Mula sa Pamamahala ng Pagsasalin tungo sa Katalinuhan sa Pagsasalin

Sa mahigit dalawang dekada, nakatuon ang teknolohiya sa lokalisasyon sa isang pangunahing hamon sa operasyon: kung paano pamahalaan ang pagsasalin nang malawakan.

Nakatulong ang mga Sistema sa Pamamahala ng Pagsasalin sa mga organisasyon na palitan ang mga spreadsheet, palitan ng email, magkakahiwalay na vendor, at manu-manong pagpapalitan ng mga file ng mga organisadong workflow. Isinentralisa ng mga ito ang nilalamang nasa iba’t ibang wika, pinag-ugnay ang mga tagasalin at tagasuri, pinanatili ang terminolohiya, muling ginamit ang mga naunang salin, at sinubaybayan ang paghahatid sa iba’t ibang merkado.

Mahalagang ebolusyon ito. Naging mas madaling pamahalaan, sukatin, at isama ang pagsasalin sa mas malawak na mga operasyon sa nilalaman. RWS inilalarawan ang pamamahala ng pagsasalin bilang koordinasyon ng mga tao, proseso, at teknolohiyang kinakailangan upang maisalin ang nilalaman nang mahusay at pare-pareho sa iba't ibang wika.

Ngunit nagbago na ang kapaligirang pinagtatrabahuhan ng lokalisasyon.

Hindi na lamang mga nakumpletong dokumento o paminsan-minsang release ng produkto ang isinasalin ng mga modernong organisasyon. Patuloy nilang nilo-localize ang mga interface, campaign, artikulo sa help center, daloy ng onboarding, pahina ng pagpepresyo, legal na mensahe, sistema ng disenyo, at mga komunikasyon sa customer na palaging nagbabago. Ginagawa ang content sa iba’t ibang repository, tool sa disenyo, sistema ng pamamahala ng content, platform ng suporta, at application sa marketing.

Kaya hindi na lamang sa pamamahala ng gawain sa pagsasalin nakatuon ang hamon.

Ang mas malaking hamon ay ang pag-unawa sa konteksto sa likod ng bawat desisyon sa pagsasalin.

Ito ang paglipat mula sa Pamamahala ng Pagsasalin tungo sa Katalinuhan sa Pagsasalin.

Ginawa ang pamamahala sa pagsasalin upang isaayos ang produksyon

Ang tradisyonal na daloy ng trabaho sa lokalisasyon ay sumusunod sa isang medyo malinaw na pagkakasunod-sunod. Ipinapasok ang pinagmulang nilalaman sa isang sistema, itinatalaga ang gawain, gumagawa ang mga tagasalin ng nilalaman sa target na wika, inaaprubahan ito ng mga tagasuri, at ibinabalik ang natapos na salin sa pangkat na humiling nito.

Sinusuportahan ng memorya ng pagsasalin ang muling paggamit ng dating naaprubahang nilalaman. Pinapahusay ng mga database ng terminolohiya ang pagkakapare-pareho. Ina-automate ng mga panuntunan sa workflow ang mga pagtatalaga, pag-apruba, at paghahatid. Binabawasan ng mga integration ang pangangailangang manu-manong maglipat ng mga file sa pagitan ng mga system.

Mahalaga pa rin ang mga kakayahang ito. Nilulutas ng mga ito ang operasyonal na problema ng pagdaan ng nilalamang maraming wika sa isang kontroladong proseso.

Gayunman, pangunahing gumagana ang mga ito pagkatapos maitakda ang gawain sa pagsasalin.

Maaari nilang ipakita sa tagasalin kung paano isinalin dati ang isang katulad na pangungusap, ngunit hindi nila palaging ipinapaliwanag kung bakit iyon ang piniling salin. Maaari silang magbigay ng inaprubahang termino, ngunit maaaring hindi nila matukoy kung naaangkop ang terminong iyon sa partikular na screen, feature, audience, o market na ito.

Isaalang-alang ang isang maikling source string tulad ng:

Mag-upgrade na ngayon

Maaaring nakadepende ang tamang salin sa kung lalabas ang text sa isang button, sa subject ng email, sa page ng pagpepresyo, o sa notification ng account. Maaaring tumukoy ito sa isang subscription plan, bersyon ng software, entitlement, o tier ng serbisyo. Maaaring kailanganin nitong sumunod sa isang aprubadong campaign message, magkasya sa mahigpit na limitasyon ng interface, o gumamit ng ibang tono para sa isang partikular na market.

