Welche Arten von maschineller Übersetzung gibt es?

Maschinelle Übersetzung (MT) bezeichnet die automatische Übersetzung von Texten aus einer Sprache in eine andere Sprache durch ein Computerprogramm. Dabei gibt es verschiedene Arten von maschineller Übersetzung, die sich in ihrer Funktionsweise unterscheiden.

Wortwörtliche Übersetzung

Die einfachste und älteste Variante ist die direkte Methode, bei der wortwörtlich übersetzt wird und das Ergebnis im Nachhinein entsprechend dem sprachlichen Regelsystem korrigiert wird. Diese Methode ist jedoch sehr fehleranfällig und mittlerweile veraltet.

Phrasenbasierte Übersetzung

Beispielbasierte maschinelle Übersetzer arbeiten mit einem Übersetzungsspeicher, in welchem ganze Phrasen abgelegt sind. Diese Phrasen können dann gemeinsam mit ihrer Entsprechung abgerufen werden, statt sie Wort für Wort zu übersetzen.

Transfer und Satzbasierte Übersetzung

Für die statistische maschinelle Übersetzung wird dem Programm erst ein Textkorpus aus Ausgangs- und Zielsprache zur Verfügung gestellt, das es vergleichen kann und woraus es Übertragungsregeln ableitet. Je häufiger Wörter und Phrasen in beiden Sprachen einander zugeordnet werden, desto eher werden sie auch so übersetzt.

Die Transfer-Methode ist die klassische MÜ-Methode mit drei Schritten: Analyse, Transfer, Generierung. Zunächst wird die grammatische Struktur des Quelltextes analysiert, oft in einer Baumstruktur. Danach werden die Strukturen in die Zielsprache übertragen (=transferiert). Schließlich werden in der Zielsprache aus den Strukturen mit grammatischen Regeln wiederum Sätze erzeugt und so der Zieltext erzeugt (=generiert).
Seit dem Jahr 2016 werden für Übersetzungsprogramme zunehmend künstliche neuronale Netze, d. h. künstliche Intelligenzen eingesetzt, wodurch der Fortschritt rasant zunahm. Beispiele sind DeepL, Google Übersetzer, Yandex.Translate sowie der Bing Translator, die fortan deutlich bessere Ergebnisse erzielten.

KI-basierte Übersetzungstools basieren auf Deep Learning. Anstatt direkte Wort-für-Wort-Übersetzungen zu erstellen, stützen sie sich auf umfassende Datenbanken, suchen nach Sprachmustern und führen tiefreichende Vergleiche durch, um bessere und zuverlässigere Übersetzungen bereitzustellen.

Die künstliche Intelligenz definiert den Sprachlernsektor und die Übersetzungsbranche komplett neu. Neuronale maschinelle Übersetzungen haben sich als eine große Verbesserung gegenüber der regelbasierten Übersetzungstechnologie erwiesen, da sie in der Lage sind, Nuancen und komplexe Sprachkonstrukte wie Redewendungen, Ausdrücke und Metaphern zu verstehen. Dies führt zu fast menschenähnlichen Übersetzungen, insbesondere wenn sie mit generativen KI-Plattformen gepaart werden.

Wie gut ist die Qualität der maschinellen Übersetzung?

Die Qualität und Bewertung der maschinellen Übersetzungen ist der zentrale Aspekt für Unternehmen. Bisher werden verschiedene mathematische Algorithmen wie der Bleu-Score verwendet, die die Ähnlichkeit der automatischen Übersetzung mit einer menschlichen Referenzübersetzung messen. Diese mathematischen Metriken korrelieren gut mit menschlichen Bewertungen und eignen sich insbesondere bei der Bewertung umfangreicher Textdokumente mit mehreren Tausend Sätzen.

Allerdings erhöht erst die menschliche Bewertung der Übersetzungsqualität von relevanten Stakeholdern, die Akzeptanz der Übersetzungsqualität im Unternehmen und ist immer sinnvoll bei eigens für das Unternehmen trainierten maschinellen Übersetzungsmodellen.

Welche Rolle spielt künstliche Intelligenz bei der maschinellen Übersetzung?

