AI (artificiell intelligens) + MT (maskinöversättning) = sant?
Generativ AI – alltså AI som själv ”skapar”, i detta fall text, till skillnad från ”vanlig” MT som mer strikt utgår från tidigare översättningar – kan användas för översättning genom att man går till en motsvarande tjänst, typiskt ChatGPT eller Gemini, och ber tjänsten översätta den text som man lägger in. Man kan samtidigt ge anvisningar (”prompter”) såsom att måltexten ska vara anpassad till en allmän läsekrets eller till en expertpublik.
Men sådana översättningar handlar alltså om att man matar in källtexten i dess helhet och får en motsvarande måltext. Vi facköversättare jobbar i allmänhet inte så; vi använder ju oftast CAT-verktyg där vi översätter ett ”segment” i taget, eventuellt med hjälp av MT. Nu kan vi alltså utvidga begreppet MT till att även omfatta AI, även om det för närvarande erbjuds mycket få alternativ: memoQ ”samarbetar” med Alexa Translations och håller dessutom på att utveckla sin egen tjänst memoQ AGT; Trados Studio erbjuder framför allt OpenAI ChatGPT och Microsoft Azure (men även vissa andra) via s.k. insticksprogram (plugins) – se del II av denna presentation. Matecat har en AI Assistant som jag inte känner närmare till. Och förmodligen finns även andra motsvarande tjänster för andra CAT-verktyg. Men överlag är detta i sin linda, både vad gäller utbudet av tjänster och deras kvalitet. Vi har säkerligen en spännade utveckling att se fram emot (eller frukta).
Andra användningar än ren översättning
- ■ Man kan pröva att genom upprepade hänvändelser till AI-tjänsten – alltså med hjälp av modifiering av prompter – efterredigera måltexterna så att de blir bättre och bättre. Det tar förstås tid, men om man lyckas bearbeta en större textmängd i ett svep kan det vara värt ansträngningen. Samtidigt finns förstås en risk för att man samtidigt tillverkar fel, såvida tjänsten inte inbegriper ändringsmarkering. Örjan Skoglösa visade för övrigt i sin presentation av CoTranslatorAI hur man genom iterering av prompter kan förfina översättningsresultatet.
- ■ Och man kan låta AI preparera källtexten inför översättning, t.ex. genom att se till att den följer reglerna för ett lämpligt ”controlled language”. (Eller möjligen be AI peka ut oklarheter i källtexten – detta är en tillämpning som jag inte har stött på, men den känns inte omöjlig.)
- ■ RWS/Trados utvecklar sitt användarstöd på ett kreativt och fruktbart sätt med hjälp av AIs chattfunktion (här finns en beskrivning).
Vidare har vi två användningar där AI kan bidra precis som ”vanlig” MT redan gör, men möjligen mer/bättre/annorlunda:
- ■ Dels för översättningar av språk där det råder brist på översättare (pga att språkområdena är små). Dock kan bristen på dataunderlag förstås göra att resultaten inte blir så bra.
- ■ Dels för att åstadkomma översättning av texter som annars inte skulle bli översatta. Detsamma har ju gällt för användning av MT i flera år, men med skillnaden att MT kräver CAT-verktyg vilket inte AI-översättning gör. (Det finns dock undantag, t.ex. DeepL.)
Fördelar med AI-översättning
Jag har redan nämnt möjligheten till upprepad förbättring av måltexten m.h.a. väl formulerade prompter. (Exempelvis tänker jag mig att det ibland kan vara enklare att i klartext formulera en viss, genomgående förändring i en prompt än med motsvarande s.k. regular expressions.)
En odiskutabel fördel är vidare att AI är bättre på grammatik än MT. Det gäller särskilt böjningsformer (adjektiv, verb, ändelser). Sålunda kan ett byte av exempelvis ett maskulint substantiv mot ett feminint med hjälp av AI innebära att en tillhörande bestämning automatiskt får rätt böjning.
Vidare kan möjligheten till översättning av hela dokument medföra större enhetlighet genom hela måltexten. Men det är förstås svårt att genomföra när man använder AI via CAT-verktyg.
Nackdelar med AI-översättning
Nackdelarna är som bekant många (och delvis förstås desamma som vid traditionell MT-översättning).
- ■ AI är helt olämplig för vissa ämnesområden, t.ex. ekonomiska och juridiska texter (bl.a. årsredovisningar). Då handlar det inte bara om eventuellt bristande sekretess utan kanske framför allt risken för att felaktigheter slinker igenom.
- ■ Förekomsten av s.k. hallucinationer, dvs att AI helt enkelt fabulerar, men på ett så trovärdigt sätt att man som granskare missar det. Vid översättning segmentvis är förstås denna risk betydligt mindre, men ändå inte försumbar.
- ■ Risk för bortfall av text – kan vara lätt att missa när måltexten ändå flyter bra och verkar rimlig.
- ■ Fel pga fel kontext: AI-tjänsten lägger in ord som är rätt i en annan kontext men fel i den det gäller.
- ■ Missar i fråga om specialuttryck: AI-tjänsten saknar helt enkelt underlag som innehåller de specialuttryck som måltexten kräver.
- ■ Missar pga andra ovanligheter i målspråket vilka AI-tjänsten inte känner till.
- ■ Bristande anpassning till målgrupp/målspråkskultur. Många gånger har en kund sin särskilda terminologi, vilken AI-tjänsten kanske helt enkelt saknar.
- ■ Problem med tal/nummerformat, något som en van översättare dock ofta kan korrigera med t.ex. regular expressions eller rentav lämpliga prompter.
Jag tror dock att flera av de här nackdelarna kommer att hanteras bättre i och med att tekniken utvecklas och dataunderlagen blir större.
Men apropå större dataunderlag: det har talats en del om att AI-tjänsterna, som utvecklas med hjälp av kolossala datamängder, snart kommer att få slut på underlagsdata och därför inte kommer att utvecklas lika snabbt i framtiden. OpenAI:s vd Sam Altman menar dock att detta är överdrivet; det handlar mer om att förbättra tekniken än att dammsuga nätet på mer data. Ett mer verkligt problem, som även Altman pekar på, är att användningen av AI kommer att kräva allt mer energi, både för träning av tjänsterna och för deras användning (inte minst för kylning). Sålunda uppskattar IEA att datacentralerna redan om två år kan komma att sluka dubbelt så mycket energi som i dag och stå för en tredjedel av all efterfrågan på ny elektricitet i USA. Där har vi en nackdel som heter duga!
