Který AI překladač je dnes nejlepší? Odpověď vás možná překvapí.

Umělá inteligence v posledních letech zásadně změnila svět překladů. Ještě donedávna se většina uživatelů spoléhala na klasické neuronové překladače jako Google Translate, DeepL nebo Microsoft Translator. Dnes se stále častěji diskutuje o velkých jazykových modelech (LLM) jako ChatGPT, Gemini či Claude, které dokážou nejen překládat, ale také sumarizovat texty, analyzovat dokumenty, generovat obsah nebo programovat.

Mnozí proto automaticky předpokládají, že nejnovější AI modely musí přinášet i nejlepší překlady. Realita je však podstatně zajímavější.

Otázka totiž nemusí znít:

Který překladač je nejlepší?

Ale spíše:

Je důležitější samotný překladač, nebo způsob, jakým je přizpůsoben konkrétní terminologii, odvětví a uživateli?

Od klasických překladačů k umělé inteligenci

Vývoj strojového překladu prošel za poslední desetiletí několika významnými etapami.

První systémy byly založené na lingvistických pravidlech. Později je nahradily statistické modely využívající rozsáhlé dvojjazyčné korpusy. Dnes trhu dominují neuronové modely strojového překladu (NMT), na kterých fungují například Google Translate, DeepL nebo Microsoft Translator.

Nejnovějším trendem jsou velké jazykové modely (LLM), které dokážou pracovat s výrazně širším kontextem a vykonávat řadu úloh daleko přesahujících samotný překlad.

Navzdory všem technologickým pokrokům však překvapivě přetrvává jeden problém – odborná terminologie a její konzistentnost. A právě terminologie často rozhoduje o tom, zda je překlad použitelný v profesionálním prostředí, nebo ne.

NMT nebo LLM? Není to tak jednoduché

Velké jazykové modely dnes dokážou podstatně více než klasické překladové systémy. Mohou vysvětlovat text, odpovídat na otázky, vytvářet marketingové materiály, analyzovat data či navrhovat programový kód. Tato univerzálnost však přináší i určitou daň.

Klasické neuronové překladače byly vyvíjeny především pro překlad. Velké jazykové modely řeší desítky různých úloh současně. Při překladu proto někdy upřednostňují přirozenost a plynulost před přesností. V praxi se z tohoto důvodu můžeme setkat se situacemi, kdy LLM vytvoří velmi přirozeně znějící překlad, ale zároveň doplní informaci, která se v původním textu vůbec nenacházela, nebo ji naopak vynechá. Tento jev se v oblasti umělé inteligence označuje jako halucinace.

Právě proto řada organizací u odborných a firemních textů nadále využívá tradiční překladové systémy vybavené terminologickými databázemi, glosáři a vlastními jazykovými zdroji.

Generický překladač versus přizpůsobený (customizovaný) model

Většina uživatelů pracuje s generickými modely. Jde o systémy trénované na obrovském množství textů z různých oblastí. Jejich úkolem je poskytnout co nejlepší překlad pro co nejširší spektrum uživatelů. Takové řešení funguje velmi dobře u běžných textů.

Problémy však vznikají ve chvíli, kdy text obsahuje:

• odbornou terminologii,
• firemní názvosloví,
• právní pojmy,
• technickou dokumentaci,
• medicínské termíny,
• kulturně specifické reference.

V takových případech vstupují do hry přizpůsobené modely strojového překladu.

Přizpůsobení může mít různé podoby:

• terminologický glosář,
• doménová adaptace podle oblasti,
• klientská adaptace,
• fine-tuning, tedy vyladění modelu,
• kombinace překladových pamětí a AI.

Cílem je zajistit, aby systém používal terminologii konzistentně a způsobem, který odpovídá potřebám konkrétního odvětví nebo organizace.

Co ukázal slovenský výzkum

Zajímavé poznatky přinesl univerzitní výzkum Bc. Sofie Tileschovej, studentky FF UKF Nitra pod vedením PhDr. Ľuboše Töröka, PhD. a s odbornou spoluprací Mgr. Jakuba Absolona, PhD. Cílem bylo porovnat kvalitu generických a terminologicky přizpůsobených systémů strojového překladu, přičemž byly analyzovány tyto:

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

Experiment byl realizován na vzorku překladů ze španělštiny do slovenštiny. Důležité však není samotné odvětví cestovního ruchu. Zajímavý je především vliv terminologické customizace na kvalitu překladu.

Ačkoli má každá doména svá specifika, lze předpokládat, že podobné trendy by se projevily i v technickém, právním, medicínském, automobilovém nebo finančním překladu, kde hraje terminologie ještě významnější roli.

Rozdíly mezi systémy byly výraznější, než bychom čekali

Při hodnocení kvality překladu pomocí metodiky MQM byly identifikovány následující počty chyb:

Nejlepšího výsledku dosáhl DeepL Translator s implementovaným terminologickým glosářem. Ve srovnání s generickou verzí DeepL se počet identifikovaných chyb snížil o 62,5 %. Microsoft Custom Translator dosáhl zlepšení o 43,59 % oproti standardní verzi Microsoft Translator.

