SmartlingのAI担当副社長、Olga Beregovaya：インタビューシリーズ

Olga BeregovayaはSmartlingのAI担当副社長として、翻訳、データ、品質、安全性に関するAI戦略を統括しています。1997年から自然言語処理に携わり、ルールベースのシステム、統計モデル、ニューラルネットワーク、大規模言語モデルに至るまで、幅広い技術を経験してきました。Smartlingに加わる前は、WelocalizeでAIイノベーション担当副社長、PROMT AmericasでCEOを務めていました。

Smartlingは、企業向けの翻訳・ローカライズソフトウェアとサービスを提供し、AIや機械翻訳と人間の専門知識を組み合わせています。同社のプラットフォームは、ウェブサイト、アプリケーション、マーケティング資料、文書、マルチメディアの多言語ワークフローに対応し、20を超えるLLMや機械翻訳エンジンを利用できます。このインタビューでBeregovaya氏は、多言語対応をめぐるAIの格差、翻訳品質、モデルの選定、自動化されたローカライズにおける人間の監督の役割について語ります。

これまでの歩みは、言語におけるAIの役割についての考え方にどのような影響を与えましたか。また、SmartlingでAI戦略を率いることになったきっかけは何ですか？

私は、言語がどのような構造を持ち、語族がどのように成り立っているかを研究しました。そこで学んだのは、翻訳とは単語を一語ずつ置き換えることではなく、構造と意味を扱うものだということです。AIについても同じように考えています。

自然言語処理の仕事を始めたのは1997年で、当時のシステムは人が手作業で記述したルールに基づいていました。それ以来、統計モデル、ニューラルネットワーク、そして現在の大規模言語モデルに携わってきました。それぞれの技術は、いくつかの問題を解決する一方で、新たな問題も生み出しました。どれか一つのモデルが答えになるとは考えていません。

Smartlingに加わったのは、ウェブサイトやアプリから、法律文書、マーケティング資料、動画まで、あらゆる種類の企業コンテンツを翻訳するために設立された会社だったからです。機械翻訳担当副社長として入社しましたが、役割はすぐに翻訳の枠を超え、プロンプト、データ、品質、安全性にまで広がりました。そこで、肩書きもAI担当副社長になりました。

その格差は実際にはどのような形で現れますか。また、生成AIが主要なインターフェースになるにつれて、なぜ格差の影響がさらに大きくなる可能性があるのでしょうか？

かつて格差は単純で、AIシステムがその言語に対応しているか、していないかの違いでした。この点はほぼ解消されましたが、格差の形は変わりました。今重要なのは、モデルの学習データが、その言語や話者、文化をどれだけ適切に反映しているかです。モデルの学習データの大半は英語であるため、英語圏の前提も一緒に取り込まれています。そのため、翻訳が技術的には正確でも、別の言語に英語圏の視点を押しつけてしまうことがあります。

AIは、銀行、医師、学校など、人々が不可欠なサービスを利用する際の窓口になりつつあります。AIがうまく扱える言語を使う人は有利になり、うまく扱えない言語を使う人は不利になります。

最も意外だったことは何ですか。また、話者数がはるかに少ないスウェーデン語がヒンディー語を上回るケースは、何によって説明できますか？

話者数は、翻訳品質を測る指標として意外なほど当てになりません。話者が約1,000万人のスウェーデン語は、最も優れた結果の一つを示しました。一方、話者が約6億人のヒンディー語は、エストニア語やタイ語と並んで、最も低い評価の一つでした。

言語の構造とデータの品質のほうが、はるかに重要です。スウェーデン語は文法が比較的単純で、質の高い学習データも豊富です。エストニア語は、意味を表すために語尾が頻繁に変化するため、AIが扱う際の複雑さが増します。ヒンディー語は話者が数億人に上りますが、その話者数から期待されるほど、質が高く多様な学習データはありません。

もう一つ意外だったのは、研究機関によって進歩の度合いが異なっていたことです。当初の性能が低かった言語ほど、通常はモデルの世代が変わるたびに大きく改善しましたが、必ずしもそうなるとは限りません。

学習データの量以外に、モデルの性能に最も大きく影響する要因は何ですか？

特に大きな要因の一つがトークン化です。これは、モデルがテキストを処理する前に、どのような単位に分割するかを指します。ラテン文字を使わない言語では、とりわけ重要です。トークン化が適切でなければ、その後の処理すべてに制約が生じます。

言語の構造も重要です。語尾が複雑に変化する言語は、モデルにとって扱いが難しい場合があります。たとえばドイツ語では単語を次々とつなげ、一語が40文字に達することもあります。そのため、スペイン語やフランス語などに比べ、モデルにはより大きな負荷がかかります。

そして、データの品質も重要です。質の悪いデータからは、質の悪い結果しか得られません。データの正確性、多様性、代表性は、AI翻訳の性能を左右する極めて重要な要素です。

最後に、評価方法もあります。TER、BLEU、CHRF3、MetricXを使用し、信頼できる人間による翻訳と結果を比較しています。モデルは自然な文章を生成しながら、意味を取り違えることがあります。

最先端のAI研究機関にはどのような責任があり、意義ある進歩とはどのようなものでしょうか？

最先端のAI研究機関は、最も高度な言語モデルを管理しているため、最も大きな責任を負っています。その選択次第で、格差を広げることも、縮めることに貢献することもできます。しかし、翻訳は推論、コーディング、安全性などと研究上の優先度を競うことが多く、翻訳に専念するチームを置いている研究機関はほとんどありません。

意義ある変化をもたらすには、次の3つが必要です。

1. より多くの言語と分野で、質の高いデータを構築する。
2. 現在の手法では不十分な言語のトークン化を改善する。
3. 最大規模の言語だけでなく、学習データの少ない言語でも新しいモデルを一つひとつ評価する。

