Maschinelle Übersetzung für Unternehmen

Generische vs. individualisierbare maschinelle Übersetzungssysteme

Google Translate, DeepL, Microsoft Translator, Amazon Translate und Co. sind generische maschinelle Übersetzungssysteme. Das Hauptmerkmal dieser Systeme ist, dass sie mit großen Datenmengen aus ganz unterschiedlichen Fachbereichen trainiert wurden. Dies hat zur Folge, dass die Übersetzungen zwar sehr flüssig sind, aber die Terminologie nicht zu jedem Fachbereich passt oder aufgrund fehlender Trainingsdaten in einer konkreten Domäne schlicht falsch übersetzt wird. Deswegen sind generische Systeme eher für Unternehmen geeignet, die keine hochspezialisierte Terminologie verwenden.

Individualisierte maschinelle Übersetzungssysteme hingegen werden mit den eigenen kundenspezifischen Daten trainiert, um sowohl die Terminologie als auch die individuelle Sprache des Unternehmens in den Übersetzungen zu berücksichtigen. Das Resultat sind Engines, deren Rohübersetzungen qualitativ hochwertiger sind und ein geringeres Maß an Post-Editing erfordern.

Für den Einsatz der individuellen Maschinen gibt es zwei unterschiedliche Ansätze. Manche Anbieter setzen auf eine einzige Maschine (Engine) pro Sprache, die automatisch die verschiedenen Domänen erkennt. Andere Anbieter empfehlen je eine individualisierte Maschine pro Sprache und Domäne. Bei beiden Ansätzen fließt die firmeneigene Terminologie mit in das Training der Engine ein. Denn oft werden in unterschiedlichen Domänen, zum Beispiel in Vertragstexten und der Technischen Dokumentation, für dasselbe Konzept unterschiedliche Bezeichnungen verwendet.

Die Voraussetzung für eine Individualisierung ist die sorgfältige Pflege von Translation Memorys und Terminologiedatenbanken.

Zu den Anbietern individualisierter Systeme gehören unter anderen SYSTRAN, SmartMATE, KantanMT und Omniscien.

Die Wahl des richtigen Anbieters maschineller Übersetzung

Es gibt mittlerweile über 100 Unternehmen, die maschinelle Übersetzung und verwandte Dienstleistungen rund um Sprachen anbieten.

Um einen Überblick darüber zu geben, erstellte TAUS (Translation Automation User Society) den „Machine Translation Market Report 2017“. Im Bericht (Joscelyne 2017: 27) sind die Anbieter in sechs verschiedene Kategorien unterteilt:

• Reine MÜ-Anbieter: Die Unternehmen entwickeln MÜ-Systeme, die sie als Lizenz oder als Software-as-a-Service (SaaS) verkaufen. Beispiele solcher Anbieter sind SYSTRAN, PROMT, KantanMT TextShuttle oder Omniscien.
• Unternehmenseigene MÜ-Systeme: Große Unternehmen wie SAP, IBM oder Oracle investieren vermehrt in die Entwicklung hauseigener MÜ-Systeme, die auf Open-Source-Toolkits wie OpenNMT oder Marian basieren.
• Übersetzungsdienstleister: Auch Übersetzungsdienstleister entwickeln vermehrt MÜ-Systeme. Beispiele in diesem Bereich sind RWS Moravia oder Capita Translation.
• MÜ-Reseller: Sie sind Anbieter von Übersetzungstechnologien, die zusätzlich zu den eigenen Dienstleistungen die maschinellen Übersetzungsengines von verschiedenen Anbietern weiterverkaufen. Beispiele sind Memsource, Lingotek und Lingo24.
• Verwandte Dienstleistungen: Einige Unternehmen spezialisieren sich auf die Beratung über verschiedene Systeme, die Bereitstellung von Trainingsdaten, die Schulung von Mitarbeiter*innen oder die Evaluierung von maschinellen Übersetzungen. Beispiele sind Datamundi, CrossLang und Appen. Sprachdienstleister wie blc bieten zum Beispiel kein eigenes maschinelles Übersetzungssystem an, sondern analysieren unter anderem die Unternehmenstexte, extrahieren die Terminologie, trainieren Engines verschiedener Anbieter mit personalisierten Daten, evaluieren die Ergebnisse und integrieren die maschinelle Übersetzung in den Prozess.
• Anbieter kostenloser MÜ: Online können Nutzer kostenlos Texte übersetzen lassen, um sich einen Überblick über fremdsprachliche Inhalte zu verschaffen . Beispiele sind Google Translate oder DeepL.

