Machine Learning bahnt sich in die komplexe Kunst der Übersetzung ein

Der Sprach- und Schreibeexperte Reuven Koret erörterte im Detail den Einfluss und die Verwendung von künstlicher Intelligenz in der Übersetzung für die Online-Publikation readwrite. Koret weist darauf hin, dass die Verwendung von maschinellen Übersetzungstools auf Basis von künstlicher Intelligenz in allen Aspekten des Übersetzungsprozesses weit verbreitet wird. Dies ist nicht allein auf proprietäre ML-Übersetzungstools von Google, Microsoft,  Facebook und Amazon beschränkt, die täglich verwendet werden, sondern auch auf detaillierte professionelle Tools von Unternehmen wie SDL.

Trotzdem sind viele professionelle Übersetzer und Agenturen wie William Mamane, Leiter des Digital Marketings bei Tomedes, einer professionellen Sprachdienstleistungsagentur, immer noch skeptisch gegenüber der Verwendung von künstlicher Intelligenz in der Übersetzung. Aber selbst diese Skeptiker wie Mamane geben zu, dass die maschinelle Übersetzung ernsthafte Fortschritte gemacht hat, und wie er betont, “gibt es immer noch einen Platz für künstliche Intelligenz und maschinelle Übersetzung in der Wertschöpfungskette der Übersetzungsleistungen”.

Um die Herausforderung der maschinellen Übersetzung zu erklären, weist Koret darauf hin, dass “auf einer grundlegenden Ebene die maschinelle Übersetzung Algorithmen verwendet, um Wörter in einer Sprache durch Wörter in einer anderen Sprache zu ersetzen. Das reicht jedoch nicht aus, um erfolgreich zu übersetzen. Das Verständnis ganzer Phrasen ist für beide Sprachen, die Quellsprache und die Zielsprache, notwendig. Wir können die maschinelle Übersetzung als Dekodierung der Quellsprache und Aufzeichnung ihrer Bedeutung in der Zielsprache verstehen”.

Die Lösung dieser Herausforderung ist ein sehr komplexer Prozess und derzeit sind die am weitesten entwickelten Prozesse darauf angewiesen, “Statistiken zu verwenden, um die beste Übersetzung für einen gegebenen Ausdruck zu wählen” oder “strukturierte Regeln, um die wahrscheinlichste Bedeutung auszuwählen”. Diese Ansätze erfordern immer noch die Einbindung von Redakteuren und Korrektoren, aber “diese überwachende, redaktionelle oder prüfende Rolle ist weniger anspruchsvoll und weniger zeitaufwändig als die Übersetzung”.

Diese Methoden sind die Grundlage für die meisten Web-Übersetzungs-Apps wie Google Translate. Wie erwähnt, verarbeitet Google Übersetzungen, die täglich einem Million Büchern entsprechen würden. 

Derzeit jedoch werden mit der Verwendung von neuronaler maschineller Übersetzung (NMT) noch größere Fortschritte in der Übersetzung erzielt. Bei der Übersetzung wird mit Deep Learning “nicht nur auf einzelne Wörter, sondern auf ganze Sätze geschaut”. Gleichzeitig benötigt NMT “einen Bruchteil des Speichers, der für statistische Methoden benötigt wird”, was bedeutet, dass es gleichzeitig viel schneller arbeitet.

Die Verwendung von NMT wurde erstmals 2014 erforscht, aber die schnellen Fortschritte in den letzten fünf Jahren haben es ermöglicht, die bidirektionale Recurrent Neural Network oder RNN zu entwickeln. “Diese Netzwerke kombinieren einen Encoder, der einen Quellsatz für einen zweiten RNN, den Decoder, formiert. Der Decoder prognostiziert die Wörter, die in der Zielsprache erscheinen sollten.” Google verwendet diesen Ansatz in der NMT, um Google Translate zu betreiben. Auch Microsoft verwendet RNN in Microsoft Translator und Skype Translator.

Wie Koret schlussfolgert, können NMTs bei der Übersetzung helfen, während erfahrene Linguisten die Übersetzungsergebnisse vervollständigen und polieren können. Zukünftige Übersetzer werden häufiger mit künstlicher Intelligenz zusammenarbeiten, anstatt gegen sie.