home.social

#maschinelleubersetzung — Public Fediverse posts

Live and recent posts from across the Fediverse tagged #maschinelleubersetzung, aggregated by home.social.

  1. 2/ Der Post in 1/ klang vielleicht etwas negativ. Das Bild zeigt den Aufbau des #VerbMobil-Systems. Es gab die so genannte tiefe Verarbeitung und statistikbasierte Verarbeitung. Tiefe Analyse ist symbolische #KI. Da waren drei Grammatiken drin. Für Englisch, Japanisch und Deutsch. Der Formalismus dafür war #HPSG. Da die Strukturen groß werden, die Ambiguität (schon im Sprachsignal) groß war, brauchte die tiefe Verarbeitung sehr viel Zeit. Auswertungen ergaben: Wenn die tiefe Analyse nicht ins Zeitlimit lief, war sie immer besser als die flache statistikbasierte Analyse.

    Ich hatte mit der deutschen Grammatik 93% Abdeckung. Was der Rest war, war auch klar. Das sollte nicht in die Grammatik.

    Nun ja. Das Problem der Maschinellen Übersetzung kann man wohl als gelöst ansehen. Geht so. Murakami und Kafka würde ich immer noch per Hand übersetzen, aber für alltägliche Kommunikation reicht es. Das geht ohne ein tieferes Verständnis der Texte.

    (Ich hoffe ich werde jetzt nicht von Übersetzungswissenschaftler*innen und Übersetzer*innen verprügelt.)

    #MaschinelleÜbersetzung

  2. Zu viele Teile dieses Themas wurden ganz sicher und nicht nur möglicherweise maschinell oder mit KI übersetzt.

    #microsoft #AI #maschinelleÜbersetzung

  3. Habe neugierdehalber mal LibreTranslate im Docker Container auf den Raspberry Pi 4 (4 GiB RAM) installiert. Die Übersetzungsgeschwindigkeit ist IMHO durchaus in Ordnung für den kleinen Rechner, der nebenher noch zahlreiche andere Dienste anbieten muss.

    Hinsichtlich Übersetzungsqualität besteht zu DeepL aber schon eine ordentliche Lücke. Zur Orientierung, um was es in einem Text geht, reicht es in der Regel. Wenn ich aber z. B. mit meinen eigenen Englischkenntnissen bei der schriftlichen Kommunikation mit Muttersprachler:innen an meine Grenzen komme, würde mir LibreTranslate wohl oft nur eine auf eine andere Art schräge Formulierung anbieten.

    Wessen Raspi-Setup ähnlich aussieht wie meines - kleiner flashbasierter Speicher fürs System, rotierende Scheiben für die Nutzdaten: Mit der Option
    -v /pfad/zu/einem/Verzeichnis/auf/HDD:/home/libretranslate/.local/share/argos-translate/
    lassen sich die speicherintensiven Sprachdateien auf die Festplatte(n) auslagern.

    #LibreTranslate #RaspberryPi #docker #MaschinelleÜbersetzung

  4. Die Frage für Lehrkräfte bzgl. #chatbots #llm #maschinelleubersetzung ist ja nicht so sehr "Wie zuverlässig sind die Antworten?" sondern eher "Was müssen Menschen (auf welchen Gebieten) selbst wissen und können, um dies beurteilen zu können?" Ohne die Klammer lautet die Antwort: sehr, sehr viel! Und mit Klammer ist es eine ganz alte, allgemeindidaktische, keine bloß technische oder medienpädagogische Frage. Oder? #FediLZ

  5. Kann es sein, dass #DeepL schon mal besser war?

    Ich erinnere mich, vor gut einem Jahr von DeepL Texte übersetzen ließ, die ich kaum nachbearbeiten musste.

    Heute habe ich von DeepL eine Übersetzung angeboten bekommen, die viele Probleme hatte.

    Besonders ärgerlich fand ich die Inkonsistenz: Der Ausdruck “policy document” wurde in drei verschiedene Ausdrücke übersetzt: Grundlagendokument, Richtlinie und Strategiepapier. War es nicht eines der Versprechen, dass #maschinelleÜbersetzung terminologische Konsistenz garantieren würde?

    Wenn in einem Text mehrere Übersetzungen abwechselnd gewählt werden, ist der Leser:in nicht mehr klar, dass sich die Autor:in jedes Mal auf dasselbe Ding bezieht.

    Lag es vielleicht daran, dass ich mich in der Auswahlbox nicht zwischen “Formal tone” und “Informal Tone” entscheiden konnte und deshalb “Automatic” auswählte? Nein. Jede der drei Einstellungen ergibt eine andere Übersetzung, aber das Problem der Inkonsistenz bleibt.

    deepl.com/translator

    #automaticTranslation # #MT