Sie sollten sich vor der Auswahl eines Anbieters intensiv mit verschiedenen MÜ-Engines auseinandersetzen und die Pros und Contras ausarbeiten. Seien Sie sich bewusst, dass die Einführung eines MÜ-Systems ein umfangreicher Prozess ist, bei dem häudig kein kurzfristiger Return-on-Investment gewährleistet ist. Ein guter Kooperationspartner wird Sie auf diese Tatsache aufmerksam machen und Ihnen keine unrealistischen Versprechen geben. Langfristig ist die Investition in maschinelle Übersetzung eine lohnenswerte Aufrüstung Ihres Übersetzungsprozesses. 

Die Qualität maschineller Übersetzungen

Wie auch im ersten Artikel über maschinelle Übersetzungen erklärt wurde, eignen sich stilistisch anspruchsvolle Texte nicht besonders gut für die alleinige maschinelle Übersetzung. Kurze, standardisierte Sätze eignen sich hingegen optimal für den Einsatz eines MÜ-Systems.

Einige Anbieter haben sich jedoch auf die maschinelle Übersetzung von Marketingtexten spezialisiert. Ob die bereitgestellte Qualität den eigenen Anforderungen gerecht wird, sollte das Unternehmen im Einzelfall prüfen.

Mit der Durchführung eines Pre-Editings kann die Qualität der Rohübersetzungen verbessert werden. Die because Group führte eine Untersuchung zu diesem Themenbereich durch: Ein Rezept wurde mit Google Translate vom Englischen ins Deutsche übersetzt und erzielte dabei eine Fehlerquote von 9,24 % (50 Fehler in einem Text von 542 Wörtern). Nach der Überarbeitung des Textes in Simplified Technical English reduzierte sich die Fehlerquote auf 7,43 %. In einem letzten Schritt wurde der Quelltext regelbasiert angepasst, wodurch sie eine Fehlerquote von 3,95 % erreichten.

Egal ob Sie mit einer statischen oder neuronalen maschinellen Übersetzung arbeiten, die Qualität bleibt immer hinter der humanen Übersetzung zurück. Neben Pre-Editing ist vor allem das Post-Editing ein essenzieller Bestandteil im Übersetzungsprozess. Es stellt letztendlich die Qualität der übersetzten Inhalte sicher. Beim Post-Editing werden z. B. definierte Qualitätskriterien geprüft und der Einsatz der Firmenterminologie sichergestellt.

Der Aufwand für das Post-Editing hängt naturgemäß vom Ergebnis der maschinellen Übersetzung ab. Prinzipiell ist die Qualität maschineller Übersetzungen immer nur so gut, wie die Inhalte, mit denen die Maschine trainiert wird. Eine Datenbank mit Ihrer individuellen Firmenterminologie ist dafür ebenso wichtig wie ein relevantes Volumen an Texten.

Trainingsdaten für die MÜ-Systeme

In der Informatik gibt es die bekannte Phrase „Garbage In, Garbage Out“. Dieses Konzept bewahrheitet sich auch im Bereich der maschinellen Übersetzung. Denn um eine MÜ-Engine zu individualisieren, sind große themenspezifische Korpora notwendig. Globalese, eine Plattform, auf der individualisierte Engines erstellt werden können, gibt eine Mindestgröße von 100.000 Segmenten pro Engine und Domäne an.

