Ktorý AI prekladač je dnes najlepší? Odpoveď vás možno prekvapí

Umelá inteligencia za posledné roky zásadne zmenila svet prekladov. Ešte donedávna sa väčšina používateľov spoliehala na klasické neurónové prekladače ako Google Translate, DeepL alebo Microsoft Translator. Dnes sa čoraz viac diskutuje o veľkých jazykových modeloch (LLM) ako ChatGPT, Gemini či Claude, ktoré dokážu nielen prekladať, ale aj sumarizovať texty, analyzovať dokumenty, generovať obsah alebo programovať.

Mnohí preto automaticky predpokladajú, že najnovšie AI modely musia prinášať aj najlepšie preklady. Realita je však podstatne zaujímavejšia.

Otázka totiž nemusí znieť:

Ktorý prekladač je najlepší?

Ale skôr:

Je dôležitejší samotný prekladač alebo spôsob, akým je prispôsobený konkrétnej terminológii, odvetviu a používateľovi?

Od klasických prekladačov k umelej inteligencii

Vývoj strojového prekladu prešiel za posledné desaťročia niekoľkými významnými etapami.

Prvé systémy boli založené na lingvistických pravidlách. Neskôr ich nahradili štatistické modely využívajúce rozsiahle dvojjazyčné korpusy. Dnes trhu dominujú neurónové modely strojového prekladu (NMT), na ktorých fungujú napríklad Google Translate, DeepL alebo Microsoft Translator.

Najnovším trendom sú veľké jazykové modely (LLM), ktoré dokážu pracovať s výrazne širším kontextom a vykonávať množstvo úloh ďaleko presahujúcich samotný preklad.

Napriek všetkým technologickým pokrokom však prekvapivo pretrváva jeden problém – odborná terminológia a jej konzistentnosť. A práve terminológia často rozhoduje o tom, či je preklad použiteľný v profesionálnom prostredí alebo nie.

NMT alebo LLM? Nie je to také jednoduché

Veľké jazykové modely dnes dokážu podstatne viac než klasické prekladové systémy. Môžu vysvetľovať text, odpovedať na otázky, vytvárať marketingové materiály, analyzovať dáta či navrhovať programový kód. Táto univerzálnosť však prináša aj určitú daň.

Klasické neurónové prekladače boli vyvíjané predovšetkým na preklad. Veľké jazykové modely riešia desiatky rôznych úloh súčasne. Pri preklade preto niekedy uprednostňujú prirodzenosť a plynulosť pred presnosťou. V praxi sa z toho dôvodu môžeme stretnúť so situáciami, keď LLM vytvorí veľmi prirodzene znejúci preklad, ale zároveň doplní informáciu, ktorá sa v pôvodnom texte vôbec nenachádzala alebo ju, naopak, vynechá. Tento jav sa v oblasti umelej inteligencie označuje ako halucinácia.

Práve preto mnohé organizácie pri odborných a firemných textoch naďalej využívajú tradičné prekladové systémy vybavené terminologickými databázami, glosármi a vlastnými jazykovými zdrojmi.

Generický prekladač verzus prispôsobený (customizovaný) model

Väčšina používateľov pracuje s generickými modelmi. Ide o systémy trénované na obrovskom množstve textov z rôznych oblastí. Ich úlohou je poskytnúť čo najlepší preklad pre čo najširšie spektrum používateľov. Takéto riešenie funguje veľmi dobre pri bežných textoch.

Problémy však vznikajú v momente, keď text obsahuje:

• odbornú terminológiu,
• firemné názvoslovie,
• právne pojmy,
• technickú dokumentáciu,
• medicínske termíny,
• kultúrne špecifické referencie.

V takýchto prípadoch vstupujú do hry prispôsobené modely strojového prekladu.

Prispôsobenie môže mať rôzne podoby:

• terminologický glosár,
• doménová adaptácia (podľa oblasti),
• klientska adaptácia,
• fine-tuning (vyladenie) modelu,
• kombinácia prekladových pamätí a AI.

Cieľ je zabezpečiť, aby systém používal terminológiu konzistentne a spôsobom, ktorý zodpovedá potrebám konkrétneho odvetvia alebo organizácie.

Čo ukázal slovenský výskum

Zaujímavé poznatky priniesol univerzitný výskum Bc. Sofie Tileschovej, študentky FF UKF Nitra, pod vedením PhDr. Ľuboša Töröka, PhD. a s odbornou spoluprácou Mgr. Jakuba Absolona, PhD. Cieľom bolo porovnať kvalitu generických a terminologicky prispôsobených systémov strojového prekladu, pričom boli analyzované tieto:

• Google Translate,
• DeepL Translator,
• Microsoft Translator,
• DeepL Translator s implementovaným glosárom,
• Microsoft Custom Translator.

Experiment bol realizovaný na vzorke prekladov zo španielčiny do slovenčiny. Dôležité však nie je samotné odvetvie cestovného ruchu. Zaujímavý je predovšetkým vplyv terminologickej customizácie na kvalitu prekladu.

Hoci každá doména má svoje špecifiká, možno predpokladať, že podobné trendy by sa prejavili aj v technickom, právnom, medicínskom, automobilovom alebo finančnom preklade, kde zohráva terminológia ešte významnejšiu úlohu.

