Ano ang Katalinuhan sa Pagsasalin?

Hindi pagsasalin ang bottleneck. Kakulangan sa konteksto ang problema.

Matagal nang itinuturing ang lokalisasyon bilang usapin ng pagsasalin.

Ilang taon nang nag-o-optimize ang industriya batay sa palagay na ito. Tinutulungan ng mga sistema ng pamamahala ng pagsasalin ang mga team na ipadaan ang content sa mga workflow. Mas mabilis na nakagagawa ang machine translation ng mga unang draft. Muling ginagamit ng translation memory ang mga dating segment. Pinahuhusay ng mga glossary ang pagiging pare-pareho ng mga terminolohiya. Nagbibigay ng pagkakataon sa mga tao ang mga hakbang sa pagsusuri na itama ang mga pagkakamali bago ilathala ang content.

Naging mas episyente ang lokalisasyon dahil sa mga sistemang ito. Nakatulong ang mga ito sa mga kumpanya na magsalin ng mas maraming nilalaman sa mas maraming wika, nang may higit na kontrol sa operasyon.

Ngunit hindi pa nila nalulutas ang pinakamahirap na bahagi ng lokalisasyon.

Hindi na ang pinakamahirap na bahagi ang paggawa ng salin. Kaya na ngayong bumuo ng AI ng maayos at natural na nilalaman sa maraming wika sa loob ng ilang segundo. Ang mas mahirap na tanong ay kung ang salin ay angkop sa produkto, brand, merkado, at karanasan ng customer kung saan ito gagamitin.

Maaaring wasto sa gramatika ang isang salin ngunit mabigo pa rin.

Maaari itong gumamit ng maling termino para sa produkto. Maaaring hindi ito bumagay sa tono ng brand. Maaaring hindi nito maipahayag ang layunin ng mensaheng pang-marketing. Maaaring masyado itong mahaba para sa isang button. Maaaring may saysay ito sa isang editor ng pagsasalin pero maging alanganin naman kapag nakita sa mismong produkto. Maaaring mapanatili nito ang literal na kahulugan ng orihinal pero mawala ang nuance na nagbigay-bisa rito.

Ito ang dahilan kung bakit higit na nalilimitahan ang kalidad ng pagsasalin hindi ng mismong salin, kundi ng katalinuhang nakapaligid dito.

Iyan ang papel ng katalinuhan sa pagsasalin.

Ang talino sa pagsasalin ang imprastrakturang pinagsasama-sama ang magkakahiwalay na kaalaman tungkol sa produkto, brand, UI, merkado, at mga tagasuri upang makagawa ng mas mahuhusay na pasya sa lokalisasyon. Tinutulungan nito ang mga tao at AI na maunawaan kung ano ang ibig sabihin ng nilalaman, kung saan ito lumalabas, kung paano ito dapat tunog, at kung anong mga limitasyon ang dapat nitong sundin bago magsimula ang pagsasalin.

Sa madaling salita: binibigyan ng translation intelligence ang pagsasalin ng kontekstong kailangan nito para maging kapaki-pakinabang.

Bakit hindi sapat ang pagsasalin lamang

Karamihan sa mga proseso ng pagsasalin ay nagsisimula sa isang tekstong pinagmulan.

Maaaring string ng produkto, artikulo sa help center, email, headline ng kampanya, mensahe sa onboarding, o legal na abiso ang tekstong iyon. Sa maraming system, nakikita ng tagasalin o modelo ng AI ang source text, ang target na wika, at marahil ay isang katugma sa glossary.

Ngunit bihirang magtaglay ng sapat na impormasyon ang wika nang mag-isa.

Isaalang-alang ang isang simpleng string:

Gumawa ng proyekto

Mukhang madaling isalin ito. Pero nakadepende sa ilang tanong ang tamang salin.

