Olga Beregovaya，Smartling 人工智能副总裁——访谈系列

Olga Beregovaya是 Smartling 的人工智能副总裁，负责制定涵盖翻译、数据、质量和安全的人工智能战略。自 1997 年以来，她一直从事自然语言处理工作，涉足基于规则的系统、统计模型、神经网络和大型语言模型。加入 Smartling 之前，她曾担任 Welocalize 的人工智能创新副总裁，以及 PROMT Americas 的首席执行官。

Smartling提供面向企业的翻译与本地化软件和服务，将人工智能和机器翻译与人类专业知识相结合。其平台支持网站、应用程序、营销内容、文档和多媒体的多语言工作流程，并可使用 20 多种大型语言模型和机器翻译引擎。在本次访谈中，Beregovaya 谈到了多语言人工智能鸿沟、翻译质量、模型选择，以及自动化本地化中人工监督的作用。

这段经历如何影响了你对人工智能在语言领域所扮演角色的看法？是什么促使你在 Smartling 负责人工智能战略？

我研究过语言的结构以及语系的运作方式。这让我明白，翻译关乎结构和含义，而不是逐字替换。我对人工智能也抱有同样的看法。

我从 1997 年开始从事自然语言处理工作，那时的系统建立在人工编写的规则之上。此后，我一路经历了统计模型、神经网络，以及如今的大型语言模型。每一种方法都解决了一些问题，同时也带来了其他问题。我不认为任何一种模型就是答案。

我加入 Smartling，是因为它从一开始就是为翻译各种企业内容而打造的，涵盖网站和应用程序，也包括法律文件、营销内容和视频。我最初担任机器翻译副总裁，但职责很快就从翻译扩展到提示词、数据、质量和安全。因此，我的职位后来改为人工智能副总裁。

这种鸿沟在实际中是什么样的？随着生成式人工智能成为主要交互界面，它为何可能变得更加重要？

过去，这种鸿沟很简单：人工智能系统要么支持你的语言，要么不支持。如今，这个问题基本上已经解决，但鸿沟的形态发生了变化。现在，关键在于模型的训练数据对该语言、使用者及其文化的呈现有多充分。大多数模型的训练数据都是英语，因此也带有英语使用者的思维定式。翻译即使在技术上准确无误，仍可能把英语使用者的视角强加给另一种语言。

人工智能正成为人们与银行、医生、学校及其他基本服务互动的方式。如果人工智能能很好地处理某种语言，使用这种语言的人就会占据优势；如果处理得不好，他们就会处于劣势。

最让你意外的是什么？尽管瑞典语的使用者远少于印地语，为何瑞典语的表现却更好？

使用者人数竟然是衡量翻译质量的一个很不可靠的指标。使用者约有 1000 万的瑞典语取得了一些最佳结果；使用者约有 6 亿的印地语则属于表现最弱的语言之列，爱沙尼亚语和泰语也是如此。

语言结构和数据质量的影响要大得多。瑞典语的语法相对简单，而且拥有大量干净的训练数据。爱沙尼亚语会不断改变词尾来表达含义，这增加了人工智能处理语言的复杂度。印地语有数亿使用者，但与其使用者人数相比，高质量、多样化的训练数据远比人们预期的少。

另一个意外是，不同实验室取得的进展并不一致。起步较弱的语言通常会在新一代模型中取得最大进步，但这种趋势并非总是成立。

除了训练数据的数量，还有哪些因素对模型表现影响最大？

分词是影响最大的因素之一。分词指的是模型在处理文本前将其拆分成片段的方式，这对不使用拉丁字母的语言尤其重要。分词效果不佳，会限制后续所有环节的表现。

语言结构也很重要。词尾变化复杂的语言可能更难由模型处理。比如，德语会把多个词组合在一起，形成长达 40 个字符的单词；这比西班牙语或法语等语言对模型提出了更高要求。

此外还有数据质量。数据质量差，结果就会差。数据的准确性、多样性和代表性对人工智能翻译表现至关重要。

最后一点是评估。我们使用 TER、BLEU、CHRF3 和 MetricX，并将结果与可信的人类翻译进行比较。模型即使听起来很自然，也可能误解原意。

前沿实验室承担什么责任？怎样才算取得了有意义的进展？

前沿实验室掌握着最先进的语言模型，因此承担着最大的责任。它们的选择可能扩大鸿沟，也可能帮助缩小鸿沟。然而，翻译常常需要与推理、编程和安全争夺关注，因此专门负责翻译的团队寥寥无几。

