İçindekiler
Yapay Zeka Destekli Çeviri İş Akışları: Machine Translation'dan Post-Editing'e
Yazılım çevirmek, eskiden çeviri ajanslarına elektronik tablo göndermek ve haftalarca sonuç beklemek anlamına geliyordu. Bugün yapay zeka destekli çeviri iş akışları, ekiplerin yerelleştirmeye yaklaşımını kökten değiştirdi; makine çevirisi motorlarını, otomatik kalite tahminini ve yapılandırılmış post-editing sürecini tek bir sürekli pipeline'a birleştirdi. Ancak ham makine çevirisi tek başına nadiren üretim standartlarını karşılar. Asıl atılım, tüm iş akışını orkestre etmekte yatıyor: MT çıktısının ne zaman yeterli olduğunu, ne zaman hafif düzenleme gerektirdiğini ve ne zaman tam insan incelemesi gerektirdiğini bilmek.
Bu kılavuz, ham MT çıktısından üretime hazır yerelleştirilmiş içeriğe kadar uçtan uca AI çeviri pipeline'ını ele alıyor ve ürününüzle birlikte ölçeklenen bir iş akışı nasıl kurulur bunu gösteriyor.
Temel Çıkarımlar
- Yapay zeka çeviri iş akışları birden fazla aşamayı birleştirir — makine çevirisi, kalite tahmini, post-editing ve inceleme — içeriği kalite eşiklerine göre yönlendiren otomatik bir pipeline'a dönüştürür.
- Her içerik aynı düzeyde insan incelemesi gerektirmez. Kalite tahmin araçları, MT çıktısının olduğu gibi yayına girip girmeyeceğini, hafif düzenleme mi yoksa tam post-editing mi gerektirdiğini otomatik olarak belirleyebilir.
- Machine Translation Post-Editing (MTPE), MT'yi ilk taslak olarak kullanan ve ardından hedefli insan düzeltmeleri uygulayan sektör standardı yaklaşımdır; sıfırdan çeviriye kıyasla maliyet ve teslim süresini azaltır.
- Sürekli yerelleştirme, çeviriyi CI/CD pipeline'ınıza entegre eder böylece yeni dizeler, büyük toplu aktarımlar halinde değil, geliştiriciler kod commit ettikçe artımlı olarak çevrilir.
- Çeviri yazılımı basit dize değiştirmenin çok ötesine geçmiştir. Modern araçlar, bağlam farkında AI modelleri, çeviri belleği ve sözlük uygulamasını kullanarak ilk geçişte önemli ölçüde daha iyi çıktı üretir.
Yapay Zeka Destekli Çeviri İş Akışı Nedir?
Yapay zeka destekli çeviri iş akışı; kalite standartlarını korurken büyük ölçekte içerik çevirmek için makine çevirisi motorlarını, kalite tahmin modellerini ve post-editing süreçlerini kullanan yapılandırılmış bir pipeline'dır. Son çıktıyı üretmek için tek bir MT motoruna güvenmek yerine, içeriği uygun insan incelemesi düzeyinden geçirmek üzere her biri tanımlanmış kalite kapıları bulunan birden fazla aşamayı orkestre eder.
Çeviri İş Akışlarının Evrimi
Çeviri iş akışları dört farklı aşamadan geçti:
Aşama 1 — Tamamen Manuel (2000 Öncesi): Çevirmenler, hiçbir otomasyon olmadan kaynak belgeler üzerinde çalıştı. Aynı içerik daha önce çevrilmiş olsa bile her dize sıfırdan çevrildi. Teslim süresi hafta veya aylarla ölçülüyordu.
Aşama 2 — Translation Memory (2000'ler): SDL Trados ve MemoQ gibi araçlar, önceden çevrilmiş segmentleri depolayan translation memory (TM) veritabanlarını tanıttı. Bir çevirmen daha önce çevrilmiş bir cümleye benzer bir cümleyle karşılaştığında TM, önceki çeviriyi öneriyordu. Bu, tekrarlayan işleri azalttı ancak yeni her dize için hâlâ insan çevirmen gerektiriyordu.