Zajímavé přitom je, že těchto výsledků nebylo dosaženo rozsáhlým tréninkem nových modelů ani budováním gigantických datových souborů. Významnou roli sehrálo už samotné terminologické přizpůsobení systému.

Proč se po přidání glosáře zlepšují i slova, která v glosáři vůbec nejsou?

Právě tady se dostáváme k jednomu z nejzajímavějších zjištění.

Mnozí uživatelé předpokládají, že terminologický glosář ovlivní pouze ty výrazy, které jsou v něm explicitně uvedené. Pokud například přidáme termín „engine control unit = řídicí jednotka motoru“, očekávali bychom změnu pouze u tohoto konkrétního výrazu.

Moderní neuronové systémy však fungují jinak.

Současné AI překladače nepřekládají text slovo po slovu. Místo toho generují celou větu jako jeden významový celek. Pokud je model nucen použít určitý terminologický ekvivalent, často přehodnotí i okolní části věty. Výsledkem může být nejen správnější terminologie, ale také lepší slovosled, vhodnější kolokace či přirozenější formulace.

Vypadá to tak, že terminologie funguje jako silný signál domény.

Pokud systém zjistí, že text obsahuje výrazy typické pro automobilový průmysl, medicínu, právo nebo cestovní ruch, dokáže lépe odhadnout význam dalších slov a vět, které se v glosáři vůbec nenacházejí.

Jinými slovy, glosář nepomáhá jen přeložit konkrétní termín. Pomáhá systému pochopit, o čem text vlastně je.

Právě to může vysvětlovat, proč terminologicky přizpůsobené modely nevykazují zlepšení jen v oblasti terminologie, ale také v kategoriích významové přesnosti, kulturní přiměřenosti a celkové kvality překladu.

Z pohledu firem je to mimořádně důležité zjištění. Ukazuje se totiž, že i relativně malý a dobře připravený glosář může mít výrazný vliv na kvalitu celého překladového procesu, nejen na překlad několika desítek nebo stovek termínů.

Jak mohou firmy profitovat z přizpůsobení překladače?

Mnohé organizace dnes investují velké prostředky do výběru správného AI nástroje.

Výsledky výzkumu však naznačují, že ještě důležitější může být něco jiného. Nerozhoduje jen to, který překladač používáte. Stejně důležité je, jak dobře zná jazyk vaší firmy.

Pokud systém správně rozumí vaší terminologii, produktům, službám a interním názvům, může přinášet výrazně kvalitnější výsledky než generický model, který pracuje se stejnou technologií, ale bez znalosti konkrétního prostředí.

Právě proto dnes roste význam:

• terminologických databází,
• firemních glosářů,
• překladových pamětí,
• vlastních AI modelů,
• jazykových automatizací přizpůsobených konkrétním klientům.

Taková řešení už dnes nejsou výsadou velkých technologických společností. V praxi si mohou firmy nechat vytvořit vlastní AI překladače přizpůsobené jejich terminologii, produktům, službám nebo interním dokumentům. Na trhu se objevují i specializovaná řešení zaměřená na konkrétní oblasti, například právní překlad, technickou dokumentaci nebo firemní komunikaci. Společnost ASAP Multilingual Automation například vyvíjí vlastní AI překladače a jazykové automatizace na míru včetně terminologicky přizpůsobených řešení pro právní, technický či odborný překlad.

Budoucnost patří kombinaci AI a terminologie

Souboj mezi NMT a LLM pravděpodobně nebude mít jednoho vítěze.

Moderní překladová řešení budou stále častěji kombinovat:

• neuronový strojový překlad,
• velké jazykové modely,
• terminologické databáze,
• překladové paměti,
• klientskou a doménovou customizaci.

Výzkum ukazuje, že i v éře umělé inteligence zůstává terminologie jedním z nejdůležitějších faktorů kvality překladu. Výsledky zároveň naznačují, že budoucnost nemusí patřit jednomu univerzálnímu překladači, ale spíše inteligentním řešením přizpůsobeným konkrétním firmám, odvětvím a uživatelům.

Možná proto nebude budoucnost profesionálního překladu patřit systému, který zvládne nejvíce věcí. Může patřit systému, který nejlépe zná jazyk svého uživatele, firmu či odvětví, v němž působí. V mnoha případech totiž není největším problémem překladu plynulost textu, ale konzistentnost, přesnost a schopnost neříct víc, ale ani méně, než obsahuje původní text.

Chcete si vyzkoušet AI překladač pro právní texty nebo vytvořit vlastní překladač na míru?

vyzkouším právní překladač

ASAP Multilingual Automation vyvíjí terminologicky přizpůsobené AI překladače pro firmy, organizace a odborná odvětví.