Ein Artikel von
Neuronale maschinelle Übersetzung (NMÜ) bezeichnet die Übersetzung eines Textes oder Dokuments durch einen Computer. Die dafür notwendigen künstlichen neuronalen Netzwerke basieren auf riesigen Datenmengen und Deep Learning. Die NMT-Systeme laufen auf leistungsstarken Grafikprozessoren und erkennen selbstständig Muster im Netz, um die besten Übersetzungen zu generieren. Der genaue Prozess dahinter ist oftmals undurchsichtig (Blackbox) – selbst für die Entwickler*innen des Systems.
Bevor wir uns voll und ganz der neuronalen maschinellen Übersetzung widmen, fassen wir kurz die Entwicklung der MÜ zusammen. Vor der NMT waren nämlich die regelbasierte maschinelle Übersetzung und die statistische maschinelle Übersetzung hoch im Kurs.
Kostenlose Checkliste: Erfahren Sie, wie Sie das Potenzial maschineller Übersetzung voll ausschöpfen!
Der regelbasierte Ansatz war die klassische Methode der MÜ, die bis zur Vorstellung des statistischen Ansatzes 1988 in der Praxis die einzige Möglichkeit war, maschinell zu übersetzen. Die Sprachen wurden linguistisch auf der morphologischen, syntaktischen und lexikalischen Ebene analysiert. Im nächsten Schritt wurde vom Ausgangstext eine abstrakte Repräsentation erstellt, die nachfolgend in die Zielsprache übertragen wurde.
Diese Methode war nicht nur ungenau, denn Sprache ist von Ausnahmen, regionalen Unterschieden und Fehlern geprägt, sondern auch teuer, da eine erhebliche Manpower nötig war, um die Systeme zu trainieren.
Warren Weaver brachte die Idee der statistischen maschinellen Übersetzung schon 1949 in Umlauf, die verfügbaren Computer waren allerdings nicht gut genug und zudem standen zu wenig maschinenlesbare Texte zur Verfügung, die für statistische Analysen essenziell sind.
Erst knapp 40 Jahre später stellte der IBM-Wissenschaftler Peter Brown auf der Second TMI Conference der Carnegie Mellon University den vollständig statistischen Ansatz zur maschinellen Übersetzung vor. Statistische maschinelle Übersetzung basierte auf dem Ansatz, Übersetzungen anhand der Berechnung von Wahrscheinlichkeiten zu erstellen. Die dafür notwendigen Informationen wurden aus alignierten, parallelen Korpora extrahiert. Das heißt aus Texten, die in zwei oder mehr Sprachen zur Verfügung stehen.
Statistische maschinelle Übersetzung war kostengünstiger als der regelbasierte Ansatz, und für die Erstellung von neuen Systemen wurde zugleich auch eine kürzere Entwicklungszeit benötigt, da Grammatikregeln nicht manuell erstellt und programmiert werden mussten. Die Algorithmen, auf denen SMÜ basierten, waren meist sprachunabhängig, weswegen ein System schnell mit Daten neuer Sprachen trainiert und erweitert werden konnte.
Wer allerdings schon früh gängige Übersetzungssysteme wie Google Translate benutzt hat, weiß, dass statistische maschinelle Übersetzungen nicht das Gelbe vom Ei waren. Die produzierten Übersetzungen waren oft fehlerhaft, sowohl grammatikalisch als auch inhaltlich, und nicht flüssig genug für den routinierten, professionellen Einsatz.
Die Grundlage für neuronale maschinelle Übersetzung ist ein künstliches neuronales Netz (KNN). Dieses besteht aus vielen Neuronen, die alle jeweils nur einfache mathematische Berechnungen beherrschen. Die Mächtigkeit und Flexibilität neuronaler Netze entstehen erst durch die Verknüpfung und die Herstellung von Abhängigkeiten vieler dieser einzelnen Neuronen. In einem KNN wird ein Neuron durch eine Funktion beschrieben, welche mathematisch betrachtet eine Beziehung zwischen einer Eingabemenge und einer Ausgabemenge herstellt, wobei jedem Element der Eingabe genau ein Element der Ausgabe zugeordnet wird.