Simple ang pangungusap. Hindi simple ang desisyon.

Maaaring maihatid ng tradisyonal na sistema ang string sa tamang tao. Hindi nito palaging mabubuo muli ang kumpletong konteksto ng produkto at negosyo na kailangan para maisalin ito nang maayos.

Sentralisado ang daloy ng trabaho, ngunit watak-watak ang kaalaman.

Sa karamihan ng mga organisasyon, nakakalat sa maraming sistema ang kaalamang kailangan para sa lokalisasyon.

Maaaring nakadokumento ang gawi ng produkto sa isang issue tracker. Maaaring nasa Figma ang pinakabagong interface. Maaaring sa source code lang makikita ang mga teknikal na limitasyon. Maaaring nasa isang presentation o dokumento ang mga gabay sa brand. Maaaring nakabaon sa mga komento ng reviewer ang mga kagustuhan ng merkado. Maaaring nakaimbak sa hiwalay na repositoryo ng mga patakaran ang mga legal na kinakailangan.

Inaasahan ding buuing muli ng tagasalin ang kahulugan mula sa hindi kumpletong ebidensiya.

Isa ito sa mga pangunahing limitasyon ng tradisyonal na modelo: maaaring sentralisado ang daloy ng trabaho sa pagsasalin, ngunit hindi sentralisado ang kaalamang nakapaligid sa gawain.

Habang mas bumibilis ang trabaho ng mga product at content team, mas nagiging magastos ang agwat na ito. Maaaring magbago nang ilang beses ang mga string ng produkto bago ilabas. Maaaring i-update ang mga campaign habang tumatakbo ang mga ito. Nagbabago ang content ng suporta bilang tugon sa gawi ng mga customer. Inaasahan na ngayon ng mga team na tuloy-tuloy na isinasagawa ang lokalisasyon, sa halip na maging huling yugto ng produksyon.

Gayunpaman, kadalasan ay nananatiling mano-mano ang sumusuportang konteksto.

Hindi pare-pareho ang pagdaragdag ng mga screenshot. Naluluma ang mga paglalarawan. Humihingi ang mga tagasalin ng paglilinaw sa mga team ng produkto. Paulit-ulit na ipinapaliwanag ng mga reviewer ang parehong kagustuhan sa merkado. Nananatili sa mga komento ang mahahalagang pagwawasto sa halip na makatulong sa mga susunod na gawain.

Maaaring na-automate ng organisasyon ang paglipat ng nilalaman habang halos hindi nagbabago ang paglipat ng kaalaman.

Pinapabilis ng AI ang pagsasalin, pero hindi nangangahulugang mas tumpak ito.

Binago ng generative AI ang ekonomiya ng nilalamang maraming wika.

Maaari nang maisagawa ang pagsasalin sa loob ng ilang segundo. Kayang baguhin ng mga modelo ang nilalaman para sa iba't ibang tono, bumuo ng mga alternatibo, sumunod sa mga tagubilin sa terminolohiya, at magproseso ng mas maraming impormasyong pangkonteksto kaysa sa mga naunang sistema.

Ngunit hindi dapat ipagkamali ang pagiging matatas sa kawastuhan.

Maaaring natural pakinggan ang saling ginawa ng AI kahit mali ang pagkaunawa nito sa produkto, mali ang napiling aprubadong termino, nalabag ang isang limitasyon ng interface, o hindi napanatili ang layunin ng orihinal na mensahe.

Patuloy na ipinapakita ng pananaliksik sa pagsasaling-wika ng makina na nakadepende ang kalidad ng pagsasalin sa higit pa sa pagiging maayos ng daloy sa antas ng pangungusap. Ang konteksto ng dokumento, kaalaman sa larangan, diskurso, terminolohiya, at nilalayong paggamit ay maaaring makaapekto kung angkop ang isang salin.

Lalong nagiging mahalaga ang pagkakaibang ito habang nagiging mas kapani-paniwala ang mga output ng AI.

