AI-mallit ja alustat

Translated julkaisee Lara 3:n, perustellen erikoistuneen käännös‑AI:n tarpeen

Aiden Cross
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
AI-generated illustration of a glass bridge connecting language fragments through a central prism.
Keskeiset kohdatErikoistuneet käännösmallit voivat päihittää yleiskäyttöisen tekoälyn oppimalla…
Näytä lisää
  • Erikoistuneet käännösmallit voivat päihittää yleiskäyttöisen tekoälyn oppimalla arvioimaan kilpailevia käännöksiä koulutuksen aikana.
  • Asiakirjakonteksti ja hyväksytyt sanastot pitävät terminologian johdonmukaisena käsikirjoissa, verkkosivustoilla ja tukikeskusteluissa.
  • Raportoidulla vertailumenestyksellä on vähemmän merkitystä kuin sillä, vähentääkö malli muokkaustyötä todellisessa yrityssisällössä.

Käännös voi olla kaunista luettavaa, mutta silti tehdä virheen. Tuotetermi voi muuttua puolivälissä käyttöopasta, tukiviesti menettää kontekstinsa tai kampanja saapuu toiselle kielelle ilman alkuperäistä ääntä. Nämä ovat ne ongelmat, joita Translated pyrkii ratkaisemaan erikoistuneen AI‑käännösmallinsa Lara 3:n yleisjulkaisun myötä.

Julkaistu 7. lokakuuta, lanseeraus tekee Lara 3:n saataville yrityksille, ammattilaiskääntäjille ja yksittäisille käyttäjille Lara‑API:n, TranslationOS:n ja Lara Translate:n kautta. Se seuraa heinäkuussa valikoiduille kumppaneille annettua esittelyä ja tuo kohdennetun käännösjärjestelmän markkinoille, jotka ovat yhä ruuhkaisempia yleiskäyttöisten AI‑mallien kanssa.

Otsikkoväite on merkittävä: Translatedin sokeissa arvioinneissa ammattilaiskääntäjät arvioivat 82 % Lara 3:n käännöksistä täydellisiksi, ilman korjauksia. Yritys raportoi alhaisempia pisteitä yleiselle AI:lle ja testatuille erikoistuneille käännöstyökaluille. Mielenkiintoisempi kysymys on, mitä erikoistuminen tuo, kun käännös sisällytetään todelliseen tuotantotyövirtaan.

Mitä vertailu mittaa

Lanseerauksen tiedotteen mukaan arviointiin sisältyi 16 800 käännöstä englannista 21 yrityslokalisointikieleen. Se yhdisti WMT25‑materiaalia, joka kattaa kirjoja, uutisia ja käyttäjäkeskusteluja, sekä omaa yrityssisältöä matkailusta, teknologiasta ja rahoitusalasta.

Keskimäärin 21 kieliparissa Translated raportoi seuraavat prosenttiosuudet täydellisiksi arvioiduista käännöksistä:

  • Lara 3: 82 %
  • GPT-5.6 Sol: 69 %
  • Claude Fable 5: 67 %
  • DeepL: 57 %
  • Google Translate: 53 %

Tiedotteessa kerrotaan, että Lara sijoittui ensimmäiseksi 20 kieliparissa 21:stä. Lara:n julkinen vertailumenetelmän huomautus kuvaa enemmistöarviota, jossa vähintään kaksi kolmesta ammattilaiskääntäjästä antoi saman arvion. Nämä ovat yrityksen raportoimia tuloksia määritellyllä testijoukolla, eivät universaalia tarkkuuslukemaa kaikille kielille, toimialoille tai asiakirjoille.

Tämä ero on merkityksellinen. Englannista kohdekieleen suoritettu tulos ei takaa samaa sijoitusta kaikille käännössuunnille, ja vahva kokonaispiste voi piilottaa eroja kielten tai sisällön välillä. Lokalisointitiimille relevantti testi on edelleen sen oma sanasto, materiaali ja tarkastusstandardit.

Malli, joka harjoittelee ennen käyttöönottoa

Translatedin tekninen esittely Lara 3:lle kuvaa koulutusmenetelmää, jota kutsutaan “oppimiseksi tekemällä”. Imitointi on perusta, mutta malli harjoittelee sen jälkeen tuottamaan vaihtoehtoisia käännöksiä. Automaattinen tuomari, jonka on muokannut ammattilaisten arviointiosaaminen, arvioi nämä yritykset, ja malli vahvistaa onnistuneet valinnat korjaten heikommat.

Yritys kertoo, että tämä sykli toistuu miljoonia kertoja koulutuksen aikana. Tuloksena syntynyt käyttäytyminen on sisällytetty käyttöönotettuun malliin; se ei tarkoita, että jokainen asiakaspyyntö käynnistäisi uuden koulutusprosessin.

Lähestymistapa vastaa tunnettua käännösongelmaa: useat lauseversiot voivat olla kelvollisia, mutta vain jotkut sopivat ympäröivään materiaaliin. Vaihtoehtoisten versioiden arviointiin oppiminen tarjoaa erilaisen tavoitteen kuin pelkkä yhden referenssivastauksen toistaminen.