Rozdiely medzi systémami boli výraznejšie, než by sme očakávali

Pri hodnotení kvality prekladu pomocou metodiky MQM boli identifikované nasledujúce počty chýb:

Najlepší výsledok dosiahol DeepL Translator s implementovaným terminologickým glosárom. V porovnaní s generickou verziou DeepL sa počet identifikovaných chýb znížil o 62,5 %. Microsoft Custom Translator dosiahol zlepšenie o 43,59 % oproti štandardnej verzii Microsoft Translator.

Zaujímavé pritom je, že tieto výsledky neboli dosiahnuté rozsiahlym tréningom nových modelov ani budovaním gigantických dátových súborov. Významnú úlohu zohralo už samotné terminologické prispôsobenie systému.

Prečo sa po pridaní glosára zlepšujú aj slová, ktoré v glosári vôbec nie sú?

Práve tu sa dostávame k jednému z najzaujímavejších zistení.

Mnohí používatelia predpokladajú, že terminologický glosár ovplyvní iba tie výrazy, ktoré sú v ňom explicitne uvedené. Ak napríklad pridáme termín „engine control unit = riadiaca jednotka motora“, očakávali by sme zmenu iba pri tomto konkrétnom výraze.

Moderné neurónové systémy však fungujú inak.

Súčasné AI prekladače neprekladajú text slovo po slove. Namiesto toho generujú celú vetu ako jeden významový celok. Ak je model nútený použiť určitý terminologický ekvivalent, často prehodnotí aj okolité časti vety. Výsledkom môže byť nielen správnejšia terminológia, ale aj lepší slovosled, vhodnejšie kolokácie či prirodzenejšia formulácia.

Vyzerá to tak, že terminológia funguje ako silný signál domény.

Ak systém zistí, že text obsahuje výrazy typické pre automobilový priemysel, medicínu, právo alebo cestovný ruch, dokáže lepšie odhadnúť význam ďalších slov a viet, ktoré sa v glosári vôbec nenachádzajú.

Inými slovami, glosár nepomáha iba preložiť konkrétny termín. Pomáha systému pochopiť, o čom text vlastne je.

Práve to môže vysvetľovať, prečo terminologicky prispôsobené modely nevykazujú zlepšenie iba v oblasti terminológie, ale aj v kategóriách významovej presnosti, kultúrnej primeranosti a celkovej kvality prekladu.

Z pohľadu firiem je to mimoriadne dôležité zistenie. Ukazuje sa totiž, že aj relatívne malý a dobre pripravený glosár môže mať výrazný vplyv na kvalitu celého prekladového procesu, nielen na preklad niekoľkých desiatok alebo stoviek termínov.

Ako môžu firmy profitovať z prispôsobenia prekladača?

Mnohé organizácie dnes investujú veľké prostriedky do výberu správneho AI nástroja.

Výsledky výskumu však naznačujú, že ešte dôležitejšie môže byť niečo iné. Nie je rozhodujúce len to, ktorý prekladač používate. Rovnako dôležité je, ako dobre pozná jazyk vašej firmy.

Ak systém správne rozumie vašej terminológii, produktom, službám a interným názvom, môže prinášať výrazne kvalitnejšie výsledky než generický model, ktorý pracuje s rovnakou technológiou, ale bez znalosti konkrétneho prostredia.

Práve preto dnes rastie význam:

• terminologických databáz,
• firemných glosárov,
• prekladových pamätí,
• vlastných AI modelov,
• jazykových automatizácií prispôsobených konkrétnym klientom.

Takéto riešenia už dnes nie sú výsadou veľkých technologických spoločností. V praxi si môžu firmy nechať vytvoriť vlastné AI prekladače prispôsobené ich terminológii, produktom, službám alebo interným dokumentom. Na trhu sa objavujú aj špecializované riešenia zamerané na konkrétne oblasti, napríklad právny preklad, technickú dokumentáciu alebo firemnú komunikáciu. Spoločnosť ASAP Multilingual Automation napríklad vyvíja vlastné AI prekladače a jazykové automatizácie na mieru vrátane terminologicky prispôsobených riešení pre právny, technický či odborný preklad.

Budúcnosť patrí kombinácii AI a terminológie

Súboj medzi NMT a LLM pravdepodobne nebude mať jedného víťaza.

Moderné prekladové riešenia budú čoraz častejšie kombinovať:

• neurónový strojový preklad,
• veľké jazykové modely,
• terminologické databázy,
• prekladové pamäte,
• klientsku a doménovú customizáciu.

Výskum ukazuje, že aj v ére umelej inteligencie zostáva terminológia jedným z najdôležitejších faktorov kvality prekladu. Výsledky zároveň naznačujú, že budúcnosť nemusí patriť jednému univerzálnemu prekladaču, ale skôr inteligentným riešeniam prispôsobeným konkrétnym firmám, odvetviam a používateľom.

Možno preto budúcnosť profesionálneho prekladu nebude patriť systému, ktorý dokáže najviac vecí. Môže patriť systému, ktorý najlepšie pozná jazyk svojho používateľa, firmu či odvetvie, v ktorom pôsobí. V mnohých prípadoch totiž nie je najväčším problémom prekladu plynulosť textu, ale konzistentnosť, presnosť a schopnosť nepovedať viac, ale ani menej než obsahuje pôvodný text.

Chcete si vyskúšať AI prekladač pre právne texty alebo vytvoriť vlastný prekladač na mieru?

vyskúšam právny prekladač

ASAP Multilingual Automation vyvíja terminologicky prispôsobené AI prekladače pre firmy, organizácie a odborné odvetvia.