Madaling matukoy ang mga halatang pagkakamali sa gramatika. Hindi ganoon kadaling matukoy ang mga banayad na pagkakamali sa produkto. Maaaring perpektong basahin ang isang pangungusap ngunit naipaparating nito ang maling aksyon, maling antas ng katiyakan, o maling ugnayan sa pagitan ng gumagamit at ng produkto.

Kaya ang mahalagang tanong ay hindi lamang kung kayang magsalin ng AI.

Ito ay kung kaya ng sistema na maibigay sa tamang modelo o tao ang tamang ebidensiya, mga tagubilin, mga limitasyon, at kaalaman ng organisasyon.

Iyan ang papel ng Translation Intelligence.

Ano ang Katalinuhan sa Pagsasalin?

Ang Translation Intelligence ay ang imprastrakturang nagiging daan upang maisalin ang kaalaman tungkol sa produkto, brand, wika, merkado, at mga tagasuri tungo sa mas mahusay na mga desisyon sa lokalisasyon.

Ang Pamamahala ng Pagsasalin ang nag-uugnay sa gawain.

Pinapahusay ng Translation Intelligence ang pangangatwiran sa likod ng trabaho.

Dapat makatulong ang isang sistema ng Translation Intelligence na matukoy:

• kung ano ang kahulugan ng isang content;
• kung saan ito lumilitaw;
• kung kanino ito nilayon;
• kung aling mga tuntunin sa produkto, tatak, wika, at merkado ang nalalapat;
• kung paano pinangasiwaan dati ang katulad na nilalaman;
• kung gaano kataas ang antas ng panganib na dala ng pagsasalin nito;
• at kapag kailangan ang pagpapasya ng tao.

Kinakatawan nito ang mas malawak na papel para sa teknolohiya ng lokalisasyon.

Inaayos ng mga tradisyonal na platform ang mga asset gaya ng mga file, memorya ng pagsasalin, glossary, daloy ng trabaho, at sangguniang materyal. Ikinokonekta rin ng isang matalinong sistema ang mga screenshot, dokumentasyon ng produkto, mga bahagi ng disenyo, metadata ng source code, feedback ng reviewer, mga kagustuhan ng merkado, performance ng content, at makasaysayang datos ng kalidad.

Hindi layunin na tipunin ang lahat ng impormasyon ng kumpanya sa iisang malaking imbakan. Layunin nitong kunin at gamitin ang nauugnay na impormasyon kapag nagpapasya tungkol sa isang salin.

Para sa label ng produkto, maaaring tumukoy ito sa pinakabagong screenshot, pangalan ng component, inaprubahang terminolohiya, at limitasyon sa bilang ng character. Para sa headline ng kampanya, maaaring tumukoy ito sa target na audience, pagpoposisyon ng brand, mga lokal na inaasahan sa merkado, at nakaraang feedback sa creative.

Ginagawang bahagi ng aktuwal na proseso ng Translation Intelligence ang konteksto, sa halip na opsyonal lang ito.

Gaya ng tinalakay sa Ano ang Translation Intelligence?, mas nagiging madaling gawin ang pagsasalin mismo. Ang mas mahirap at mas matibay na kakayahan ay ang pag-unawa kung aling kaalaman ang dapat makaimpluwensya sa resulta.

Mula sa awtomasyon ng workflow hanggang sa matalinong pagsisiyasat

Sinusunod ng tradisyonal na automation ng workflow ang mga paunang itinakdang panuntunan.

Kapag may bagong nilalaman, gumawa ng gawain sa pagsasalin. Kapag kumpleto na ang pagsasalin, italaga ito para sa pagsusuri. Kapag natanggap na ang pag-apruba, ibalik ang nilalaman sa source system.

Binabawasan nito ang gawaing pangkoordinasyon, ngunit hindi nito sinusuri kung ano ang kailangan ng pagsasalin.

Maaaring suriin ng mas matalinong sistema ang pinagmulang content, tukuyin ang nauugnay na feature, kumuha ng mga screenshot na sumusuporta rito, hanapin ang mga tuntunin sa terminolohiya, saliksikin ang mga nakaraang desisyon, tuklasin ang kalabuan, pumili ng angkop na modelo o tagasuri, at tasahin ang resulta bago ito ihatid.

Dito nagiging partikular na mahalaga ang mga AI agent.

