Olga Beregovaya รองประธานฝ่าย AI ที่ Smartling – ซีรีส์สัมภาษณ์

Olga Beregovaya ดำรงตำแหน่งรองประธานฝ่าย AI ที่ Smartling โดยเป็นผู้นำกลยุทธ์ AI ในด้านการแปล ข้อมูล คุณภาพ และความปลอดภัย เธอทำงานด้านการประมวลผลภาษาธรรมชาติมาตั้งแต่ปี 1997 ครอบคลุมทั้งระบบที่ใช้กฎเกณฑ์ โมเดลเชิงสถิติ โครงข่ายประสาทเทียม และโมเดลภาษาขนาดใหญ่ ก่อนเข้าร่วมงานกับ Smartling เธอเคยดำรงตำแหน่งรองประธานฝ่ายนวัตกรรม AI ที่ Welocalize และประธานเจ้าหน้าที่บริหารของ PROMT Americas

Smartling ให้บริการซอฟต์แวร์และบริการด้านการแปลและการปรับเนื้อหาให้เหมาะกับท้องถิ่นสำหรับองค์กร โดยผสาน AI และการแปลด้วยเครื่องเข้ากับความเชี่ยวชาญของมนุษย์ แพลตฟอร์มของบริษัทรองรับขั้นตอนการทำงานหลายภาษาสำหรับเว็บไซต์ แอปพลิเคชัน การตลาด เอกสาร และสื่อมัลติมีเดีย พร้อมให้เข้าถึงโมเดลภาษาขนาดใหญ่ (LLM) และระบบแปลด้วยเครื่องมากกว่า 20 รายการ ในการสัมภาษณ์ครั้งนี้ Beregovaya พูดถึงความเหลื่อมล้ำด้าน AI ระหว่างภาษา คุณภาพการแปล การเลือกโมเดล และบทบาทของการกำกับดูแลโดยมนุษย์ในการปรับเนื้อหาให้เหมาะกับท้องถิ่นโดยอัตโนมัติ

เส้นทางการทำงานที่ผ่านมาได้หล่อหลอมมุมมองของคุณต่อบทบาทของ AI ในภาษาอย่างไร และอะไรทำให้คุณเข้ามาเป็นผู้นำกลยุทธ์ AI ที่ Smartling?

ฉันศึกษาว่าแต่ละภาษามีโครงสร้างอย่างไร และตระกูลภาษาทำงานอย่างไร สิ่งนี้ทำให้ฉันเข้าใจว่าการแปลเกี่ยวข้องกับโครงสร้างและความหมาย ไม่ใช่การแทนที่คำแบบคำต่อคำ ฉันมอง AI ในแนวทางเดียวกัน

ฉันเริ่มทำงานด้านการประมวลผลภาษาธรรมชาติในปี 1997 ซึ่งเป็นยุคที่ระบบสร้างขึ้นจากกฎที่เขียนขึ้นด้วยมือ นับแต่นั้นมา ฉันได้ทำงานกับโมเดลเชิงสถิติ โครงข่ายประสาทเทียม และโมเดลภาษาขนาดใหญ่ในปัจจุบัน แต่ละแนวทางช่วยแก้ปัญหาบางอย่างและก่อให้เกิดปัญหาอื่นตามมา ฉันไม่เชื่อว่ามีโมเดลใดโมเดลหนึ่งที่เป็นคำตอบสำหรับทุกสิ่ง

ฉันเข้าร่วมงานกับ Smartling เพราะบริษัทสร้างขึ้นเพื่อแปลเนื้อหาสำหรับองค์กรได้ทุกรูปแบบ ตั้งแต่เว็บไซต์และแอปไปจนถึงเอกสารทางกฎหมาย เนื้อหาการตลาด และวิดีโอ ฉันเริ่มต้นในตำแหน่งรองประธานฝ่ายการแปลด้วยเครื่อง แต่ขอบเขตงานขยายออกไปอย่างรวดเร็ว ครอบคลุมทั้งการเขียนพรอมป์ต์ ข้อมูล คุณภาพ และความปลอดภัย ตำแหน่งจึงเปลี่ยนเป็นรองประธานฝ่าย AI

ในทางปฏิบัติ ความเหลื่อมล้ำดังกล่าวมีหน้าตาเป็นอย่างไร และเหตุใดจึงอาจส่งผลสำคัญยิ่งขึ้นเมื่อ AI เชิงสร้างสรรค์กลายเป็นช่องทางหลักในการติดต่อสื่อสาร?

