تحول هوش مصنوعی در ترجمه و چالش‌های جدید آن

تحولات هوش مصنوعی به‌ویژه در زمینه‌ی ترجمه، رویکردهای سازمان‌ها به محتوای چندزبانه را دگرگون کرده است. با ظهور مدل‌های زبانی بزرگ (LLM)، امکان ترجمه‌ی سریع‌تر و در مقیاس وسیع‌تر فراهم شده است. اما در این میان، سوالات جدیدی مطرح می‌شود: آیا این مدل‌ها تنها جایگزین ترجمه‌ی ماشینی سنتی (MT) هستند یا نیاز به استراتژی‌های جدیدی دارند تا کیفیت و ثبات ترجمه در زبان‌ها و بازارهای جهانی تضمین شود؟

مهم‌ترین نکته در ترجمه‌ی سازمانی این است که صرفاً انتخاب مدل مناسب کافی نیست. برنامه‌های محلی‌سازی تولید، بر اساس سال‌ها دانش زبانی، شامل حافظه‌های ترجمه، پایگاه‌های اصطلاحات، راهنماهای سبک و فرآیندهای تضمین کیفیت شکل می‌گیرند. بنابراین، ارزیابی ترجمه‌ی هوش مصنوعی بدون در نظر گرفتن این دارایی‌ها، تنها بخشی از واقعیت را نشان می‌دهد.

برای درک بهتر عملکرد سیستم‌های ترجمه‌ی هوش مصنوعی در محیط‌های تولید واقعی، محققان Welocalize یک بنچمارک با بیش از ۱۱۰,۰۰۰ بخش ترجمه در ده زبان مختلف انجام دادند. این تحقیق به مقایسه‌ی رویکردهای مختلف مبتنی بر LLM و موتورهای ترجمه‌ی عصبی پرداخته و تأثیر دارایی‌های تولید و استراتژی‌های پیش‌ترجمه را بررسی کرده است. یافته‌ها نشان می‌دهد که دستیابی به کیفیت بالای چندزبانه به انتخاب مدل زبانی محدود نمی‌شود و اکوسیستم پیرامونی سازمانی نقش تعیین‌کننده‌ای در کیفیت ترجمه دارد.

یکی از نتایج کلیدی این تحقیق به پیش‌ترجمه مربوط می‌شود. در حالی که تصور می‌شود ارائه‌ی پیش‌نویس‌های ترجمه‌شده به LLM کیفیت نهایی را بهبود می‌بخشد، نتایج نشان داد که این فرضیه به سادگی درست نیست. زمانی که LLM به ترجمه‌های ماشینی عمومی اتکا داشت، عملکرد کلی کاهش یافت. اما در مقابل، استفاده از پیش‌ترجمه‌های با کیفیت تولیدی، بهبود قابل توجهی در کیفیت ترجمه به همراه داشت.

این یافته‌ها بر اهمیت حفظ و بهره‌برداری از دارایی‌های محلی‌سازی موجود تأکید می‌کند. سازمان‌ها باید به این نکته توجه کنند که مدل‌های زبانی قوی، بدون اطلاعات تاریخی و دارایی‌های زبانی، نمی‌توانند به درستی نیازهای خاص هر سازمان را برآورده کنند.

در نهایت، این تحقیق نشان می‌دهد که ارزیابی ترجمه‌ی هوش مصنوعی باید به‌صورت زبان به زبان انجام شود، زیرا عملکرد در زبان‌های مختلف می‌تواند تفاوت‌های قابل توجهی داشته باشد. بنابراین، برای سازمان‌های جهانی، ارزیابی جامع و دقیق در تمام زبان‌ها ضروری است.

این برای مخاطبِ حرفه‌ای یعنی چه؟ مترجمان و زبان‌شناسان باید به این نکته توجه کنند که انتخاب یک مدل زبانی قوی کافی نیست و برای دستیابی به کیفیت مطلوب، نیاز به ترکیب آن با دارایی‌های زبانی و فرآیندهای موجود دارند. همچنین، ارزیابی‌های دقیق و مستمر در زمینه‌ی زبان‌های مختلف می‌تواند به بهبود کیفیت ترجمه کمک کند.