Sa halip na hintayin ang mga localization team na manu-manong magtipon ng impormasyon, maaaring kumuha ng konteksto ang mga agent mula sa mga nakakonektang system at direktang gawin itong available sa loob ng workflow ng pagsasalin.

Maaaring makatulong ang isang ahente sa pagsagot:

• Saan lumalabas ang nilalamang ito?
• Ano ang ginagawa ng feature?
• Aling terminolohiya ang naaangkop?
• May naitama na bang katulad na pananalita dati?
• May mga variable o limitasyon sa interface ba ang nilalaman?
• Ligtas bang i-automate ang pagsasalin?
• Nangangailangan ba ito ng legal, malikhaing, o pagsusuri sa merkado?

Sa Hyperlocalise, mahalagang bahagi ng aming pananaw sa magiging pag-unlad ng susunod na henerasyon ng mga platform para sa lokalisasyon ang bahaging ito ng masusing pagsusuri.

Hindi lamang dapat magproseso ng mga gawain sa pagsasalin ang sistema. Dapat din itong makatulong sa pag-unawa sa mga ito.

Mula sa mga static na asset tungo sa kaalamang umuunlad nang kusa

Nakapagpapanatili ng mahalagang kaalaman sa wika ang mga translation memory at glossary, pero madalas ay medyo hindi nagbabagong mga asset ang mga ito.

Nagbabago ang mga produkto. Nagbabago ang wika ng brand. Nagpapakilala ang mga bagong feature ng mga bagong konsepto. Bumubuo ng mga kagustuhan ang mga team sa merkado. Paulit-ulit na nagwawasto ang mga tagasuri, ngunit maaaring hindi ito kailanman maging pormal na gabay.

Dapat matuto ang isang sistema ng Translation Intelligence mula sa aktibidad na ito.

Kapag palaging pinapalitan ng mga reviewer ang isang termino ng ibang termino, dapat matukoy ng system ang pattern. Kapag nag-iiba ang pagsasalin ng isang parirala depende sa feature ng produkto, dapat panatilihin ng system ang pagkakaibang iyon. Kapag paulit-ulit na hindi maganda ang performance ng isang modelo sa isang partikular na uri ng content o pares ng wika, dapat umangkop ang workflow.

Hindi layunin na gawing pangkalahatang tuntunin ang bawat pag-edit.

May ilang feedback na naaangkop sa lahat. May ilan namang para lamang sa isang merkado, kampanya, feature, o uri ng content. Dapat maunawaan ng matalinong imprastraktura para sa lokalisasyon ang saklaw na iyon.

Ginagawa nitong magagamit muli bilang kaalaman ng organisasyon ang feedback ng reviewer, sa halip na manatili itong isang hiwalay na pagwawasto.

Sa halip na paulit-ulit na lutasin ang parehong problema, mas nagiging mahusay ang sistema pagkatapos ng bawat naaprubahang desisyon.

Mula sa magkakaparehong workflow tungo sa orkestrasyong batay sa panganib

Madalas gamitin ng mga tradisyonal na workflow sa pagsasalin ang parehong proseso para sa malalaking pangkat ng content.

Maaaring dumaan ang bawat string sa parehong pagkakasunod-sunod ng modelo, tagasalin, tagasuri, at pag-apruba, anuman ang kahalagahan nito sa negosyo o pagiging komplikado nito sa wika.

Ngunit hindi pare-pareho ang panganib na dala ng bawat pagsasalin.

Maaaring i-automate ang isang label sa nabigasyon kung malakas ang pagtutugma nito sa mga nakaraang halimbawa. Maaaring mangailangan ng malikhaing pag-aangkop ang isang kampanya sa paglulunsad. Maaaring kailanganin ng legal na pagsusuri ang isang pahayag na napapailalim sa regulasyon. Maaaring maging makatwiran ang pagpapatunay sa merkado para sa isang daloy ng onboarding na malawak ang naaabot.

Nagbibigay-daan ang Translation Intelligence na mairuta ang trabaho batay sa konteksto, kumpiyansa, at epekto.

Matutukoy ng system kung gagamitin muli ang isang aprubadong salin, bubuo ng bagong mungkahi, maghahambing ng maraming output, kukuha ng tulong sa isang espesyalista, o ie-escalate ang content para sa karagdagang pagsusuri.