Ein neuronales Netz besteht aus verschiedenen Neuronen, die miteinander in Schichten (Englisch: Layer) verbunden werden. Zusätzlich gibt es zwei weitere Schichten, die so genannte Eingabe- und Ausgabeschicht, die die Kommunikationsschnittstelle zwischen Mensch und Netzwerk herstellen. Zwischen diesen beiden Schichten kann es eine beliebige Anzahl weiterer Schichten geben, deren Anzahl und Komplexität je nach Aufgabenfeld frei gewählt werden können. Ein funktionierendes künstliches neuronales Netz entsteht nun, wenn alle Neuronen jeweils benachbarter Schichten miteinander verbunden werden.
Die Grundlage für neuronale maschinelle Übersetzung ist ein künstliches neuronales Netz (KNN). Dieses besteht aus vielen Neuronen, die alle jeweils nur einfache mathematische Berechnungen beherrschen. Die Mächtigkeit und Flexibilität neuronaler Netze entstehen erst durch die Verknüpfung und die Herstellung von Abhängigkeiten vieler dieser einzelnen Neuronen. In einem KNN wird ein Neuron durch eine Funktion beschrieben, welche mathematisch betrachtet eine Beziehung zwischen einer Eingabemenge und einer Ausgabemenge herstellt, wobei jedem Element der Eingabe genau ein Element der Ausgabe zugeordnet wird.
Ein neuronales Netz besteht aus verschiedenen Neuronen, die miteinander in Schichten (Englisch: Layer) verbunden werden. Zusätzlich gibt es zwei weitere Schichten, die so genannte Eingabe- und Ausgabeschicht, die die Kommunikationsschnittstelle zwischen Mensch und Netzwerk herstellen. Zwischen diesen beiden Schichten kann es eine beliebige Anzahl weiterer Schichten geben, deren Anzahl und Komplexität je nach Aufgabenfeld frei gewählt werden können. Ein funktionierendes künstliches neuronales Netz entsteht nun, wenn alle Neuronen jeweils benachbarter Schichten miteinander verbunden werden.
Zu Beginn der Lernphase des KNN werden die Gewichtungen zunächst zufällig gewählt. Für jede Eingabe generiert das Netzwerk nun auch eine Ausgabe. Die Eingabe kann zum Beispiel ein zu übersetzendes Wort oder Satz sein. Die Ausgabe sollte im optimalen Fall die richtige Übersetzung sein. Die Ausgabe des Netzwerkes wird mit einer korrekten Humanübersetzung verglichen. Ist das Ergebnis richtig, müssen keine Änderungen an den Gewichtungen vorgenommen werden. Bei einer falschen Übersetzung ändert das Netzwerk selbstständig die Gewichtungen zwischen den Neuronen, sodass das Ergebnis näher an dem Gewünschten liegt. Das heißt: Die Gewichtungen werden optimiert. Da das künstliche neuronalen Netz nur über solche Vergleiche lernen kann, werden viele Beispiele benötigt. Des Weiteren lernt das Netzwerk nur so zu übersetzen, wie es die Ein- und Ausgaben vorgeben. Dies bedeutet, dass falsche Übersetzungen vom künstlichen neuronalen Netz angelernt werden.
Diese Abbildung zeigt ein neuronales Netz, bestehend aus einer Ein- und Ausgabeschicht, sowie zwei weitere Zwischenschichten. Jedes Neuron einer Schicht wird mit jedem Neuron der benachbarten Schichten verbunden. Die Verbindungen tragen Werte, die die entsprechende Gewichtung w1, w2,..., w21 der Neuronen beschreibt.
Des Weiteren lernt das Netzwerk nur so zu übersetzen, wie es die Ein- und Ausgaben vorgeben. Dies bedeutet, dass falsche Übersetzungen vom künstlichen neuronalen Netz angelernt werden.
Wird ein künstliches neuronales Netz für Sprache benutzt, stellt sich zunächst die Hürde, wie Wörter in Zahlen umgerechnet werden können, da neuronale Netze nur Zahlen berechnen können. Eine oft benutzte Lösung für das Problem ist das so genannte „Word-Embedding“, bei der jedes Wort einem eindeutigen Vektor im multidimensionalen Vektorraum zugeteilt wird. Das Netzwerk optimiert die Positionen der Wörter, sodass semantisch ähnliche Wörter auch im Vektorraum nah beieinanderliegen. Beispielsweise sollten Wörter wie Baum und Blatt näher beieinanderliegen als Baum und Fahrrad.