Button ba ito, item sa menu, o pamagat ng pahina? Isa bang pormal na object ng produkto ang “project,” o pangkalahatang salita lang? Gumagawa ba ang user ng blankong project, nag-i-import nito, o nagsisimula mula sa isang template? Nangangailangan ba ang target na wika ng mas tahasang gramatika? May limitasyon ba sa bilang ng mga character ang button? Naisalin na ba sa ibang lugar ang kaparehong object ng produkto? Dapat bang teknikal, simple, o pang-enterprise ang dating ng tono?

Kung wala ang kontekstong ito, kailangang manghula kapwa ang mga tao at AI.

Lumitaw din ang parehong problema sa lokalisasyon ng marketing. Maaaring maikli, mapanlikha, at epektibo sa damdamin ang headline ng isang kampanya sa Ingles, pero maaaring hindi maipahayag ng literal na salin ang parehong layunin sa ibang merkado. Kailangang maunawaan ng tagasalin hindi lang ang mga salita, kundi pati ang pagpoposisyon, target na audience, alok, tono, at inaasahang reaksiyon.

Lumilitaw din ito sa content ng suporta. Maaaring may terminolohiyang pangprodukto ang isang artikulo ng tulong na kailangang maging pare-pareho sa interface. Kung ibang termino ang ginagamit sa artikulo kaysa sa produkto, maaaring malito ang mga user sa salin kahit tama sa wika ang bawat pangungusap.

Hindi lang ito mga problema sa wika. Mga problema rin ito sa konteksto.

Lumipat na ang pangunahing hadlang mula sa produksyon patungo sa pagpapasya.

Binago ng AI ang ekonomiya ng pagsasalin.

Mabilis na ngayong makagawa ng unang draft. Mas madali na kaysa dati ang paglikha ng mas maraming content sa iba’t ibang wika. Ngunit may bagong hamon ang bilis na ito: kailangang magpasya ang mga team kung ano ang mapagkakatiwalaan, ano ang kailangang suriin, at ano ang nangangailangan ng mas malalim na pag-unawa sa produkto o merkado.

Sa madaling salita, lumipat ang pangunahing hadlang mula sa produksyon tungo sa pagpapasya.

Ang pangunahing tanong ay hindi na lamang:

Paano natin ito isasalin?

Ngayon ay:

Ito ba ang tamang salin para sa partikular na sitwasyong ito?

Nangangailangan ang tanong na iyon ng higit pa sa pagiging matatas. Nangangailangan ito ng konteksto.

Dapat isaalang-alang sa isang de-kalidad na desisyon sa lokalisasyon ang kahulugan ng produkto, intensyon ng user, boses ng brand, mga limitasyon sa disenyo, mga tuntunin sa terminolohiya, mga inaasahan ng merkado, mga kinakailangan sa pagsunod, at mga naunang desisyon. Kapag wala ang impormasyong ito, mano-manong pinupunan ng mga localization team ang kakulangan.

Nagtatanong ang mga tagasalin. Isinusulat muli ng mga reviewer ang teksto. Ipinapaliwanag ng mga product manager ang mga feature. Nangongolekta ng mga screenshot ang mga localization manager. Pinagtatalunan ng mga regional team ang tono. Inaayos ng mga engineer ang mga isyu sa pag-overflow ng UI. Paulit-ulit na ginagawa sa iba’t ibang proyekto ang parehong mga desisyon sa terminolohiya.

Hindi nangangahulugan ang alinman dito na hindi mahusay sa lokalisasyon ang team. Nangangahulugan ito na kulang sa katalinuhan ang system.

Katalinuhan sa pagsasalin kumpara sa pamamahala ng pagsasalin

Magkaibang problema ang nilulutas ng pamamahala sa pagsasalin at katalinuhan sa pagsasalin.

Ang pamamahala sa pagsasalin ay tungkol sa koordinasyon. Tinutulungan nito ang mga team na ayusin ang nilalaman, magtalaga ng mga gawain, pamahalaan ang mga wika, subaybayan ang progreso, at aprubahan ang mga salin.