Lumilikha ito ng mas epektibong modelong may pakikilahok ng tao sa proseso.

Mas kaunting oras ang ginugugol ng mga lingguwista at eksperto sa merkado sa pagsusuri ng nilalamang madaling hulaan, at mas maraming oras sa mga pagpapasyang nangangailangan ng pag-unawa sa kultura, estratehikong interpretasyon, o pananagutan.

Iyan din ang direksyon ng karanasan sa CAT na susunod na henerasyon: hindi pag-aalis sa mga tao sa lokalisasyon, kundi pagbibigay sa kanila ng mas magandang konteksto, mas angkop na mga rekomendasyon, at mas malinaw na pagtingin kung saan mahalaga ang kanilang kadalubhasaan.

Mula sa pagtitiyak ng kalidad hanggang sa patuloy na pagsusuri

Sa mga tradisyonal na workflow, madalas na isinasagawa ang quality assurance malapit sa katapusan ng proseso.

Sinusuri ng isang tagasuri ang salin, gumagawa ng mga pagwawasto, at inaaprubahan ang pinal na nilalaman. Naipapasa ang gawain, ngunit maaaring hindi gaanong makaapekto sa mga susunod na daloy ng trabaho ang mga dahilan sa likod ng mga pagwawastong iyon.

Inililipat ng Translation Intelligence ang pagsusuri sa buong proseso.

Bago magsimula ang pagsasalin, maaaring tasahin ng system kung sapat ang konteksto. Habang isinasagawa ang pagsasalin, maaari nitong suriin ang terminolohiya, pag-format, mga numero, variable, at mga limitasyon sa haba. Pagkatapos ng pagsasalin, maaari nitong tasahin ang kahulugan, tono, pagkakapare-pareho, at pagiging angkop sa merkado.

Kapag nakapagpasya na ang isang taong tagasuri, maihahambing ng sistema ang nabuong output sa inaprubahang resulta at matutukoy kung ano ang nagbago.

Sa paglipas ng panahon, lumilikha ito ng ebidensya para sa mga tanong gaya ng:

• Aling mga modelo ang pinakamahusay para sa bawat wika at uri ng content?
• Aling mga bahagi ng produkto ang nagdudulot ng pinakamaraming kalabuan?
• Aling mga tuntunin sa terminolohiya ang paulit-ulit na nilalabag?
• Aling mga pamilihan ang nangangailangan ng mas maraming pakikilahok ng tao?
• Aling mga pinagmumulan ng konteksto ang may pinakamalaking epekto sa kalidad?
• Saan maaaring ligtas na dagdagan ang automation?
• Saan dapat manatiling sapilitan ang pagsusuri ng tao?

Inililipat nito ang kalidad ng lokalisasyon lampas sa pagsusuri ng mga indibidwal na output.

Nagiging tuluy-tuloy na sistema ng pagkatuto ito.

Binabago ng Translation Intelligence ang papel ng mga pangkat sa lokalisasyon

Ang paglipat mula sa Pamamahala ng Pagsasalin tungo sa Translation Intelligence ay hindi lamang pagbabago sa teknolohiya. Binabago rin nito ang papel ng tungkuling lokalisasyon.

Sa tradisyonal na modelo, madalas ituring ang lokalisasyon bilang serbisyong panghuling yugto. Gumagawa ng content ang mga team sa produkto, marketing, o suporta, ipinapasa ito para isalin, at naghihintay sa output na nasa maraming wika.

Sa ilalim ng modelo ng intelligence, nagiging bahagi ng pandaigdigang imprastraktura ng pagpapasya ng organisasyon ang lokalisasyon.

Pinag-uugnay nito ang kaalaman sa produkto, engineering, disenyo, marketing, legal, suporta, at lokal na merkado. Ipinapakita nito kung saan malabo ang pinagmulang content, kung saan nagdudulot ng kalituhan ang terminolohiya, kung saan maaasahan ang automation, at kung saan pinakamalaki ang naidudulot na halaga ng kaalaman ng tao.

Samakatuwid, hindi na lamang responsable ang mga pangkat sa lokalisasyon sa pag-uugnay ng mga proyekto at vendor.

Lalo silang nagiging responsable sa pagdidisenyo kung paano ginagawa, sinusuri, pinamamahalaan, at pinagbubuti ang mga pasyang multilingguwal.