Tiedotteessa perustaja ja toimitusjohtaja Marco Trombetti väittää, että käännöksen laatu riippuu ongelman syvällisestä ymmärtämisestä. Pelkkä sujuvuus ei riitä, kun epäselvä ilmaus, virheellinen tekninen termi tai puuttuva kulttuurinen vihje muuttaa lukijan ymmärrystä.

Konteksti on osa työnkulkua

Koulutus on vain yksi taso. Lara:n kehittäjädokumentaatio selittää, miten järjestelmä käyttää asiaankuuluvaa asiakirjakontekstia käännettäessä yksittäisiä lauseita. Pidemmissä syötteissä se voi kääntää lauseita rinnakkain samalla kun toimittaa ympäröivän tekstin lisäsyötteenä mallille.

Kehittäjät voivat myös tarjota ulkoista kontekstia, jonka tulisi vaikuttaa käännökseen ilman, että itse konteksti käännetään. Esimerkiksi blogin otsikon mukana voidaan antaa artikkelin leipäteksti tai uuden chat-viestin mukana edellinen keskustelu. Tämä on erityisen hyödyllistä, kun ammattilaiskäännöstyökalut ovat jo jakaneet asiakirjan erillisiin segmentteihin.

Yritysasiakkaille tämä kyky palvelee käytännön tarkoitusta: pitää pienet sisällön osat yhteydessä niihin tietoihin, jotka antavat niille merkityksen. Sanastot ja hyväksytyt käännösmuistit lisäävät yhdenmukaisuutta, erityisesti kun sama tuotesanasto esiintyy verkkosivustolla, dokumentaatiossa ja asiakastuessa.

Laatupisteistä tuotantotalouteen

Tiedotteessa raportoidaan myös erillisiä nopeus‑ ja kustannusvertailuja. Yhden säikeen testissä Translated kertoo, että Lara 3 saavutti 23‑kertaisen läpimenon Claude Fable 5:een verrattuna ja käänsi 3,75‑kertaisesti enemmän merkkejä samassa budjetissa. Nämä vertailut eroavat laadun arvioinnista ja tulee ymmärtää testatun asetelman puitteissa.

Laran API-alusta ulottuu pelkän tekstin yli HTML- ja XLIFF-lokalisointisisältöön, asiakirjoihin, kuviin ja ääneen. Tuotesivu kuvaa tukea yli 70 asiakirjamuodolle, asettelun säilyttämisen lisäksi, sekä sanaston ja käännösmuistointegraation. Kattavuus vaihtelee syötetyypin mukaan, joten tekstikielen tukea ei pidä olettaa koskevan identtisesti ääntä tai kuvia.

Translated perustettiin vuonna 1999 kielitieteilijä Isabelle Andrieu’n ja tietojenkäsittelytieteilijä Marco Trombetti’n toimesta. Sen lanseerausjulkaisu kertoo, että yritys palvelee yli 300 000 asiakasta 200 kielellä ja yli 40 aihealueella. Tämä historia auttaa selittämään Laran korostusta vähemmän loistokkaisiin lokalisoinnin vaatimuksiin: johdonmukainen terminologia, kontekstuaalinen tarkkuus ja lopputulos, joka sopii suunniteltuun käyttöön.

Lara 3:n yleinen saatavuus muuttaa erikoistumisargumentin tuotevalinnaksi. Sen raportoitu suorituskykyetu on syy tutkia asiaa; vahvempi koe on, vähentääkö se muokkaus- ja integrointityötä todellisessa sisällössä. Skaalassa kääntämistä tekeville tiimeille merkityksen luotettava säilyttäminen on se, mikä tekee mallista hyödyllisen pitkälle ensimmäisen vaikuttavan lauseen jälkeen.

Aiden Cross on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa tekoälytuotteiden strategian, toteutuksen ja käytännön haasteet, joita liittyy kokeellisten mallien muuttamiseen skaalattaviksi, markkinoille valmiiksi tuotteiksi. Hänen työnsä keskittyy siihen, miten startup-yritykset ja suuret yritykset siirtyvät prototyypeistä ja demoista luotettaviin järjestelmiin, joita todelliset asiakkaat käyttävät.
Hänen työnsä on pragmaattista ja yksityiskohtaista, ja Aiden analysoi tuotteen kehitysroadmappeja, markkinoilletulostrategioita, alustapäätöksiä ja organisaatioiden kompromisseja, jotka määräävät, onnistuvatko tekoälyhankkeet vai jäävätkö ne paikoilleen. Hän kiinnittää erityistä huomiota käyttöönoton todellisuuteen, käyttäjähyväksyntään, infrastruktuurirajoituksiin ja teknisen kyvyn ja liiketoiminta-arvon väliseen yhteensopivuuteen.
Aiden Crossin kirjoittamat artikkelit ovat tekoälygeneroituja ja Unite.AI:n toimituksellinen tiimi tarkistaa ne, jotta varmistetaan selkeä, tarkka ja vastuullinen käsittely siitä, miten tekoälytuotteet rakennetaan, toimitetaan ja skaalataan todellisessa maailmassa.