เมื่อก่อนความเหลื่อมล้ำนี้เข้าใจได้ง่าย กล่าวคือ ระบบ AI รองรับภาษาของคุณหรือไม่ก็ไม่รองรับ แต่ตอนนี้ประเด็นนั้นแทบจะคลี่คลายแล้ว และความเหลื่อมล้ำก็เปลี่ยนรูปแบบไป สิ่งสำคัญในปัจจุบันคือข้อมูลที่ใช้ฝึกโมเดลสะท้อนภาษา ผู้ใช้ภาษา และวัฒนธรรมของภาษานั้นได้ดีเพียงใด ข้อมูลฝึกโมเดลส่วนใหญ่เป็นภาษาอังกฤษ จึงพกพาสมมติฐานของผู้ใช้ภาษาอังกฤษติดมาด้วย คำแปลอาจถูกต้องในเชิงเทคนิค แต่ก็ยังอาจถ่ายทอดมุมมองของผู้ใช้ภาษาอังกฤษไปสู่ภาษาอื่นได้

AI กำลังกลายเป็นช่องทางที่ผู้คนใช้ติดต่อกับธนาคาร แพทย์ โรงเรียน และบริการจำเป็นอื่น ๆ หาก AI จัดการภาษาใดได้ดี ผู้ใช้ภาษานั้นก็จะได้เปรียบ แต่หากจัดการได้ไม่ดี ผู้ใช้ภาษานั้นก็จะเสียเปรียบ

อะไรทำให้คุณประหลาดใจมากที่สุด และอะไรอธิบายได้ว่าทำไมภาษาสวีเดนจึงทำผลงานได้ดีกว่าภาษาฮินดี ทั้งที่มีผู้พูดน้อยกว่ามาก?

จำนวนผู้พูดเป็นตัวบ่งชี้คุณภาพการแปลที่ไม่น่าเชื่อถืออย่างน่าประหลาด ภาษาสวีเดนซึ่งมีผู้พูดประมาณ 10 ล้านคนให้ผลลัพธ์ที่ดีที่สุดบางส่วน ส่วนภาษาฮินดีซึ่งมีผู้พูดประมาณ 600 ล้านคนกลับเป็นหนึ่งในภาษาที่ได้ผลลัพธ์อ่อนที่สุด เช่นเดียวกับภาษาเอสโตเนียและภาษาไทย

โครงสร้างภาษาและคุณภาพข้อมูลมีความสำคัญมากกว่ามาก ไวยากรณ์ภาษาสวีเดนค่อนข้างเรียบง่าย และมีข้อมูลฝึกคุณภาพดีอยู่มาก ภาษาเอสโตเนียเปลี่ยนรูปคำลงท้ายอยู่เสมอเพื่อสื่อความหมาย ทำให้ AI ต้องรับมือกับความซับซ้อนที่มากขึ้น ส่วนภาษาฮินดีมีผู้พูดหลายร้อยล้านคน แต่กลับมีข้อมูลฝึกที่มีคุณภาพสูงและหลากหลายน้อยกว่าที่คาดไว้เมื่อพิจารณาจากจำนวนผู้พูด

อีกเรื่องที่น่าประหลาดใจคือ ความก้าวหน้าของแต่ละห้องปฏิบัติการวิจัยไม่เท่ากัน ภาษาที่เริ่มต้นจากผลลัพธ์ที่อ่อนกว่ามักพัฒนาขึ้นมากที่สุดเมื่อเปลี่ยนจากโมเดลรุ่นหนึ่งไปสู่อีกรุ่นหนึ่ง แต่รูปแบบนี้ไม่ได้เป็นจริงเสมอไป

นอกเหนือจากปริมาณข้อมูลฝึกแล้ว ปัจจัยใดส่งผลต่อประสิทธิภาพของโมเดลมากที่สุด?