Nangangailangan ito ng mas matibay na kakayahan sa pamamahala ng kaalaman, pamamahala sa AI, inhinyeriya ng konteksto, pagsusuri ng kalidad, integrasyon ng mga sistema, at pagdidisenyo ng mga daloy ng trabaho batay sa panganib.

Nananatiling sentral ang kadalubhasaan sa lingguwistika. Ngunit nakapaloob na ito sa mas malawak na antas ng katalinuhan.

Hindi nawawala ang pamamahala sa pagsasalin.

Hindi dapat ituring ang Translation Intelligence bilang kapalit ng Translation Management Systems.

Kailangan pa rin ng mga organisasyon ang koordinasyon ng proyekto, mga pahintulot, terminolohiya, memorya ng pagsasalin, mga kontrol sa daloy ng trabaho, mga integrasyon, at pag-uulat. Nananatiling pundamental na kakayahan ang mga ito.

Ano ang nagbabago ay ang inaasahang papel ng platform.

Nakatuon ang nakaraang henerasyon ng teknolohiya sa lokalisasyon sa mahusay na pagpapadaan ng content sa proseso.

Dapat ding maghatid ng kaalaman ang susunod na henerasyon sa prosesong iyon, gumabay sa mga desisyon, magsuri ng mga kinalabasan, at matuto mula sa puna ng mga tao.

Itinatanong ng Pamamahala ng Pagsasalin:

Paano natin inaayos at inihahatid ang nilalamang multilingguwal?

Itinatanong ng Translation Intelligence:

Paano natin matitiyak na ang bawat tao at AI system ay may kinakailangang kaalaman upang makagawa ng tamang desisyon sa lokalisasyon?

Kakailanganin ng mga pandaigdigang organisasyon ang dalawa.

Ang susunod na panahon ng lokalisasyon

Habang bumibilis at nagiging mas awtomatiko ang pagsasalin, hindi lamang sa paglikha ng mga salitang nasa iba't ibang wika magmumula ang kalamangan sa kompetisyon.

Magmumula ito sa pag-unawa sa kahulugan.

Alam ng pinakamahuhusay na sistema ng lokalisasyon kung paano nauugnay ang content sa produkto, audience, merkado, brand, at mga naunang pasya ng organisasyon. Awtomatiko nilang kukunin ang kaugnay na konteksto, ilalapat ito nang pili, patuloy na susuriin ang mga output, at pagbubutihin ang mga ito sa pamamagitan ng pagsusuri ng tao.

Ito ang pagbabagong nagaganap ngayon sa buong industriya ng lokalisasyon.

Mula sa pamamahala ng mga file hanggang sa pag-unawa sa nilalaman.

Mula sa pag-iimbak ng mga salin hanggang sa pagkatuto mula sa mga desisyon.

Mula sa pag-automate ng mga handoff hanggang sa pag-automate ng imbestigasyon.

Mula sa mga static na linguistic asset tungo sa kaalamang patuloy na umuunlad.

Mula sa Pamamahala ng Pagsasalin tungo sa Katalinuhan sa Pagsasalin.

Binubuo ng Hyperlocalise ang kinabukasang ito sa pamamagitan ng mga AI agent, isang CAT experience ng susunod na henerasyon, at isang context engine na patuloy na umuunlad nang kusa na idinisenyo upang tulungan ang mga pandaigdigang team na makagawa ng mas mahuhusay na salin nang hindi na kailangang magsagawa ng maraming manu-manong pagsisiyasat.

Ang susunod na henerasyon ng software para sa lokalisasyon ay hindi lamang mamamahala ng pagsasalin.

Mas magiging matalino ang organisasyon sa kung paano ito nakikipag-ugnayan sa iba't ibang merkado.

Karagdagang babasahin

• Ano ang Katalinuhan sa Pagsasalin?
• Paano Pumili ng Tuloy-tuloy na Daloy ng Trabaho sa Lokalisasyon
• Hyperlocalise
• Pangkalahatang-ideya ng pamamahala ng pagsasalin — RWS
• Pananaliksik sa pagsasalin ng makina na isinasaalang-alang ang konteksto — ScienceDirect
• Pagsusuri ng tao at konteksto sa antas ng dokumento sa pagsasalin ng makina — arXiv