大きな可能性を秘めているのは、オンライン上での存在感がごく小さい言語の学習データを構築することです。こうした取り組みの多くは、大手研究機関の外で行われています。私たちはAfrican Language Labのような団体と協力し、アフリカの言語のデータを構築しています。

Smartlingは、20種類以上あるエンジンの中から、特定の言語、コンテンツの種類、用途に適したものをどのように判断しているのでしょうか？

どれか一つのモデルが最適だと決めつけず、実際にテストします。すべてのモデルを、信頼できる人間の翻訳と照らし合わせ、TER、BLEU、CHRF3、MetricXを使って評価します。お客様からマーケティングコンテンツをご提供いただければ、約1週間以内に、言語や分野ごとの各モデルの性能をお示しできます。ラテンアメリカ向けスペイン語のマーケティングに最適なモデルが、別の言語や機微なコンテンツにも最適とは限りません。

リスクも考慮します。リスクの低いユーザー向けコンテンツには、簡易的なレビュープロセスを適用できます。規制対象のコンテンツや、ブランドにとって特に重要なコンテンツは、より多くのレビューを経て、通常は人による確認も受けます。性能の変化に応じてモデルを追加・削除できるため、特定のプロバイダーに縛られることはありません。

専門特化型の翻訳システムが汎用大規模言語モデル（LLM）をなお上回るのはどのような場面でしょうか。また、両者は今後どのように融合していくのでしょうか？

予測可能性が最も重視される場面では、今も専門特化型の機械翻訳が優位です。特に、機微なコンテンツや特定の言語で有用です。LLMはより自然な文章を生成しますが、自信満々に事実と異なる内容を作り出すこともあります。

Smartlingでは、この2つを組み合わせています。まず専門特化型の翻訳モデルが、お客様の用語と分野別データを使って初稿を作成します。次にLLMが文章を編集し、承認済みの用語を反映させ、過去の翻訳との一致を適用し、文章の質を高めます。

モデルは、システムを構成する一要素にすぎなくなりつつあります。現在では、プロンプト、データ、カスタマイズ、安全対策も、モデルと同じくらい重要です。

多言語コンテンツに生成AIを使う際、企業が考慮すべき最大のリスクは何でしょうか？

何といっても、ハルシネーションです。私がよく挙げる例は、キノコに毒があるかどうかをAIに尋ねる人の話です。AIは自信満々に「ない」と答えますが、その人の墓石が、その答えが間違いだったことを示しています。翻訳では、文章は完璧に見えるのに事実が誤っている、という形で現れます。学習データの少ない言語では、そのリスクがさらに高まることがあります。

文化的背景や規制上の事情もあります。翻訳が技術的に正確でも、その市場にふさわしくない場合があります。たとえば、ドイツ語と日本語では、英語にはないレベルの敬語表現が求められます。また、中国の広告規制では、「最高」といった表現も制限されています。

一貫性も課題です。大規模に利用すると、汎用AIツールによって用語やブランドボイスにばらつきが生じることがあります。ある経営幹部は、従業員が30万人いる自社では、汎用AIのおかげで30万通りの声が生まれてしまったと話していました。

さらに、身体的な危険につながることもあります。レバーを引くよう指示する安全上の説明が誤訳されれば、建設現場でクレーンが倒れるおそれがあります。

ローカリゼーションにおけるAIエージェントとはどのようなものでしょうか。また、人間の監督のもとで、どこまで自律化できるのでしょうか？

AIエージェントは、ローカリゼーションのワークフローを構成する一つの工程です。あるモデルが翻訳し、別のモデルがレビューを行って、ハルシネーションを確認し、承認済みの用語を反映させ、市場に合わせてコンテンツを調整します。その後、品質チェックによって、そのまま公開できるか、簡単な人手による確認が必要か、あるいは全面的なレビューが必要かを判断します。

自動化できる範囲は、リスクによって異なります。リスクの低い業務の多くは、すでに完全に自動化されていますが、機微なコンテンツや規制対象のコンテンツには、依然として人間の対応が必要です。

完全な自動化が常に目標とは限りません。モデルの改善には、人間からのフィードバックが必要だからです。目指すのは、人間の判断をなくすことなく、人の作業負担を減らすことです。

5年後、格差は縮まるでしょうか、それとも広がるでしょうか。また、AIが世界規模で真に多言語対応するには、何が必要でしょうか？

どちらの可能性もあります。当初、性能が最も低かった言語ほど、急速に改善しています。また、音声言語のデータも含め、オンライン上のコンテンツが少ない言語のデータを収集する組織が増えています。

ただし、格差の現れ方は変化しています。AIはある言語を十分に扱えても、学習データに含まれる英語話者の前提を持ち込むことがあります。

真に多言語対応するAIには、これまでとは異なるアプローチが必要です。あらゆることに対応する汎用モデルを一つ作るのではなく、特定の言語や分野に特化した、より小規模なモデルを開発する方法が考えられます。また、言語や分野を横断して、より多様なデータを用意することも必要です。現在の手法では不十分な言語に対応できるよう、トークン化を改善することも重要です。さらに、合成データを活用し、ある言語でモデルが学んだことを関連する言語に移転することで、データが最も豊富な言語だけに改善が限られないようにする必要があります。

技術はすでに存在しています。問題は、こうしたモデルを開発する企業が、多言語での性能向上を優先するかどうかです。

素晴らしいインタビューをありがとうございました。AI翻訳、多言語の品質評価、人間の監督下でのローカリゼーションワークフローについて詳しく知りたい方は、Smartlingをご覧ください。