Интеграция Trados'а и ИИМногие переводческие компании в своей работе опираются на технологии Trados'а. В свое время он произвел настоящую революцию на переводческом рынке и до сих пор не утратил своей полезности и актуальности.
Технология ТМ обеспечивает единство перевода новых текстов, содержащих «старые» куски, позволяет экономить средства заказчиков и время переводчиков, а также нередко используется в качестве справочной базы по терминологии.
🎯Некоторое время назад переводческую среду начал покорять машинный перевод. Какое-то время он топтался где-то на пороге, так как был слаб
, коряв, и близкое знакомство с ним в переводческих компаниях считалось моветоном. Но затем технология МП совершила качественный скачок
, расцвела и стала желанной технологией, применяемой в переводческом бизнесе. Компании стали покорять клиентов терминами «датасеты», «кастомные движки» и обещаниями быстро и качественно перевести что угодно за минимальное время. Так было до того момента, пока российский (и не только) переводческий рынок не заполонили тексты на чинглише. Они-то и показали полную беспомощность МП и в значительной степени обесценили усилия тех, кто вложился в обучение кастомных моделей
.
Следующей технологией, завоевавшей пристальное внимание, стали трансформеры — нейронные языковые модели (ака ИИ). Кто-то увидел в них панацею для решения всех проблем и сложностей, кто-то окрестил «гладким бредогенератором». Мы же посчитали их еще одним полезным инструментом, который нужно научиться правильно использовать в своей работе.
Возник вопрос: можно ли, воспользовавшись сильными сторонами каждой из технологий, объединить их в некий полезный в нашей работе комплекс?
Trados умеет работать со множеством входных форматов, раскладывать тексты на сегменты, формировать ТМ. МП позволяет быстро выполнять предварительные переводы текстов, особенно качественно выполняя их при условии подключения глоссариев.ИИ же способен посмотреть на контекст в целом, «осознать» его и предложить такие варианты перевода, на которые МП не способен в силу своих технологических ограничений. 
Так определились три составляющие нашего подхода: сегментация + глоссарий + контекст. Обладая достаточно большим опыт разработки собственных приложений, мы поставили перед собой задачу:
создать софт, который позволял бы взять файлы sdlxliff (или целые проектные пакеты), глоссарий в формате обычной таблицы Excel или базы Multiterm и все это передать на перевод в ИИ, но не посегментно, а как единый документ. А на выходе получить все тот же sdlxliff (или возвратный пакет), который бы и далее использовался в нашей технологической цепочке.
И данная задача была успешно решена! Первые полученные результаты вполне оправдали наши ожидания.
Текст стал цельным.ИИ позволил устранить проблемы с разночтениями в разных частях текста. Например, где-то в начале могут быть расшифровки аббревиатур, которые МП дальше по тексту не расшифрует правильно без подключения специально подготовленного глоссария или без дообучения.Имея возможность работать с текстом целиком, ИИ вполне успешно сам справляется с такой задачей.Также трансформеры вполне уверенно работают с глоссарием, обеспечивая соблюдения согласованной терминологии. Стоит отметить серьезную экономию времени. При посегментной передаче текста на перевод его тратится значительно больше, чем при нашем подходе.Коллеги, а у вас был схожий опыт интеграции технологий?
Делитесь результатами в комментариях!
