Darum sind SLMs (und nicht LLMs) die Zukunft der Übersetzung mehrsprachiger Inhalte

In den letzten fünf Jahren nahm der Einsatz von großen Sprachmodellen (LLMs) und fortschrittlicher maschineller Übersetzung (MT) in der Übersetzungs- und Lokalisierungsbranche dramatisch zu.

Trotz dieses Anstiegs bringen LLMs definitionsgemäß große Herausforderungen für die Übersetzungsbranche mit sich. Deshalb glauben wir, dass sie letztendlich zugunsten eines anderen KI-Modells, das besser geeignet ist, übergangen werden: dem kleinen Sprachmodell (SLM).

Das Aufkommen von NMT und der Übergang zu LLMs

Zu Beginn wurden neuronale maschinelle Übersetzungssysteme (NMT-Systeme), die Vorläufer der heutigen LLMs, nur zögerlich angenommen. Im Jahr 2019 nutzten nur etwa 13 % der Übersetzungsprojekte für Endkunden maschinelle Übersetzung (MT).

Die raschen Verbesserungen in Qualität und Effizienz führten jedoch zu einer breiteren Akzeptanz. Im Jahr 2020 kam MT bei rund 24 % der Projekte zum Einsatz – fast doppelt so viel wie im Vorjahr.

Das Aufkommen echter großer Sprachmodelle um das Jahr 2022 verlieh der Automatisierung von Übersetzungsworkflows einen zusätzlichen Schub.

Die Integration von LLMs in Übersetzungsworkflows ist heutzutage praktisch Standard bei allen technologieorientierten Unternehmen.

Die Analysten von Nimdzi stellen fest, dass „die neue Welle von KI-Tools, wie große Sprachmodelle (LLMs) [und] LLM-gestützte maschinelle Übersetzung, [...] schnell ihren Weg in die Übersetzungsworkflows findet“, und zwar als Funktionen in Übersetzungsmanagementsystemen, Inhaltsplattformen, Untertitelungstools und mehr.

Kurz gesagt: Was vor etwas mehr als fünf Jahren noch eine experimentelle Nischentechnologie war, ist heute zu einem Kernbestandteil von Übersetzungs- und Lokalisierungsprozessen geworden.

Allrounder bleiben stets hinter Spezialisten zurück

Große Sprachmodelle sind enorm leistungsfähig, flexibel und können allgemeine Aufgaben äußerst gut ausführen. Ihre Fähigkeit, allgemeine Aufgaben gut zu bewältigen, sowie die große Menge an Trainingsdaten, die diese Fähigkeit unterstützen, sind genau der Grund für ihren voraussichtlichen Niedergang, wenn es um die Übersetzung von Inhalten geht.

Die Einschränkungen von Allzweck-LLMs

Allzweck-LLMs generieren menschenähnlichen Text zu vielen Themen, übersehen jedoch oft subtile, domänenspezifische Nuancen in Branchenkategorien.

Bei der Übersetzung eines Finanzberichts könnte ein generisches Modell beispielsweise den englischen Begriff „Equity“ falsch interpretieren. Im Allgemeinen wird dieser Begriff im Immobilienkontext am häufigsten verwendet, um die Differenz zwischen dem Marktwert und der ausstehenden Hypothek einer Immobilie zu beschreiben. In der Buchhaltung bezieht sich „Equity“ jedoch auf den Eigentumswert an einem Unternehmen oder an Vermögenswerten.

Ohne diese Unterscheidungen zu verstehen, kann das LLM unpräzise Übersetzungen oder Interpretationen liefern, die die Genauigkeit kritischer Botschaften gefährden.

Generische Ausgaben erfordern eine intensivere menschliche Überprüfung

Da diese breit angelegten Modelle eine beträchtliche Rechenleistung erfordern, sind die Kosten für ihren Betrieb hoch und die Bereitstellung erfolgt womöglich langsam. Ihre mangelnde Spezialisierung bedeutet auch, dass mehr menschliche Bearbeitung erforderlich ist, was die Effizienz verringert und die Zeit bis zur Auftragsfertigstellung erhöht.

Bei großen Projekten führen diese Faktoren zu höheren Kosten und langsameren Ergebnissen – was sich direkt auf die Qualität und Zuverlässigkeit auswirkt, auf die Ihr Unternehmen angewiesen ist.

Hier kommt das kleine Sprachmodell (SLM) in Spiel

„Gute Dinge kommen in kleinen Paketen“, so sagt man. Bei Straker haben wir die wahre Stärke von individuell angepassten kleinen Sprachmodellen entdeckt.

Im Gegensatz zu universell einsetzbaren LLMs, die gute Allrounder sind, haben wir Erfolge bei der Entwicklung und dem Training von SLMs verzeichnet, die auf bestimmte Branchen oder Aufgaben ausgerichtet sind.

