Kunstig intelligens, eller dype nevrale nettverk og maskinlæring, for å være presis, er et stort fremskritt. Prosjektet Google DeepMind har skapt overskrifter over hele verden når teamet har presentert hva de jobber med i laboratoriet. En populær historie handler om AlphaGo, et dataprogram som er utviklet av teamet bak Google DeepMind. Programmet beseiret nylig den verdensberømte Go-spilleren Lee Se-dol, noe som var forventet å skulle ta mange år, på grunn av det høye nivået av intuisjon som kreves i dette spillet (det er flere mulige posisjoner på brettet enn det finnes atomer i universet!).
Men hva om vi ser nærmere på noe vi bruker hver eneste dag? Maskinoversettelse (MT) er et eksempel på kunstig intelligens i form av algoritmer som brukes for å løse praktiske problemer. Dette er ikke abstrakt teknologi, men et verktøy vi bruker daglig som hjelp i arbeidet, når vi trenger å slappe av og når vi vil underholdes.
Kort historisk oversikt over MT
For å forstå dagens situasjon når det gjelder MT, bør vi ta en titt på opprinnelsen. Ideen om MT begynte å ta form kort tid etter Andre verdenskrig, med kobling til kryptografien. Tanken møtte imidlertid motstand i starten. J.E. I 1951 skrev Holmström i en rapport for UNESCO at "resultatet ville bli en forferdelig litterær stil og tekster så fulle av feil at det ville bli verre enn noen levende oversetter kunne produsere". Han anså også at “oversettelse er en kunstform”, noe som leder oss til et interessant spørsmål som fortsatt diskuteres; kommer maskiner noen gang bli i stand til å produsere kunst? Noen få år etter kommentarene hans, fulgte den første demonstrasjonen av et MT-system. Dette hendte i 1954 og var et samarbeidsprosjekt mellom Georgetown University og IBM som oversatte russisk til engelsk. Det var ganske vellykket, i det minste ifølge IBMs pressemelding , og skrudde opp forventningene til MT-kapasiteten de kommende årene. Men som med mange spennende, nye teknoloiger gikk utviklingen mye saktere enn forventet. Hvis du er interessert i å vite mer om opprinnelsen til MT, kan du lese John Hutchins’ oppgave fra 1997 med tittelen Translation Technology and the Translator og få et omfattende innblikk i historien.
Maskinene kommer
Mange av de komplekse problemstillingene som ble diskutert på denne tiden er fortsatt ikke løst, som for eksempel det faktumet at MT må gå dypere enn å bare bytte ut ord. Konteksten til hvert enkelt ord må tas hensyn til i oversettelsen. Bruk av faste uttrykk og forskjellig litterær stil innen forskjellige områder, for eksempel sportsjournalistikk og næringslivstekster, gjør det vanskelig å produsere helautomatiske tekster med høy kvalitet. Å skape et program som kan forstå kildetekst slik et menneske gjør og reprodusere dette på et annet språk samtidig som det tar hensyn til kulturelle forskjeller, er en stor utfordring. Derfor kommer ikke maskinene til å ta over oversettelse i overskuelig fremtid.
Dette interessante innlegget av David Raab fra Martech Advisor beskriver arbeidskategorier som er i faresonen for å tas over av datamaskiner. Det bekrefter ideen om at jo mer kreativ og intuitiv jobben din er, desto mindre trolig er det at du blir erstattet med en maskin i nær fremtid.
Spørsmålet om hvorvidt maskiner er i ferd med å erstatte kreative mennesker diskuteres også i en rapport fra 2016 publisert av McKinsey & Co. Konsulentfirmaet undersøkte på potensialet for at aktiviteter skulle automatiseres ved hjelp av nåværende teknologi. Konklusjonen var at mange oppgaver er klare for å automatiseres – kanskje flere enn vi er klar over.
Men er vi i ferd med å oppleve en revolusjon innen automatisering? Noen mener at vi står fremfor en massiv omlegging når det gjelder automatisering. På samme måte som den første automatiseringsbølgen erstattet mange jobber innen industrien, kan den neste bølgen komme til å ta over jobber i servicenæringen. Eksemplene er nesten uendelige: Uber investerer millioner i automatisert kjøreteknologi for å kunne gi menneskeheten større frihet, Xero er sannsynligvis en av årsakene til at Price Waterhouse Coopers (PWC) tror at regnskap er en av de mest sannsynlige rollene som kommer til å bli automatisert i løpt av de neste 20 årene, og The Washington Post brukte en algoritme for å skrive artikler fra OL i Rio 2016.
Felles for disse eksemplene er imidlertid ideen å flytte de menneskelige ressursene til områder der de er mer produktive. Eller som Jeremy Gilbert, Director of Strategic Initiatives i Washington Post sier, “Vi forsøker ikke å erstatte reportere, vi forsøker å frigjøre dem”.
Denne roboten mistet jobben.