Es stellt sich an dieser Stelle automatisch die Frage, ob maschinelle Übersetzung nur für Unternehmen mit großen Translation Memorys geeignet ist. Jein. Der ausgewählte Kooperationspartner wird Ihnen verschiedene Möglichkeiten aufzeigen, wie Sie die benötigten Trainingsdaten beschaffen können. Aber die eigenen Translation Memorys und Terminologiedatenbanken sind für die Individualisierung unerlässlich.

Zur Zeit der aktiven Weiterentwicklung statistischer Systeme etablierte sich die Faustregel, dass ein maschinelles Übersetzungssystem besser wird, je mehr Daten eingespeist werden. Dieser Ansatz ist bei der Entwicklung neuronaler Systeme nicht mehr ganz aktuell. Zwar werden auch für neuronale maschinelle Übersetzung Unmengen an Daten benötigt (Millionen von Wörtern), gleichzeitig müssen diese auch ausreichend qualitativ hochwertig und domänenspezifisch sein.

Da die firmeneigenen Daten dafür meistens nicht ausreichen, werden für das Training die eigenen Translation Memorys mit externen domänenspezifischen Korpora, also  Datensätzen, angereichert. Die Datenquellen sind dabei unterschiedlich und allgemein in kostenlose und kostenpflichtige Korpora zu unterteilen.

• Texte des MÜ-Dienstleisters: Ihr MÜ-Anbieter verfügt in der Regel über Korpora verschiedener Domänen, die je nach Vertragsart entweder direkt zur Verfügung stehen oder separat gekauft werden können.
• Öffentlich verfügbare Korpora: Online sind kostenlose Korpora verschiedener Fachbereiche zu finden, die für das Training von maschinellen Übersetzungssystemen verwendet werden können. Auf der Website des OPUS-Projekts können Korpora, z. B. vom Europäischen Parlament oder Wikipedia, heruntergeladen werden.
• Kostenpflichtige Korpora: Es handelt sich dabei um kuratierte Datensätze verschiedener Domänen. Die wichtigste Anlaufstelle dafür ist die Data Cloud von TAUS, mit über 35 Milliarden Wörter in 600 Sprachpaaren.

Die Kosten maschineller Übersetzung

Wer der festen Überzeugung ist, dass mit maschineller Übersetzung sofort Geld gespart werden kann, den müssen wir an dieser Stelle leider enttäuschen. Ja, auf lange Sicht rentiert sich maschinelle Übersetzung für Unternehmen, die jedes Jahr Millionen von Wörtern übersetzen. Aber an erster Stelle muss Geld investiert werden. Der Anbieter des maschinellen Übersetzungssystems kostet Geld und Trainingsdaten müssen beschafft werden.

Betrachten Sie unbedingt auch die internen Ressourcen: Um maschinelle Übersetzung vollständig in Ihre Prozesse zu integrieren, sollten Sie über eine*n eigens dafür zuständige*n Projektleiter*in nachdenken. Egal für welche Form der MÜ Sie sich entscheiden, benötigen Sie personelle Ressourcen für das Post-Editing. Diese können Sie entweder intern aufbauen, oder externe Übersetzer*innen engagieren. Berücksichtigen Sie dabei, dass Post-Editing für jede Sprache separat anfällt.

Das größte Einsparpotenzial durch MÜ lässt sich dann heben, wenn diese mit humaner Übersetzung bzw. Pre- oder Post-Editing kombiniert wird. Wird sie dann noch in bestehende Technologien, wie z. B. ein Translation-Management-System, eingebunden und greift damit auf die vollständigen Datenbanken zu, ist der ROI von Maschineller Übersetzung in der Regel am schnellsten erreicht.

Es kann daher sinnvoll sein, Ihren Stammübersetzer*innen eine Schulung im Bereich Post-Editing anzubieten. Ihr Unternehmen investiert schließlich viel Geld in eine neuartige Technologie, doch ohne die richtige Expertise am Ende der Lieferkette werden die neuen Möglichkeiten nicht optimal genutzt.

Eine weitere Erfolgsvoraussetzung ist die angemessene Vergütung der freiberuflichen Übersetzer*innen. (rechte Spalte) Einer der Hauptgründe, weshalb Übersetzer*innen skeptisch gegenüber der Annahme von Post-Editing-Projekten sein können, ist eine ungenügende Bezahlung in Relation zur Qualität der Rohübersetzung.