Künstliche Intelligenz (KI) spielt eine wichtige Rolle bei der maschinellen Übersetzung von Texten. Insbesondere die neuronale maschinelle Übersetzung (NMT) hat sich als zuverlässige Übersetzungslösung etabliert. KI-gestützte Übersetzungen entlasten menschliche Übersetzer, da sie auf riesige Datensätze zugreifen und relevante Daten unglaublich schnell verarbeiten können.

Und KI-gestützte Übersetzungen werden immer besser – gerade durch speziell auf das Unternehmen trainierte Modelle.
Es treten aber in einem gewissen Umfang immer noch Änderungswünsche und sprachliche Neuerungen auf, sodass die Überarbeitung und das Proofreading weiterhin erforderlich bleibt. Diese Änderungen können bei Translate über das kontinuierliche Training der Übersetzungs-KI in das Modell übernommen werden. So bleibt der ad-hoc Eingriff in Übersetzungen bestehen, während die Komplexität übervoller Glossare vermieden wird.

Unabhängig davon, in welchem Sektor maschinelle Übersetzung eingesetzt wir, müssen Unternehmen mit dieser Technologie bei der Berechnung der Vorlaufzeit nicht mehr nach erfahrenen Übersetzern suchen. Projekte – wie Website-Relaunch oder internationale Rollouts können viel schneller durchgeführt werden, während Projektmeilensteine und -fristen sich viel leichter einhalten lassen.

Wie können maschinelle Übersetzungen verbessert werden?

Maschinelle Übersetzungen sind heutzutage weit verbreitet und können Unternehmen helfen, große Mengen an Dokumenten, Audio- und Videomaterial schnell zu verarbeiten. Es gibt jedoch einige Faktoren, die die Qualität der maschinellen Übersetzung beeinflussen können.

1. Sprachenpaar (bsp. Deutsch – Englisch) – einige Sprachen sind leichter zu übersetzen als andere.
2. Domain der Wörter – generische Übersetzungsmodelle kenne nicht die Fachbegriffe und Produkte in speziellen Branchen und B2B-Sektoren.
3. Kontext – komplexe Sprachkonstrukte wie Redewendungen und Jargon und Sprachwitze kann von maschinellen Übersetzern nur schwer umgesetzt werden.

Um die Qualität der maschinellen Übersetzung zu verbessern, gibt es Möglichkeiten, wie eine effektive Terminologieverwaltung.
Glossare können erstellt werden, um neue, relevante Begriffe aufzunehmen und veraltete Terminologie auszumustern.

Eine weitere Möglichkeit ist die Anpassung und das Training der maschinellen Übersetzungs-Engines.
Dabei hängt die Qualität der maschinellen Übersetzung stark davon ab, wie die Modelle trainiert werden.

Beide Methoden können dazu beitragen, die Qualität der maschinellen Übersetzung zu verbessern und den Bedarf an Nachbearbeitung zu verringern.

Bei Translate verbinden wir beide Glossare mit trainierten Modellen und leeren die Glossare regelmäßig, indem wir Sie als Grundlage für das erneute Training der Sprachmodelle nutzen. Diese Technologien, zusammen mit Stop-Words (Wortentsprechungen, die in jeder Sprache gleich sind – wie bspw. Produktnamen), liefern das bestmögliche Ergebnis an maschineller Übersetzung.

Insgesamt hat die maschinelle Übersetzung mehrere Iterationen und technologische Veränderungen durchlaufen, wodurch sich auch die Qualität der maschinellen Übersetzung drastisch verbessert hat.

Unternehmen können von der maschinellen Übersetzung profitieren und Ihre internen Content- und Übersetzungsprozesse verschlanken, um die Time-to-Market für weltweite Contentkampagnen und Produktlaunches deutlich zu verkürzen

Alexander Stahlkopf

Alex loves Marketing, UX and bringing ideas into life.
After experiences as musician, publisher, manager and concepter - building music education and web-agency locations and then growing his independent IT-consulting company for 8 years - he combines these to follow his vision: "Make work-life easier and more fun."
He likes board sports and traveling with his camper.

mehr erfahren