzung bei langen Sequenzen verbessert hat.

Moderne neuronale Netze können Texte mit einem Genauigkeitsgrad von 60-90 % übersetzen. Aber auch diese Maschinen machen in der Praxis gelegentlich Fehler, die die Qualität und den Nutzen der übersetzten Texte beeinträchtigen können.

Die oben beschriebene Encoder-Decoder-Architektur mit Aufmerksamkeitsmodell ist bestenfalls für Satzgrößen geeignet. Dies wird problematisch, wenn lange Absätze und Textdokumente übersetzt werden, in denen das Modell nicht genug Kontext hat, um den Text zu verstehen.

So trainieren Sie Ihr maschinelles Übersetzungssystem

Damit KI funktioniert, muss sie mit großen Datenmengen trainiert werden.

Je mehr Daten, desto besser.

Ein paar Monate Unterricht an einer Universität bringen zum Beispiel viel weniger Wissen als mehrere Jahrzehnte Unterricht und Lebenserfahrung.

Bei maschinellen Übersetzungssystemen ist das nicht anders. Sie müssen über Tausende von Stunden trainiert werden, um ein akzeptables Niveau zu erreichen.

Tipp:

Bei clickworker können Sie passende Trainingsdaten-Sets erstellen lassen, um Ihr KI-System optimal zu trainieren.

KI-Trainingsdaten-Sätze

Erstens ist eine Basis-Engine für die Erstellung einer maßgeschneiderten Maschine unerlässlich. Übersetzungsanbieter mit jahrelanger Erfahrung haben Zugang zu Basis-Engines, die Ihnen helfen können, die Übersetzungsmaschine zu erstellen, die Sie für Ihre Sprachpaare und Fachgebiete benötigen.

Diese Basis-Engines sind auf eine oder zwei Sprachen ausgerichtet, z. B. Englisch-Japanisch oder Deutsch-Englisch.

Das Training von maschinellen Übersetzungssystemen kann effektiver sein, wenn dem System zu Beginn eine große Menge an qualitativ hochwertigen Daten zur Verfügung steht. Listen mit nicht zu übersetzenden Wörtern, Stilrichtlinien und Glossare sind ebenfalls ausgezeichnete Ressourcen für die Arbeit mit Sprachen.

Es gibt viele Faktoren, die sich auf die Trainingsgeschwindigkeit auswirken können. Dazu gehören die Struktur des neuronalen Netzes, die Anzahl der Schichten im Netz, die Größe der einzelnen Schichten und die Parameter für die Backpropagation-Optimierung in einem Gradientenabstiegsverfahren.

Wie kann Deep Learning die Übersetzungsbranche verändern?

Die Fähigkeit einer maschinellen Übersetzungsmaschine, Texte genau zu übersetzen, hängt vom jeweiligen Kontext ab. Derzeit sind maschinelle Übersetzungssysteme generisch und darauf trainiert, verschiedene Textarten zu übersetzen, z. B. Rezepte, Menüs, Storyboards, Chatprotokolle und mehr. Wie Menschen können Maschinen ohne Kontext keinen Text genau übersetzen, wenn sie nicht wissen, wer ihn benutzt und wozu.

Die neuronale maschinelle Übersetzung wird mit der Zeit immer besser, da neue Deep-Learning-Algorithmen entwickelt werden und sich die Architektur der neuronalen Technologie verändert. Da diese Art von KI immer genauer wird, müssen sich menschliche Übersetzer auf Aufgaben konzentrieren, in denen sie überdurchschnittlich gut sind, wie z. B. die Bearbeitung von Inhalten oder die Qualitätskontrolle. Diese Deep-Learning-Innovationen werden sich auch auf andere Bereiche auswirken, in denen Menschen im Vorteil sind, wie Spracherkennung, Bilderkennung oder Videoanalyse.