Dies liegt daran, dass in den letzten Jahren Unternehmen vermehrt Übersetzungen mit generischen Engines erstellten, die unbearbeitet zum Post-Editing geschickt wurden. Aufgrund der hohen Fehlerquote müssen in solchen Fällen die Übersetzungen von Grund auf neu erstellt werden – zu einem Drittel des üblichen Wortpreises.

Die Zusammenarbeit mit den Übersetzer*innen

Die Einführung maschineller Übersetzung kann nur durch eine enge Zusammenarbeit mit den Übersetzer*innen bzw. Post-Editor*innen am Ende der Lieferkette erfolgreich sein. Schließlich ist beim Einsatz maschineller Übersetzung ein Post-Editing zur Qualitätssicherung der Texte notwendig. Denn obwohl mit neuronaler maschineller Übersetzung fast täglich große Qualitätsvorschritte gemacht werden, wird auf Dokumentenebene nicht die Qualität menschlicher Übersetzung erreicht.

Post-Editing ist keine Fähigkeit, die ein*e Übersetzer*in automatisch beherrscht, beziehungsweise sich über Nacht aneignen kann. Das Post-Editing erfordertschnelle Entscheidungen zu treffen und Korrekturen. Um produktiv zu arbeiten, muss ein* Übersetzer*in ca. 7.000 Wörter pro Tag post-editieren, im Vergleich zu den durchschnittlichen 2.000 Wörter pro Tag bei der „klassischen“ Fachübersetzung.

Eine offene und ehrliche Kommunikation zwischen Auftraggeber*innen und Auftragnehmer*innen ist deshalb dringend zu empfehlen. Wenn Sie wissen, dass Ihre eingesetzte Engine viele Fehler produziert, sollten Sie diese Information Ihren Dienstleister*innen zur Verfügung stellen und die Vergütung dementsprechend höher anlegen. Wenn die Engine eine niedrigere Fehlerquote produziert, kann der Wortpreis dementsprechend angepasst werden.

Da aber der Editieraufwand im Voraus nicht genau eingeschätzt werden kann, ist beim Post-Editing die Einführung eines Stundensatzes erwägenswert. In einem letzten Schritt sollte die Endübersetzung zusätzlich lektoriert werden, damit etwaige Fehler in der Endversion nicht bestehen bleiben. Das Vier-Augen-Prinzip sollte auch bei maschineller Übersetzung eingehalten werden, vor allem wenn Unternehmen Übersetzungen nach etablierten Qualitätsstandards anfertigen müssen.

Fazit: Das Potenzial voll ausschöpfen

Der Einsatz neuer Technologien und künstlicher Intelligenz birgt ein großes Potenzial zur Beschleunigung von Übersetzungsprozessen. Um den vollen Nutzen zu erreichen, sollten Sie die Einführung maschineller Übersetzung allerdings umfassend planen. Es gibt doch einige Stolpersteine, die sich mit der ausreichenden Vorbereitung aus dem Weg räumen lassen.

Egal ob Sie sich für eine statische oder neuronale maschinelle Übersetzung entscheiden, benötigen Sie eine ausreichende Menge an Trainingsdaten. Diese beeinflussen die Qualität der Übersetzung maßgeblich und wirken sich direkt auf die Durchlaufzeiten und Kosten z. B. des Post-Editings aus. Wird Ihr maschinelles Übersetzungssystem darüber hinaus an ein Translation-Management-System angebunden, schöpfen Sie das Potenzial in der Regel am besten aus. Alle in der Lieferkette angeschlossenen Personen greifen so direkt auf Ihre Datenbanken und Qualitätsprüfungs-Kriterien zu. Auch mit dem Across Language Server können Sie maschinelle Übersetzung nahtlos in Ihren Übersetzungsprozess integrieren.

Mehr ausführliche Informationen zur erfolgreichen Einführung maschineller Übersetzung in Ihrem Unternehmen, erfahren Sie in unserem White Paper.