Aşama 3 — MT Destekli (2010'lar): İstatistiksel makine çevirisi (SMT) ve ardından neural machine translation (NMT), ilk geçiş aracı olarak kullanılabilir hale geldi. Çevirmenler, sıfırdan çeviri yapmak yerine MT çıktısını başlangıç noktası olarak kullanmaya başladı. Google Translate ve DeepL yaygın ön-çeviri motorları haline geldi. Ancak iş akışları büyük ölçüde manueldi; çevirmenler neyi tutacaklarına ve neyi yeniden yazacaklarına kendi başlarına karar veriyordu.
Aşama 4 — Yapay Zeka Orkestrasyonu (2020'ler–Günümüz): Modern iş akışları, yalnızca çeviri için değil tüm pipeline yönetimi için AI kullanıyor. Kalite tahmin modelleri MT çıktısını otomatik olarak puanlıyor. Yönlendirme kuralları, yüksek güvenilirlikli çevirileri doğrudan incelemeye gönderirken düşük güvenilirlikli segmentleri tam post-editing için işaretliyor. Çeviri belleği, sözlükler ve bağlamsal metadata, ilk geçiş kalitesini artırmak için MT motoruna besleniyor. İnsan rolü "çevirmen"den "gözden geçiren ve editör"e dönüşüyor.
Modern Yapay Zeka Çeviri Pipeline'ı
Üretime hazır bir AI çeviri pipeline'ı içeriği altı aşamadan geçirir. Her aşamanın nasıl çalıştığı ve ne ürettiği:
Aşama 1: İçerik Çıkarma
Kaynak dizeler, kod tabanınızdan, CMS'nizden veya içerik deponuzdan çıkarılır. Yazılım yerelleştirmesi için bu, genellikle JSON, YAML veya XML dosyalarından anahtar-değer çiftleri çekmek anlamına gelir. Pazarlama içerikleri için CMS girişlerinden paragraf, başlık ve metadata çıkarmak demektir.
Temel değerlendirmeler:
- Bağlamı koruyun — her dizenin yanında geliştirici yorumlarını, ekran görüntülerini veya karakter sınırlarını ekleyin
- Biçimlendirmeyi koruyun — HTML etiketleri, değişkenler (
{userName}gibi) ve çoğullama kuralları çıkarma işleminden sağlam çıkmalıdır - Durumu takip edin — hangi dizelerin son çeviri döngüsünden bu yana yeni, değiştirilmiş veya değişmeden kaldığını bilin
Aşama 2: Machine Translation
Çıkarılan dizeler bir veya daha fazla MT motoruna gönderilir. Modern iş akışları genellikle birden fazla motor kullanır ve segment başına en iyi çıktıyı seçer. Yaygın MT sağlayıcıları arasında Google Cloud Translation, DeepL, Amazon Translate ve Azure Translator yer alır.
Modern MT'yi farklı kılan nedir:
- Bağlam farkında modeller — yeni MT API'leri çevre cümleleri veya belge düzeyinde bağlamı kabul ederek daha tutarlı çeviriler üretir
- Sözlük uygulaması — MT motorunun birebir kullanması gereken ürüne özgü terimlerin sözlüğünü (marka adları, özellik adları, teknik jargon) sağlayabilirsiniz
- Translation memory ön doldurma — belirli bir eşiğin (genellikle %85–99) üzerinde bir TM eşleşmesi varsa, daha önce onaylanmış çevirileri koruyarak MT yerine TM sonucu kullanılır
Aşama 3: Kalite Tahmini
Bu aşama, temel bir MT kurulumunu gerçek anlamda yapay zeka destekli bir iş akışına dönüştürür. Kalite tahmin (QE) modelleri, MT çıktısını insan referans çevirisiyle karşılaştırmadan değerlendirir. Kaliteyi öğrenilmiş kalıplara dayanarak tahmin eder.
QE modelleri şunları üretir:
- Segment düzeyinde puanlar — her çevrilmiş segment için bir güven puanı (genellikle 0–100)
- Kelime düzeyinde işaretler — segment içinde yanlış çevrilmiş olası belirli kelimeler veya ifadeler
- Hata kategorisi tahminleri — olası hataların sınıflandırması (terminoloji, akıcılık, doğruluk, üslup)
Bu puanlara dayanarak iş akışı her segmenti uygun post-editing kademesine yönlendirir.
