Kunstig intelligens, eller dybe neurale netværk og maskinel indlæring for at være mere præcis, er en stor ting. Google DeepMind-projektet har skabt overskrifter over hele verden og præsenteret resultaterne fra forskningen for det brede publikum. En populær historie er AlphaGo, et computerprogram, der er udviklet af den britiske Google-ejede virksomhed Deepmind. Programmet udmanøvrerede for nylig den professionelle Go-spiller Lee Se-dol, noget, der blev forudsagt at ligge mange år ude i fremtiden pga. det høje intuitionsniveau, det kræver at spille spillet (der er flere mulige placeringer på spillepladen, end der er atomer i universet!).
Men hvad med noget, vi allerede bruger hver eneste dag? Maskinoversættelse (MT) er et eksempel på, hvordan algoritmer fra kunstig intelligens anvendes i forbindelse med opgaver i den virkelige verden. Vi taler ikke om en eller anden abstrakt teknologi, men i stedet om et værktøj, vi bruger hver dag til at arbejde, slappe af og underholde os.
En kort oversigt over MT
For at kunne forstå, hvor MT er i dag, giver det god mening at gå tilbage til rødderne. Idéen bag MT fik allerede luft under vingerne kort tid efter 2. Verdenskrig og var nært beslægtet med kryptografi. Den blev dog mødt af modstand og kritiseret helt fra starten. J.E. Holmström skrev i en rapport for UNESCO i 1951, at “den resulterende litterære stil ville være gruopvækkende og mere fyldt med ‘brølere’ og fejlfortolkninger end noget menneske nogensinde ville være i stand til at producere i en oversættelse”. Han påstod også, at “oversættelse er en kunstart”, hvilket fører os til det interessante spørgsmål, der stadig debatteres: vil maskiner nogensinde være i stand til at producere kunst? Hans kommentarer blev få år senere efterfulgt af den første demonstration af et MT-system. Projektet var et samarbejde i 1954 mellem Georgetown University og IBM, som oversatte russisk til engelsk. Det var – i hvert fald ifølge IBM’s pressemeddelelse – en ret stor succes, hvilket fik forventningerne til potentialet ved MT til at stige de kommende år. Men som med mange andre spændende nye teknologier var fremgangen meget langsommere end forventet. Hvis du gerne vil vide mere om tilblivelsen af MT, indeholder John Hutchins’ afhandling fra 1997 ved navn Translation Technology and the Translator en fantastisk beskrivelse af forløbet.
Rise of the machines
Mange af de komplekse spørgsmål, der blev drøftet i de tidlige dage, er stadig ikke løst, som f.eks. det faktum, at MT skal kunne kunne nå dybere ned i forståelsen end blot udskifte ord. Ordenes kontekst skal overvejes omhyggeligt i løbet af oversættelsen. Idiomer og jargon inden for forskellige domæner, f.eks. sport sammenlignet med erhvervsstof gør det særdeles problematisk helt automatisk at sikre en fuldautomatisk maskinoversættelse i høj kvalitet. At skabe et program, der kan forstå en udgangstekst som et menneske og gengive den på et andet sprog under hensyntagen til kulturelle aspekter er i sig selv en enorm opgave. Og det er derfor, at maskiner ikke inden for overskuelig fremtid vil komme til at overtage oversættelsesprocessen.
Dette interessante indlæg af David Raab fra Martech Advisor udforsker de jobkategorier, der risikerer at miste terræn og overgå til IT. Det reflekterer over idéen om, at jo mere kreativt og intuitivt arbejdet er, desto mindre sandsynligt er det, at det kan erstattes i nærmeste fremtid.
Spørgsmålet om, hvorvidt maskiner er klar til at erstatte kreative fagfolk behandles også i en rapport fra 2016 fra McKinsey & Co. Konsulentfirmaet så nærmere på potentialet for automatisering af aktiviteter ved hjælp af de nuværende teknologier. Konklusion var, at mange opgaver i dag kan automatiseres – måske endda flere, end vi kan forestille os.
Men står vi over for en revolution inden for automatisering? Nogle ville sige, at vi står på kanten til et enormt spring over til automatisering. På samme måde som den første automatiseringsbølge erstattede mange arbejdere, kan næste bølge vise sig at ramme jobs i servicebranchen. Eksemplerne viser sig næsten endeløse: Uber investerer millioner i automatiseret køreteknologi med henblik på at forbedre vores samfund, Xero er sikkert en del af årsagen til, at Price Waterhouse Coopers (PWC) tror, at regnskabsvæsen er en af de mest sandsynlige kategorier, der kan blive automatiseret inden for de næste 20 år, og The Washington Post brugte en algoritme til at skrive historier under OL i Rio 2016.
Idéen bag alle disse eksempler er dog i stedet at udnytte den menneskelige arbejdskraft på områder, hvor den ville være mere produktiv. Eller som Jeremy Gilbert, Director of Strategic Initiatives hos Washington Post siger, “Vi forsøger ikke at erstatte journalisterne, vi forsøger at frigøre dem”.
Robotten her mistede sit job.