Weitere Artikel, die Sie interessieren könnten:
Erweitert man dieses Prinzip auf ganze Sätze, so kann die Eingabe als Vektorsequenz gespeichert werden. Dieser Prozess wird auch „Encoding“ genannt. Mittels eines „Decoders“ kann diese Sequenz wieder in eine Sprache übersetzt werden. Dabei wird sowohl für jede Eingabesprache ein eigenes Encoder-Netzwerk benötigt, als auch für jede Sprache, in die übersetzt werden soll.
Ein großer Vorteil der Encoder-Decoder-Architektur ist, dass man nicht für jede Sprachkombination ein neues Netz anlernen muss. Der Encoder übersetzt die Eingaben in eine nur für das Netz verständliche Anordnung von Vektoren. Diese Vektoren sind von allen angelernten Decodern benutzbar, unabhängig von der Ausgangssprache. Ein Nachteil der künstlichen Netze ist, dass das Netz trainiert wird, die höchstwahrscheinliche Übersetzung auf Basis der Vergleichsdaten zu finden. Wird das Netz mit Eingaben konfrontiert, auf die es nicht trainiert wurde, kann es zu erheblichen Fehlern in der Übersetzung kommen. Beispiele hierfür sind Sprichwörter, Metaphern, Komposita und Wortneubildungen.
Nach diesem Exkurs in die Funktionsweise eines neuronalen Netzwerkes kommen wir wieder zum praktischen Einsatz von neuronaler maschineller Übersetzung.
Eine wichtige Entscheidung vor dem Einsatz von neuronaler maschineller Übersetzung ist die Frage, ob ein generisches oder ein individualisierbares System verwendet werden soll. Kurz gesagt sind generische Übersetzungssysteme die, an die man als erstes denkt: Google Translate, DeepL, Microsoft Translator, Amazon Translate usw. Diese Systeme werden mit riesigen Datenmengen (alignierte, parallele Korpora) aus verschiedenen Fachbereichen (Domänen) trainiert. Die daraus resultierenden Übersetzungen sind flüssig und in der Regel auch gut, allerdings sind sie für die Übersetzung von sehr spezifischen (Fach-)Texten nur begrenzt geeignet.
Individualisierbare Übersetzungssysteme werden im Gegensatz dazu mit kundenspezifischen Daten trainiert, wodurch sie die individuelle Firmensprache und -terminologie berücksichtigen können und somit genauere Übersetzungen liefern. Das Ergebnis sind bessere Rohübersetzungen, die weniger Post-Editing benötigen. Wie viele Trainingsdaten für eine individualisierte Engine notwendig sind, hängt vom Anbieter ab. In der Regel wird die individualisierte Engine zuerst mit generischen und domänenspezifischen Texten trainiert und anschließend mit internen Texten „angereichert“. Die Voraussetzung für eine Individualisierung ist in jedem Fall die sorgfältige Pflege von Translation Memorys und Terminologiedatenbanken.
Zu den führenden Anbietern individualisierter Systeme gehören unter anderen SYSTRAN, Textshuttle, SmartMATE, KantanMT und Omniscien. Auch DeepL kann in dieser Kategorie bedingt miteinbezogen werden, da in deren Online-Übersetzungsoberfläche mit der Premium-Version die Möglichkeit besteht, eigene Glossare anzulegen. Wenn diese Funktion aktiviert ist, wird die gespeicherte Terminologie der Engine „aufgezwungen“. Wenn das Glossar richtig angelegt ist, sind die Ergebnisse definitiv besser.
Allerdings ist hier Vorsicht geboten: Beim Starter-Paket können Sie nur ein Glossar anlegen. Je nach Textsorte passt die gespeicherte Terminologie also nicht zwingend. Um mehrere Glossare anzulegen, müssen Sie das Advanced-Paket buchen. Dieses hat auch den Vorteil, dass Sie DeepL per API an Ihr Translation-Management-System anbinden können. Die Glossarfunktion ist allerdings nur in der Browser-Version verfügbar.