有三件事能带来实质性的改变：

1. 为更多语言和主题构建高质量数据。
2. 改进当前方法难以胜任的语言的分词方式。
3. 并且要用训练数据较少的语言来评估每个新模型，而不只是评估使用最广泛的语言。

一个重要机遇是为在线内容极少的语言构建训练数据。这项工作有很大一部分是在大型实验室之外开展的。我们与 African Language Lab 等团体合作，为非洲语言构建数据。

Smartling 如何判断其 20 多种引擎中，哪一种适用于特定语言、内容类型或使用场景？

我们会实际测试，而不是想当然地认为某个模型最好。我们使用 TER、BLEU、CHRF3 和 MetricX，将每个模型与可信的人类译文进行评估。客户可以向我们提供营销内容，我们大约一周内就能展示各个模型在不同语言和主题上的表现。最适合拉美西班牙语营销内容的模型，未必也最适合其他语言或敏感内容。

我们还会将风险纳入考量。风险较低的用户内容可以采用较简化的审核流程。受监管或对品牌至关重要的内容则会经过更多审核，通常还要由人工检查。随着模型表现变化，我们可以添加或移除模型，因此不会受制于单一供应商。

在什么情况下，专业翻译系统仍胜过通用大语言模型？两者又将如何融合？

当可预测性最为重要时，专业机器翻译仍然更胜一筹。对于敏感内容和某些语言，它尤其有用。大语言模型生成的文字更自然，但也可能会自信满满地编造内容。

在 Smartling，我们将两者结合使用。专业翻译模型会利用客户的术语和领域数据生成初稿。随后，大语言模型会对其进行编辑，恢复已获批准的术语，应用以往译文中的匹配内容，并改进文笔。

模型正逐渐成为整个系统中的一环。如今，提示词、数据、定制化和安全控制同样重要。

企业使用生成式人工智能处理多语言内容时，应考虑哪些主要风险？

毫无疑问，最大的风险是幻觉。我最喜欢举的例子是，有人问人工智能蘑菇有没有毒。它斩钉截铁地回答“没有”，而这个人的墓碑证明它错了。在翻译中，这种问题会表现为译文看起来无懈可击，事实却是错的；在训练数据较少的语言中，这种风险可能更高。

此外，还要考虑文化和监管背景。译文在技术上可能完全正确，却仍不适合当地市场。例如，德语和日语都要求使用英语中没有的正式程度。中国的广告规定也会限制“最好”之类的宣传用语。

一致性也是一个问题。规模化使用通用人工智能工具，可能导致术语和品牌口吻不一致。一位高管告诉我，他的公司有 30 万名员工，而多亏了通用人工智能，公司也有了 30 万种不同的声音。

此外，后果可能直接危及人身安全。如果“拉动操纵杆”这类安全指示被错译，施工现场的起重机就可能坠落。

本地化流程中的人工智能智能体是什么样的？在人工监督下，有多少环节可以实现自主运行？

人工智能智能体是本地化工作流程中的一个环节。一个模型负责翻译，另一个模型负责审校、检查是否存在幻觉、恢复已获批准的术语，并根据目标市场调整内容。随后，质量检查会决定内容能否发布、是否需要人工快速审核，还是需要全面审核。

可实现自动化的程度取决于风险。我们许多低风险的工作已经完全实现自动化，但敏感内容和受监管内容仍需要人工处理。

完全自动化并不总是目标，因为模型需要人工反馈才能改进。我们的目标是在不排除人工判断的前提下，减少人工工作量。

五年后，差距会缩小还是扩大？要让人工智能在全球范围内真正具备多语言能力，还需要什么？

两种情况都有可能。起步时表现最弱的语言正在以最快速度进步，越来越多的机构也在为在线内容较少的语言收集数据，其中包括口语数据。

但这种差距正在改变形态。人工智能可能很擅长处理某种语言，却仍会从训练数据中带入英语使用者的固有假设。

要实现真正的多语言人工智能，需要采用不同的方法。这可能意味着针对特定语言和主题定制更小的模型，而不是指望一个通用模型包办一切。这也意味着要在不同语言和领域中使用更多样化的数据；改进当前方法难以胜任的语言的分词方式；以及使用合成数据，并将模型从一种语言中学到的内容迁移到相关语言中，从而让改进不局限于数据最丰富的语言。

这项技术已经存在，但问题在于，开发这些模型的公司是否会将多语言表现列为优先事项。

感谢您接受这次精彩的采访。希望深入了解 AI 翻译、多语言质量评估以及人工监督下本地化工作流程的读者，可以访问 Smartling。