Oversættere vs. maskiner
Lad os lægge ud med at slå en ting helt fast: oversættelse i høj kvalitet bliver ikke erstattet af maskiner lige i den nærmeste fremtid. Hvis indhold skal kunne skille sig ud i en tid med øget brug af ad-blockere, skal det være underholdende, dybdegående og af værdi. Det betyder, at der er brug for ægte overvejelser, indlevelse og en høj grad af kreativitet. Og som vi beskrev i vores blogindlæg: Brug sprog til at skabe en uovertruffen kundeoplevelse. Der er mange komplekse faktorer at tage hensyn til, når der skal skabes indhold på flere sprog. MT formår ikke at interessere og engagere kunder. De har brug for flydende kommunikation, der tager hensyn til kulturelle og stilistiske faktorer. Med dette i tankerne kommer her nogle centrale pointer at tage i betragtning, hvis du overvejer at benytte dig af MT:
Vil softwaren være fejlfri?
Alle laver fejl, men i mange tilfælde laver maskiner færre fejl end mennesker. Jo enklere opgaven er, desto bedre klarer maskinen den. Selv indviklede opgaver som at køre bil kan forbedres af automatisering. Teslas computerassisterede biler kørte 130 millioner miles i USA , før deres første dødsulykke, mens gennemsnittet er 94 millioner miles pr. dødulykke for konventionelle biler. Selvom Tesla-førerens køreevner måske ikke tages med i beregningerne står det klart, at maskiner kan reducere menneskelige fejl. Men ville du overlade dit brand i hænderne på en maskine? En lille by i Spanien ved navn As Pontes præsterede en gang en MT-fejl, der gik hele verden rundt. Og her er vi stadig langt fra overvejelserne om, hvorvidt MT kan indfange det rette stilistiske niveau og formalitet for et brand.
Kan en maskine genkende kulturelle og historiske forskelle?
En produktbeskrivelse af en tegnebog i Tyskland fortæller måske f.eks., at der er plads til et ‘Personalausweis’ (id-kort). Men at oversætte dette til ‘id-kort’ i lande, der ikke benytter denne slags kort, f.eks. Australien, Storbritannien, New Zealand og USA ville lyde udenlandsk og forkert, selvom ordene giver mening. Der findes stadig et endeløst antal lignende forskelle, selvom verden metaforisk set er blevet mindre. Derfor er en dybere kulturel forståelse af afgørende betydning, når der skal produceres indhold på flere sprog. Det er vigtigt at huske, at selvom man er tosproget, betyder det ikke, at man er en god oversætter. Det tager mange års erfaring og læring helt flydende at kunne overføre indhold og budskab til et nyt sprog. Man kan sige, at professionelle oversættere puster liv i ordene.
Kan en computer forstå kulturelle forskelle?
Hvad med fortrolighed?
Det allestedsnærværende MT-værktøj Google Translate er et godt eksempel i forbindelse med overvejelser om fortrolighed. Alt det, der oversættes gennem translate.google.com, beholdes af Google, så der vil altid være risiko for, at det kunne ende i de forkerte hænder. Når Googles oversættelses-API, som er en betalt tjeneste, bruges, garanterer Google dog fortroligheden.
Hvor og hvornår kan man acceptere oversættelser af lavere kvalitet?
Det er det store spørgsmål, hvis man overvejer at benytte MT. MT er billigere og hurtigere end oversættelse udført af sprogeksperter, men kvaliteten vil ikke kunne nå niveauet fra de professionelle oversættere. På den anden side er der ikke nok oversættere til at oversætte de større og større mængder indhold, der rammer nettet. Derfor kan en prioritering af oversættelse efter kvalitet og kvantitet være en af måderne at finde ud af, hvornår MT kan bruges på en måde, der også tilfører værdi.
Nedenfor kan du se nogle grundlæggende grupperinger af indhold og hvad der måske giver mening, når det handler om oversættelse. Når der er tale om indhold, der kræver omhyggelig nøjagtighed, er det nødvendigt at bruge en professionel oversætter af kød og blod. Til indhold med en højere udgivelsesfrekvens, som ikke stiller samme kvalitetskrav, er maskinoversættelse med efterfølgende efterredigering af en professionel oversætter en mulighed. Og afslutningsvis, til indhold med en meget høj frekvens, som kundesupport på sociale medier, kan MT i sig selv være tilstrækkelig.
Opsummering
Teknologien vil i stigende grad udvikle sig i retning af automatisering. Nogle jobs vil gå tabt, men gevinsten vil være større, i takt med at teknologien hjælper os med at fokusere på mindre rutinemæssigt arbejde. Se blot på den ydmyge automatiserede pengeautomat, der i den grad har spredt sig siden 1970'erne. Man ville måske tro, at den havde reduceret antallet af medarbejdere i bankerne til nærmest nul, men det har rent faktisk være lige omvendt.
Det samme gælder for MT. Det bruges allerede inden for kunderettet indhold i enkelte simple oversættelser, men de brands, der gerne vil skille sig ud fra mængden, bliver stadig nødt til at samarbejde med en erfarent team af projektledere og sprogsekperter. Brug af MT giver god mening som hjælp til at skrive, til rutineindhold eller når du har brug for at få en idé om hvad der står på et andet sprog. Derudover er det i sig selv en færdighed at finde områder i din virksomhed, som kunne drage fordel af MT og at bruge det på en måde, der tilfører værdi. Det vigtigste at huske er, at det stadig kræver en professionel oversætter af kød og blod at skrive tekster, der virkelig interesserer og charmerer kunden.