Nakatuon ang katalinuhan sa pagsasalin sa kalidad ng mga pagpapasya. Tinutulungan nito ang mga team na maunawaan nang malalim ang nilalaman upang maisalin, masuri, at maiangkop ito nang tama.

Maaaring ipaalam ng isang sistema ng pamamahala ng pagsasalin sa isang tagapamahala ng lokalisasyon na handa nang suriin ang isang string.

Maaaring ipakita ng isang layer ng translation intelligence na walang screenshot ang string, sumasalungat ito sa isang tuntunin sa glossary, gumagamit ng terminong pangprodukto na may mataas na panganib, lumalampas sa limitasyon ng character sa UI, o naiiba sa dating inaprubahang salin.

Mahalaga ang pagkakaibang ito dahil hindi lamang nakabatay sa kung nakumpleto ang isang daloy ng trabaho ang kalidad ng lokalisasyon. Nakabatay ito sa kaalamang available sa sandaling nagpapasya tungkol sa isang pagsasalin.

Kapag walang konteksto, nagkakaroon ng magkakaibang resulta kahit ang mga bihasang tagasalin at advanced na modelo ng AI. Kapag may konteksto, nagiging mas maaasahan ang proseso.

Ano ang saklaw ng katalinuhan sa pagsasalin?

Pinagsasama-sama ng translation intelligence ang kaalamang karaniwang kailangan pang manu-manong hanapin ng mga localization team.

Kasama rito ang konteksto ng produkto: kung ano ang ginagawa ng isang feature, kung paano ito ginagamit ng mga user, at kung anong partikular na mga bagay o pagkilos sa produkto ang tinutukoy ng isang parirala.

May kasama itong kontekstong biswal: mga screenshot, pagkakalagay sa UI, uri ng component, limitasyon sa bilang ng character, at mga limitasyon sa disenyo.

Kabilang dito ang konteksto ng brand: boses, tono, mga prinsipyo sa pagmemensahe, at antas ng pormalidad na inaasahan sa iba't ibang merkado.

Kabilang dito ang konteksto ng terminolohiya: mga aprubadong termino, pangalan ng produkto, mga ipinagbabawal na salita, mga tuntunin sa glosaryo, at wikang partikular sa domain.

Kabilang dito ang konteksto ng merkado: mga inaasahan sa kultura, mga kagustuhan sa rehiyon, mga lokal na nakasanayan, at ang pagkakaiba ng direktang pagsasalin at pag-aangkop.

Kabilang dito ang konteksto ng daloy ng trabaho: kung sino ang kailangang magsuri sa nilalaman, anong antas ng panganib ang taglay nito, at kung kailangan ang pag-apruba ng tao.

Higit sa lahat, kasama rito ang kasaysayan ng mga pagpapasya: kung ano ang binago, kung ano ang inaprubahan, kung ano ang itinama ng mga tagasuri, at kung bakit ginawa ang isang partikular na pagpili.

Dito madalas nagkukulang ang mga tradisyonal na sistema ng lokalisasyon. Maaaring nakaimbak sa mga ito ang pinal na salin, pero hindi nila laging napapanatili ang mga dahilan sa likod nito. Dahil dito, naaalala ng mga team kung ano ang isinalin, pero hindi kung bakit.

Binabago iyon ng talino sa pagsasalin. Ginagawa nitong asset na magagamit muli ang kaalaman sa lokalisasyon.

Mula sa memorya ng pagsasalin tungo sa memorya ng pagpapasya

Isa ang translation memory sa pinakamahahalagang ideya sa lokalisasyon. Tinutulungan nito ang mga team na muling gamitin ang mga naunang salin, mabawasan ang paulit-ulit na trabaho, at mapanatili ang pagkakapare-pareho.

Ngunit may limitasyon ang memorya ng pagsasalin: output lang ang natatandaan nito.

Hindi nito laging natatandaan ang konteksto.