Da sich unsere Modelle ausschließlich auf die Lokalisierung konzentrieren, haben sie eine unübertroffene Genauigkeit und ein nuanciertes Verständnis erreicht. Sie beherrschen Branchenjargon, Fachbegriffe und sprachliche Komplexitäten, wo allgemeine Modelle versagen.

Lernen Sie Tiri kennen: Strakers spezialisierte Sprachmodell-Familie

Straker hat Tiri als eine Familie von kleinen, spezialisierten KI-Modellen entwickelt, die speziell für die Lokalisierung konzipiert wurden. Im Gegensatz zu einem Allzweckmodell arbeitet Tiri wie ein Team von Fachübersetzern, die jeweils darauf spezialisiert sind, bestimmte Sprachen und Branchen präzise zu bearbeiten.

Darum übertrifft Tiri größere Modelle

‍

1. Präzision durch Spezialisierung:

Tiri-Modelle werden auf der Grundlage hochwertiger spezifischer Daten, wie etwa Translation Memorys oder Übersetzungshistorien, trainiert. Dadurch können sie Finanz-, Rechts- oder Fachterminologie mit außergewöhnlicher Genauigkeit verstehen.

Zum Beispiel zeigt die Leistung unserer spezialisierten KI-Modelle – wie Tiri J für japanische und englische Investor-Relations-Inhalte – wie die Anpassung von Sprach-KI an spezifische Branchen und Kundenbedürfnisse die Übersetzungsqualität erheblich verbessert. Diese Modelle liefern kontextgenaue und branchenrelevante Ergebnisse, die weit über das hinausgehen, was allgemeine kommerzielle Lösungen bieten.

2. Effizienz und Skalierbarkeit:

Da die Tiri-Modelle kleiner und gezielter ausgerichtet sind, benötigen sie weniger Rechenressourcen. Dies ermöglicht schnellere Verarbeitungsgeschwindigkeiten und eine einfachere Integration in bestehende Arbeitsabläufe, ohne dass hohe Infrastrukturkosten anfallen. Das Ergebnis sind niedrigere Kosten und kürzere Durchlaufzeiten, die Ihrem Unternehmen helfen, effizient zu skalieren, während gleichzeitig eine hohe Qualität beibehalten wird.

3. Kontinuierliche Verbesserung:

Tiri ist darauf ausgelegt, durch menschliches Feedback, das direkt in die Straker-Produktsuite integriert ist, zu lernen und sich zu verbessern. Dieser Ansatz des bestärkenden Lernens durch menschliche Rückkopplung (Reinforcement Learning from Human Feedback, RLHF) stellt sicher, dass die Übersetzungen im Laufe der Zeit immer präziser werden und besser auf die Bedürfnisse der Kunden abgestimmt sind.

So revolutioniert Tiri die Lokalisierungsbranche

Straker weiß, dass die Zukunft der KI-gestützten Sprachdienste in der Spezialisierung liegt. Maßgeschneiderte kleine Sprachmodelle wie Tiri revolutionieren die Art und Weise, wie Unternehmen Inhalte lokalisieren. Sie liefern überragende Genauigkeit, Geschwindigkeit und Effizienz, indem sie sich auf das Wesentliche konzentrieren: das Verstehen von Sprache im Kontext.

Die geschäftlichen Auswirkungen der Nutzung von SLMs

●   Höhere Genauigkeit – Branchentaugliche Terminologie und fachspezifischer Kontext sind sofort verfügbar.

●   Niedrigere Kosten – Kleinere Modelle erfordern weniger Rechenzyklen.

●   Schnellere Auftragsfertigstellung – Übersetzen, bewerten und veröffentlichen Sie Inhalte innerhalb von Stunden statt Wochen.

Eine große Zukunft für kleine Spezialisten

Während Allzweck-LLMs die Revolution in der Übersetzungsbranche eingeleitet haben, glauben wir, dass kleine Sprachmodelle sie vollenden werden. Sie liefern hyperfokussierte, branchenspezifische Übersetzungen mit hoher Geschwindigkeit und in großem Umfang, ohne die Kosten und erforderliche Rechenleistung von LLMs.

Wenn Ihr Unternehmen Präzision und Skalierbarkeit bei der Lokalisierung benötigt, ist Tiri die KI-Lösung, die darauf ausgelegt ist, Ihren Erfolg in einem zunehmend globalen Markt zu fördern.

Für Führungskräfte: Erfahren Sie hier mehr über Tiri: https://www.straker.ai/es/ai-platform/productos-de-straker-verify-copy-3

Für IT-Experten: Entdecken Sie unsere Technologieprinzipien auf https://www.straker.ai/es