Mehr Informationen zu generischen und individualisierbaren Übersetzungssystemen, der Wahl des richtigen Anbieters maschineller Übersetzung, der Qualität der MÜ, den Trainingsdaten für MÜ-Systeme, den Kosten von MÜ und die Zusammenarbeit mit den Übersetzer*innen finden Sie in unserem ausführlichen Artikel „Maschinelle Übersetzung für Unternehmen“. Wenn Sie Übersetzer*in sind und mehr über MÜ aus der Übersetzerperspektive erfahren möchten, lesen Sie den Artikel „Maschinelle Übersetzung für Übersetzer“.
Eine wichtige Entscheidung vor dem Einsatz von neuronaler maschineller Übersetzung ist die Frage, ob ein generisches oder ein individualisierbares System verwendet werden soll.
Vorteile generischer Übersetzungssysteme
Nachteile generischer Übersetzungssysteme
Vorteile individualisierter Übersetzungssysteme
Nachteile individualisierter Übersetzungssysteme
Wenn Sie kurz eine E-Mail vom Deutschen ins Englische maschinell übersetzen wollen, werden Sie höchstwahrscheinlich auf die Website Ihres Lieblingsanbieters gehen und den Text direkt einfügen und anschließend in Ihr E-Mail-Programm kopieren.
Die Vorgehensweise in diesem Fall ist absolut legitim (wobei Sie immer die Datenschutzbestimmungen des Anbieters und die Datenschutzrichtlinien Ihres Unternehmens im Auge behalten müssen). Für den professionellen, aber massenhaften Einsatz von MÜ ist dieser Weg weder aus Zeitgründen noch aus Sicherheits- und Qualitätsgründen empfehlenswert.
Um das Potenzial von neuronaler maschineller Übersetzung voll auszuschöpfen, sollten Sie Ihr ausgewähltes NMÜ-System per API an Ihr Translation-Management-System anbinden. Wenn Sie das machen, profitieren Sie von den zusätzlichen Funktionen des TMS: das Translation Memory, die Terminologiedatenbank und die Qualitätssicherung. Diese Komponenten gewährleisten, dass Ihre Übersetzungen einheitlich sind und dass Ihre Firmenterminologie benutzt wird.
Je nach Größe Ihres Translation Memorys ist es nicht sinnvoll, den kompletten Text maschinell zu übersetzen, da Sie ja bereits über Humanübersetzungen verfügen. Egal wie gut das eingesetzte Übersetzungssystem ist, sind diese meist besser als maschinelle Übersetzungen. Sie können deshalb im TMS einstellen, ab wann das NMÜ-System greifen soll: Zum Beispiel nur bei Segmenten, für die keine Fuzzy-Matches über 70 % hinterlegt sind. Diesen Wert können Sie individuell festlegen.
Außerdem werden alle neuen Segmente im Translation Memory gespeichert. Das heißt, dass bei der nächsten Wiederholung die maschinelle Übersetzung nicht mehr greift und das System automatisch das bereits post-editierte Segment übernimmt. Das spart nicht nur Zeit, sondern auch Geld!
Zuletzt ist es auch von Vorteil, das Post-Editing innerhalb einer TMS-Umgebung durchzuführen. Die Post-Editor*innen brauchen die Terminologiedatenbank und das Modul zur Qualitätssicherung, um genau und effizient arbeiten zu können.
In unserem Artikel „Post-Editing – Höhere Qualität für maschinelle Übersetzung“ finden Sie mehr Informationen zum Thema Post-Editing. Zudem erfahren Sie, welches die typischen Fehler von maschinellen Übersetzungssystemen sind und was die Unterschiede zwischen Light- und Full-Post-Editing sind.
Wenn Sie sich näher für das Thema maschinelle Übersetzung interessieren, empfehlen wir Ihnen auch unser White Paper „Die Einführung von maschineller Übersetzung“ oder als konkrete Hilfestellung für den Einführungsprozess die neue Checkliste „So wird maschinelle Übersetzung zum Erfolg“.
Kennen Sie schon unsere Webinare? Experten zeigen, wie Sie maschinelle Übersetzungssysteme und Across ideal kombinieren.