Maaari nitong ipakita kung paano isinalin ang isang pangungusap, ngunit hindi kung ginawa ang pagpiling iyon dahil sa tono ng brand, limitadong espasyo sa UI, terminolohiya ng produkto, kagustuhang legal, o feedback ng tagasuri. Maaaring hindi nito ipakita kung naging maayos ang pagsasalin sa aktuwal na paggamit. Maaaring hindi nito ipaliwanag kung dapat ilapat ang parehong pasya sa isang bagong feature o kampanya.

Pinalalawak ng katalinuhan sa pagsasalin ang konsepto ng memorya nang higit pa sa mga isinaling segment.

Lumilikha ito ng memorya para sa mga desisyon.

Itinatala ng memorya ng pagpapasya ang pangangatwiran sa likod ng mga pagpili sa lokalisasyon. Tinutulungan nito ang mga team na maunawaan hindi lang kung ano ang isinalin, kundi pati kung bakit ganoon ang pagkakasalin. Lalo itong nagiging mahalaga kapag bahagi ng proseso ang AI, dahil mas gumagaling ang AI kapag natututo ito mula sa nakaayos na konteksto at feedback ng tao.

Kung babaguhin ng tagasuri ang isang termino, dapat matuto ang sistema mula sa pagbabagong iyon. Kung ipapaliwanag ng isang eksperto sa rehiyon kung bakit hindi angkop sa lokal na merkado ang isang parirala, dapat maging available ang kaalamang iyon sa susunod. Kung lilinawin ng isang product manager ang kahulugan ng isang feature, dapat kasama ang paliwanag na iyon sa mga kaugnay na string sa hinaharap.

Ganito nagiging patuloy na nagpapahusay sa sarili ang lokalisasyon.

Ganito ito sa aktuwal na pagsasagawa

Ibang-iba ang workflow sa localization na isinasaalang-alang ang konteksto kumpara sa tradisyonal na workflow na nakabatay sa mga string.

Bago magsimula ang pagsasalin, kumukuha ang system ng may-kaugnayang konteksto mula sa mga tool kung saan isinasagawa na ang trabaho. Nauunawaan nito kung saan nagmula ang nilalaman, kung bahagi ito ng interface ng produkto, artikulo ng tulong, pahina ng marketing, o kampanya. Maaari itong mag-attach ng mga screenshot, tumukoy ng terminolohiya, maghanap ng mga kaugnay na string, kunin ang mga naunang pasya, at magpakita ng mga panganib bago makita ng tagasalin o tagasuri ang gawain.

Sa panahon ng pagsasalin, ginagabayan ang mga mungkahi ng AI ng kaalaman tungkol sa produkto, mga panuntunan sa glossary, tono ng brand, at mga limitasyon ng UI. Sa halip na gumawa ng pangkalahatang salin, maaaring magmungkahi ang system ng saling angkop sa aktuwal na gamit.

Sa panahon ng pagsusuri, hindi hinihiling sa mga tao na siyasatin ang lahat mula sa simula. Maaari silang tumuon sa mga desisyong nangangailangan ng pagpapasya: mga malabong termino, tekstong may malaking epekto, pag-aangkop sa merkado, legal na panganib, tono, o content na sumasalungat sa naunang gabay.

Pagkatapos ng pagsusuri, hindi lang basta iniimbak ng daloy ng trabaho ang huling salin. Itinatala nito kung ano ang nagbago at ibinabahagi ang kaalamang iyon sa mga susunod na gawain.

Ito ang paglipat mula sa pagsasalin bilang minsanang gawain tungo sa lokalisasyon bilang isang sistema ng pagkatuto.

Bakit nakasentro sa katalinuhan sa pagsasalin ang ginagawa ng Hyperlocalise

Sa Hyperlocalise, naniniwala kami na hindi lang bilis ng pagsasalin ang magtatakda sa susunod na henerasyon ng software para sa lokalisasyon.