การแบ่งหน่วยคำเป็นหนึ่งในปัจจัยที่สำคัญที่สุด นี่คือกระบวนการที่โมเดลใช้แบ่งข้อความออกเป็นส่วนย่อยก่อนประมวลผล ซึ่งสำคัญเป็นพิเศษสำหรับภาษาที่ไม่ได้ใช้อักษรละติน หากแบ่งหน่วยคำได้ไม่ดี ก็จะจำกัดประสิทธิภาพของทุกขั้นตอนที่ตามมา

โครงสร้างภาษาก็มีความสำคัญเช่นกัน โมเดลอาจรับมือกับภาษาที่มีคำลงท้ายซับซ้อนได้ยากกว่า ตัวอย่างเช่น ภาษาเยอรมันนำคำมาต่อกันจนคำคำเดียวอาจยาวถึง 40 ตัวอักษร ซึ่งทำให้โมเดลต้องรับภาระมากกว่าการประมวลผลภาษาอย่างสเปนหรือฝรั่งเศส

อีกปัจจัยคือคุณภาพข้อมูล ข้อมูลที่ไม่ดีย่อมให้ผลลัพธ์ที่ไม่ดี ความถูกต้อง ความหลากหลาย และการเป็นตัวแทนของข้อมูลมีความสำคัญอย่างยิ่งต่อประสิทธิภาพการแปลด้วย AI

สุดท้ายคือการวัดผล เราใช้ TER, BLEU, CHRF3 และ MetricX พร้อมทั้งเปรียบเทียบผลลัพธ์กับคำแปลที่มนุษย์จัดทำและเชื่อถือได้ โมเดลอาจฟังดูเป็นธรรมชาติ แต่กลับแปลความหมายผิด

ห้องปฏิบัติการวิจัยชั้นนำมีความรับผิดชอบอย่างไร และความก้าวหน้าที่มีความหมายควรมีลักษณะเช่นไร?

ห้องปฏิบัติการวิจัยชั้นนำมีความรับผิดชอบมากที่สุด เพราะเป็นผู้ควบคุมโมเดลภาษาที่ล้ำหน้าที่สุด การตัดสินใจของพวกเขาอาจทำให้ความเหลื่อมล้ำเพิ่มขึ้น หรือช่วยลดความเหลื่อมล้ำนั้นได้ อย่างไรก็ตาม การแปลมักต้องแข่งขันกับการให้เหตุผล การเขียนโค้ด และความปลอดภัยเพื่อให้ได้รับความสนใจ จึงมีห้องปฏิบัติการเพียงไม่กี่แห่งที่มีทีมเฉพาะทางซึ่งมุ่งเน้นเรื่องนี้

มีสามสิ่งที่จะช่วยให้เกิดความเปลี่ยนแปลงอย่างมีความหมายได้:

1. พัฒนาข้อมูลคุณภาพสูงให้ครอบคลุมภาษาและหัวข้อต่าง ๆ มากขึ้น
2. ปรับปรุงการแบ่งหน่วยคำสำหรับภาษาที่วิธีการในปัจจุบันยังทำได้ไม่ดี
3. และประเมินโมเดลใหม่ทุกโมเดลกับภาษาที่มีข้อมูลฝึกน้อย ไม่ใช่แค่ภาษาที่มีข้อมูลมากที่สุด

โอกาสสำคัญประการหนึ่งคือการสร้างข้อมูลฝึกสำหรับภาษาที่แทบไม่มีตัวแทนอยู่บนโลกออนไลน์ งานส่วนใหญ่ในด้านนี้เกิดขึ้นนอกห้องปฏิบัติการขนาดใหญ่ เราทำงานร่วมกับกลุ่มต่าง ๆ เช่น African Language Lab เพื่อสร้างข้อมูลสำหรับภาษาแอฟริกา

Smartling พิจารณาอย่างไรว่าจากเอนจินมากกว่า 20 ตัว เอนจินใดเหมาะกับภาษา ประเภทเนื้อหา หรือกรณีใช้งานหนึ่ง ๆ?

เราทดสอบเอนจินเหล่านั้น แทนที่จะตั้งสมมติฐานว่าโมเดลใดโมเดลหนึ่งดีที่สุด เราประเมินโมเดลทุกตัวโดยเทียบกับคำแปลที่มนุษย์แปลและเชื่อถือได้ ด้วย TER, BLEU, CHRF3 และ MetricX ลูกค้าสามารถส่งเนื้อหาการตลาดมาให้เรา แล้วภายในประมาณหนึ่งสัปดาห์ เราจะแสดงให้เห็นได้ว่าแต่ละโมเดลทำงานได้ดีเพียงใดในแต่ละภาษาและหัวข้อ โมเดลที่ดีที่สุดสำหรับเนื้อหาการตลาดภาษาสเปนแบบละตินอเมริกาอาจไม่ใช่โมเดลที่ดีที่สุดสำหรับภาษาอื่นหรือเนื้อหาที่ละเอียดอ่อน