Oversettere vs. maskiner
Vi kan begynne med å gjøre en ting klart: kvalitetsoversettelser kommer ikke til å erstattes av maskinoversettelser i nær fremtid. For at innholdet ikke skal filtreres bort i strømmen av budskap, må det være underholdende, klartenkt og tilføre verdi. Dette innebærer at det er behov for originale tanker, empati og en høy grad av kreativitet. Og vi behøver, som vi skrev om i blogginnlegget: Å oppfylle kundens forventninger og snakke til dem på deres eget morsmål. Det er mange komplekse faktorer å ta hensyn til når vi skaper innhold på flere språk. MT leverer ikke høy nok kvalitet til å engasjere kunder, siden disse krever flytende kommunikasjon som tar hensyn til stilistiske og kulturelle faktorer. Med dette som utgangspunkt vil vi gjerne presentere hva som er viktig å tenke på hvis du vil benytte deg av MT:
Kommer programvaren til å være feilfri?
Alle kan gjøre feil, men i mange tilfeller gjør maskiner færre feil enn mennesker. Jo enklere oppgave, desto bedre presterer maskinen. Selv komplekse oppgaver som bilkjøring kan forbedres ved automatisering. Teslas dataassisterte biler kjørte nesten 210 millioner km i USA før den første ulykken skjedde, mens den gjennomsnittlige strekningen er 150 millioner km per ulykke for vanlige biler. Selv om dette eksempelet ikke tar høyde for de relative kjøreferdighetene hos Tesla-førerne, er sammenhengen tydelig – maskiner kan redusere menneskelige feil. Men kan du tenke deg å gi en maskin ansvar for å markedsføre varemerket ditt? En liten by i Spania som heter As Pontes gjorde en gang en MT-feil som spredde seg rundt i hele verden. Og dette handler om mye enklere oppgaver enn å vurdere om en MT kan fange opp den riktige tonen og stilen for et varemerke.
Kan en maskin kjenne igjen kulturelle og historiske forskjeller?
I Tyskland kan du for eksempel skrive i en produktbeskrivelse at en lommebok inneholder et "Personalausweis" (legitimasjon), men å oversette dette til "identity card" i land som ikke har slike kort, f.eks. Australia, Storbritannia, New Zealand og USA, høres fremmed ut selv om ordene i seg selv skaper mening. Det finnes fortsatt en uendelig mengde slike forskjeller, selv om verden på mange måter er blitt mindre. Nettopp derfor er det avgjørende å ha dypere kjennskap til kulturen når du skal skape innhold på flere språk. Og det er viktig å huske at det å være tospråklig ikke automatisk gjør noen til en god oversetter. Det krever mange år med erfaring og en lang læringsprosess for å kunne reprodusere innholdet flytende på et annet språk. Vi beskriver det som at profesjonelle oversettere blåser liv i ordene.
Kan en datamaskin forstå kulturforskjeller?
Hva med konfidensialitet?
Det mest kjente og brukte MT-verktøyet, Google Translate, er et godt eksempel når det handler om konfidensialitet. Alt som oversettes via translate.google.com lagres av Google, og dette innebærer at det alltid er en risiko for at det kan ende opp i feil hender. Om du derimot bruker Googles oversettelses-API, som er en betalingstjeneste, garanterer Google konfidensialitet.
I hvilke tilfeller kan du godta lavere kvalitet på oversettelsen?
Dette er det store spørsmålet når det handler om å implementere MT. Det er en billigere og raskere løsning enn manuell oversettelse, men kvaliteten kommer ikke opp imot manuell oversettelse. På den annen side finnes det ikke nok oversettere for å håndtere den stadig økende mengden av innhold som skal ut på nettet. Å prioritere oversettelser i forhold til kvalitet og kvantitet blir dermed en viktig metode for å avgjøre når det er hensiktsmessig å bruke MT og hvor det kan tilføre verdi til tross for lavere kvalitet på resultatet.
Nedenfor ser du forslag til grupperinger av innhold og hva som kan være hensiktsmessig når det gjelder oversettelse. Innhold som skal være presist formulert, må oversettes manuelt. For innhold som publiseres ofte og ikke har samme kvalitetskrav, kan maskinoversettelse med etterredigering utført av en manuell oversetter være en løsning. Og til slutt, når det gjelder høyfrekvent innhold, for eksempel kundeservice i sosiale medier, kan maskinoversettelse være tilstrekkelig.
Oppsummering
Teknologien beveger seg i større grad mot automatisering. Noen jobber kommer til å forsvinne, men det kommer også til å oppstå nye, siden teknologien hjelper oss med fokusere på arbeid som ikke er rutinepreget. Tenk bare på den beskjedne automatiserte tellemaskinen (ATM, minibanken), som har fått massiv spredning siden 1970-tallet. Man skulle kanskje tro at dette har ført til færre arbeidsplasser i bankene, men der har faktisk det motsatte skjedd.
Det samme gjelder for MT. Det er allerede blitt brukt i kundeorientert innhold til enkle oversettelser, men varemerker som ønsker å skille seg ut fra mengden trenger fortsatt å samarbeide med erfarne prosjektledere og team med språkeksperter. Å bruke MT kan gi mye hjelp, både når det handler om oversettelse av innhold med mange gjentakelser eller når du bare behøver å få et inntrykk av innholdet i en tekst på et fremmed språk. I tillegg skapes en ny oppgave som innebærer å finne områder i virksomheten som kan ha nytte av MT, og bruke dette på en måte som skaper verdier. Og husk at teksten fortsatt trenger en profesjonell, manuell oversetter hvis du vil at kundene skal engasjere seg i innholdet.