Mahalaga ang bilis. Pero kung walang konteksto ang bilis, maaari itong magdulot ng mas maraming trabaho para sa mga tagasuri, mas maraming hindi pagkakapare-pareho sa iba't ibang merkado, at mas maraming kawalang-katiyakan bago maglathala.

Isinasama ng Hyperlocalise ang kaalamang pangsalin sa daloy ng trabaho sa lokalisasyon upang mabigyan ng konteksto ang mga team sa simula pa lang ng proseso. Layunin ng aming pamamaraan na tulungan ang AI at mga taong tagasuri na magamit ang impormasyong kailangan nila: konteksto ng produkto, mga screenshot, mga tuntunin sa glossary, tinig ng brand, mga limitasyon ng UI, mga kinakailangan sa daloy ng trabaho, at mga naunang pasya sa lokalisasyon.

Mahalaga ito dahil nasa karamihan na ng mga kumpanya ang kaalamang kailangan para sa mas mahusay na lokalisasyon. Ang problema, kalat-kalat ang kaalamang ito. Nasa mga tool para sa produkto, design file, platform para sa suporta, content system, komento sa pagsusuri, usapan sa Slack, at isip ng bawat miyembro ng team.

Tinutulungan ng Hyperlocalise na maisalin sa praktikal na pagkilos ang kaalamang iyon.

Sa halip na hilingin sa mga tagasalin at tagasuri na maghanap ng konteksto, awtomatikong dinadala ng Hyperlocalise ang tamang konteksto sa proseso ng pagsasalin. Sa halip na ituring ang AI bilang pangkalahatang tagasalin, ginagamit ng Hyperlocalise ang konteksto para gabayan ang AI sa paggawa ng mas mahusay na mga pasya. Sa halip na mawala ang feedback ng mga tagasuri kapag natapos na ang isang gawain, tinutulungan ng Hyperlocalise na gawing memorya ang feedback para mapahusay ang mga susunod na gawain.

Hindi layunin nitong alisin ang pagpapasya ng tao. Layunin nitong gawing mas nakatuon, mas may sapat na kaalaman, at magagamit muli ang pagpapasya ng tao.

Ang kinabukasan ng lokalisasyon ay nakabatay sa konteksto

Ang mga kumpanyang magtatagumpay sa buong mundo ay hindi basta yaong mga kumpanyang pinakamaraming salita ang isinasalin. Sila ang mga kumpanyang malinaw, pare-pareho, at natural na nakikipag-ugnayan sa bawat merkado.

Nangangailangan iyon ng higit pa sa pagsasalin.

Nangangailangan ito ng mga system na nakauunawa sa ugnayan ng wika, produkto, brand, disenyo, at karanasan ng customer.

Kaya mahalaga ang translation intelligence.

Nagbibigay ito sa mga localization team ng mas matibay na pundasyon sa paggamit ng AI. Binabawasan nito ang paulit-ulit na pangangalap ng konteksto. Tinutulungan nito ang mga tagasuri na magtuon sa mga pasyang may malaking halaga. Pinahuhusay nito ang pagkakapare-pareho ng nilalaman sa produkto, marketing, at suporta. Pinananatili nito ang kaalamang pinagbabatayan ng mga pasya sa pagsasalin para hindi paulit-ulit na lutasin ng mga team ang parehong mga problema.

Hindi na hadlang ang pagsasalin.

Ang nawawalang konteksto ay.

Ang translation intelligence ang paraan kung paano pinupunan ng mga modernong team sa localization ang puwang na iyon.

Para sa mas malawak na paglipat mula sa pagsasalin tungo sa komunikasyong handa para sa merkado, tingnan ang Hyperlocalisation: Bakit Higit Pa sa Pagsasalin ang Kailangan para sa Pandaigdigang Paglago. Para malaman kung paano ilapat ang mga ideyang ito sa pagsusuri ng mga platform, tingnan ang Paano Pumili ng Tuloy-tuloy na Workflow para sa Lokalisasyon.