เราคำนึงถึงความเสี่ยงด้วย เนื้อหาจากผู้ใช้ที่มีความเสี่ยงต่ำสามารถผ่านกระบวนการตรวจทานที่ไม่เข้มงวดมากได้ ส่วนเนื้อหาที่อยู่ภายใต้การกำกับดูแลหรือมีความสำคัญอย่างยิ่งต่อแบรนด์จะได้รับการตรวจทานมากขึ้น และโดยปกติจะมีมนุษย์ตรวจสอบด้วย เนื่องจากสามารถเพิ่มหรือนำโมเดลออกได้ตามการเปลี่ยนแปลงของประสิทธิภาพ เราจึงไม่ถูกผูกมัดกับผู้ให้บริการรายใดรายหนึ่ง

ระบบแปลเฉพาะทางยังทำได้ดีกว่า LLM แบบอเนกประสงค์ในด้านใดบ้าง และทั้งสองแบบจะพัฒนาเข้าหากันได้อย่างไร?

การแปลด้วยเครื่องเฉพาะทางยังคงเหนือกว่าเมื่อความสามารถในการคาดการณ์ผลลัพธ์เป็นสิ่งสำคัญที่สุด โดยเฉพาะอย่างยิ่งเมื่อใช้กับเนื้อหาที่ละเอียดอ่อนและภาษาบางภาษา LLM สร้างสำนวนที่เป็นธรรมชาติมากกว่า แต่ก็อาจสร้างข้อมูลหลอนอย่างมั่นใจได้เช่นกัน

ที่ Smartling เราผสานทั้งสองแนวทางเข้าด้วยกัน โมเดลแปลเฉพาะทางจะสร้างฉบับร่างแรกโดยใช้คำศัพท์เฉพาะของลูกค้าและข้อมูลเฉพาะด้าน จากนั้น LLM จะปรับแก้ โดยนำคำศัพท์ที่ได้รับอนุมัติกลับมาใช้ ใช้คำแปลที่ตรงกันจากงานแปลก่อนหน้า และปรับปรุงสำนวนให้อ่านดีขึ้น

โมเดลกำลังกลายเป็นเพียงส่วนหนึ่งของระบบ ทุกวันนี้ การกำหนดพรอมป์ต ข้อมูล การปรับแต่ง และมาตรการควบคุมความปลอดภัยล้วนมีความสำคัญไม่แพ้กัน

องค์กรควรคำนึงถึงความเสี่ยงสำคัญใดบ้างเมื่อนำ AI เชิงสร้างสรรค์มาใช้กับเนื้อหาหลายภาษา?

ข้อมูลหลอนอย่างไม่ต้องสงสัย ตัวอย่างที่ฉันชอบคือการมีคนถาม AI ว่าเห็ดมีพิษหรือไม่ AI ตอบว่าไม่มีพิษด้วยความมั่นใจเต็มเปี่ยม แต่ข้อความบนป้ายหลุมศพของคนคนนั้นก็พิสูจน์ว่าคำตอบนั้นผิด ในงานแปล ปัญหานี้ปรากฏในรูปแบบของข้อความที่ฟังดูสมบูรณ์แบบแต่ให้ข้อเท็จจริงผิดพลาด และความเสี่ยงดังกล่าวอาจสูงขึ้นในภาษาที่มีข้อมูลฝึกน้อย

อีกประเด็นคือบริบททางวัฒนธรรมและกฎระเบียบ คำแปลอาจถูกต้องในเชิงเทคนิค แต่ยังไม่เหมาะกับตลาดนั้น ๆ ตัวอย่างเช่น ภาษาเยอรมันและภาษาญี่ปุ่นต้องใช้ระดับความสุภาพที่ภาษาอังกฤษไม่ได้กำหนดไว้ นอกจากนี้ กฎโฆษณาของจีนยังจำกัดคำกล่าวอ้าง เช่น “ดีที่สุด”

ความสม่ำเสมอก็เป็นอีกเรื่องหนึ่ง เมื่อใช้งานในวงกว้าง เครื่องมือ AI ทั่วไปอาจทำให้การใช้คำศัพท์และน้ำเสียงของแบรนด์ไม่สม่ำเสมอ ผู้บริหารคนหนึ่งเคยบอกฉันว่าบริษัทของเขามีพนักงาน 300,000 คน และเพราะใช้ AI ทั่วไป จึงมีน้ำเสียงแตกต่างกันถึง 300,000 แบบ

นอกจากนี้ ความเสี่ยงยังส่งผลต่อความปลอดภัยทางกายภาพได้ด้วย หากแปลคำแนะนำด้านความปลอดภัยเกี่ยวกับการดึงคันโยกผิดพลาด เครนก็อาจตกลงมาในสถานที่ก่อสร้างได้

เอเจนต์ AI ในงานโลคัลไลเซชันมีลักษณะอย่างไร และสามารถทำงานโดยอัตโนมัติได้มากเพียงใดเมื่อมีมนุษย์กำกับดูแล?

เอเจนต์ AI เป็นขั้นตอนหนึ่งในกระบวนการทำโลคัลไลเซชัน โมเดลหนึ่งแปล ขณะที่อีกโมเดลตรวจทาน ตรวจหาข้อมูลหลอน นำคำศัพท์ที่ได้รับอนุมัติกลับมาใช้ และปรับเนื้อหาให้เหมาะกับตลาด จากนั้นการตรวจสอบคุณภาพจะตัดสินว่าเนื้อหาพร้อมเผยแพร่ ต้องให้มนุษย์ตรวจทานอย่างรวดเร็ว หรือต้องผ่านการตรวจทานอย่างละเอียด

ระดับที่สามารถทำงานอัตโนมัติได้ขึ้นอยู่กับความเสี่ยง งานส่วนใหญ่ที่มีความเสี่ยงต่ำของเราเป็นระบบอัตโนมัติเต็มรูปแบบแล้ว แต่เนื้อหาที่ละเอียดอ่อนและอยู่ภายใต้การกำกับดูแลยังคงต้องอาศัยมนุษย์

การทำงานอัตโนมัติเต็มรูปแบบไม่ได้เป็นเป้าหมายเสมอไป เพราะโมเดลต้องอาศัยความคิดเห็นจากมนุษย์เพื่อพัฒนา เป้าหมายคือการลดภาระงานของมนุษย์โดยไม่ละทิ้งการใช้วิจารณญาณของมนุษย์

ในอีกห้าปี ช่องว่างนี้จะแคบลงหรือกว้างขึ้น และอะไรจะทำให้ AI รองรับหลายภาษาได้อย่างแท้จริงในระดับโลก?

สถานการณ์อาจเป็นไปได้ทั้งสองทาง ภาษาที่เริ่มต้นจากจุดที่เสียเปรียบที่สุดกำลังพัฒนาเร็วที่สุด และมีองค์กรจำนวนมากขึ้นที่รวบรวมข้อมูลสำหรับภาษาซึ่งมีเนื้อหาออนไลน์น้อย รวมถึงข้อมูลภาษาพูด

แต่ความเหลื่อมล้ำกำลังเปลี่ยนรูปแบบไป AI อาจใช้ภาษาใดภาษาหนึ่งได้ดี แต่ยังคงนำสมมติฐานแบบผู้พูดภาษาอังกฤษที่ได้จากข้อมูลฝึกมาใช้

การพัฒนา AI ที่รองรับหลายภาษาได้อย่างแท้จริงต้องใช้แนวทางที่แตกต่างออกไป ซึ่งอาจหมายถึงการใช้โมเดลขนาดเล็กที่ปรับให้เหมาะกับภาษาและหัวข้อเฉพาะ แทนที่จะคาดหวังให้โมเดลทั่วไปเพียงโมเดลเดียวทำได้ทุกอย่าง นอกจากนี้ยังหมายถึงการใช้ข้อมูลที่หลากหลายยิ่งขึ้นในแต่ละภาษาและสาขา การปรับปรุงการแบ่งหน่วยคำสำหรับภาษาที่วิธีการในปัจจุบันยังทำได้ไม่ดี และการใช้ข้อมูลสังเคราะห์ควบคู่กับการถ่ายทอดสิ่งที่โมเดลเรียนรู้จากภาษาหนึ่งไปยังภาษาใกล้เคียง เพื่อให้การพัฒนาไม่ได้จำกัดอยู่แค่ภาษาที่มีข้อมูลมากที่สุด

เทคโนโลยีนี้มีอยู่แล้ว แต่คำถามคือบริษัทที่พัฒนาโมเดลเหล่านี้จะให้ความสำคัญกับประสิทธิภาพในหลายภาษาหรือไม่

ขอขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการศึกษาเรื่องการแปลด้วย AI การประเมินคุณภาพหลายภาษา และกระบวนการปรับเนื้อหาให้เหมาะกับแต่ละท้องถิ่นภายใต้การกำกับดูแลของมนุษย์ สามารถเยี่ยมชม Smartling ได้