Aşama 4: Post-Editing
İnsan çevirmenler MT çıktısını inceler ve düzeltir. Düzenlemenin derinliği, 3. Aşamada atanan kalite kademesine bağlıdır (her kademenin ayrıntıları için bir sonraki bölüme bakın).
Aşama 5: İnceleme ve Onay
Düzenlenen çeviriler bir inceleme adımından geçer; genellikle kültürel uygunluğu, marka sesi tutarlılığını ve bağlamsal doğruluğu kontrol eden ikinci bir dilbilimci veya yerli ülke incelemecisi tarafından yapılır.
Aşama 6: Dağıtım
Onaylanan çeviriler kaynak sisteme geri gönderilir; bu bir kod deposu (pull request aracılığıyla), bir CMS (API aracılığıyla) veya üretim ortamınızla senkronize olan bir çeviri yönetim sistemi olabilir.
Machine Translation Kalite Kademeleri
Her içerik aynı düzeyde insan dikkatini gerektirmez. İyi tasarlanmış bir iş akışı, kalite kademelerini tanımlar ve içeriği QE puanlarına, içerik türüne ve risk düzeyine göre yönlendirir.
Ham Machine Translation (Kademe 1)
Nedir: İnsan düzenlemesi olmadan doğrudan kullanılan MT çıktısı.
Ne zaman kullanılır:
- İç yönelik içerik (geliştirici belgeleri, dahili wikiler, destek bileti sınıflandırması)
- Hızın ciladan daha önemli olduğu kullanıcı tarafından oluşturulan içerik (topluluk forumları, sohbet mesajları)
- Gisting — amaç anlamı kavramak, yayına hazır metin üretmek değil
- İnsan inceleme maliyetinin iş değerini aştığı son derece yüksek hacimli, düşük riskli içerik
Kalite beklentileri: Anlam büyük çoğunlukta korunur. Dil bilgisi ve akıcılık kusurlu olabilir. Marka sesi korunmaz. Nüanslı terminoloji tutarsız olabilir.
Risk: Terminoloji hataları, garip ifadeler veya kültürel açıdan uygunsuz çıktı son kullanıcılara ulaşabilir. Yalnızca bu hataların maliyeti düşük olduğunda kabul edilebilir.
Hafif Post-Editing (Kademe 2)
Nedir: Bir insan editör MT çıktısını inceler ve asgari düzeltmeler yapar; açık hataları düzeltir, terminolojiyi doğrular ve çevirinin anlaşılır olmasını sağlar. Editör üslup veya akıcılık için yeniden yazmaz.
Ne zaman kullanılır:
- MT çıktısının güven eşiğinizin üzerinde puan aldığı ürün UI dizeleri (genellikle 0–100 QE ölçeğinde 75–85)
- Yardım merkezi makaleleri ve bilgi bankası içerikleri
- E-posta şablonları ve işlemsel mesajlar
- Doğruluğun önemli olduğu ancak edebi kalitenin önemli olmadığı içerik
Kalite beklentileri: Olgusal olarak doğru, terminoloji açısından tutarlı ve dilbilgisel olarak kabul edilebilir. Yerli bir konuşmacı tarafından sıfırdan yazılmış kadar doğal okunmayabilir.
Verimlilik kazanımı: Hafif post-editing, çeviri hizmeti sağlayıcılarının iş akışı kıyaslamalarında yaygın olarak bildirdiği üzere sıfırdan çeviriye kıyasla genellikle 2–4 kat daha hızlıdır.
Tam Post-Editing (Kademe 3)
Nedir: Bir insan çevirmen MT çıktısını insan çevirisiyle aynı kalite standardını karşılayacak şekilde kapsamlı biçimde revize eder. Bu; akıcılık için yeniden yazmayı, ton ve üslubu ayarlamayı, kültürel uygunluğu sağlamayı ve terminolojiyi doğrulamayı içerir.
Ne zaman kullanılır:
- Pazarlama metinleri, landing page'ler ve markaya yönelik içerik
- Hukuki ve mevzuata ilişkin içerik
- MT kalitesinin düşük olduğu bilinen dil çiftlerindeki içerik (örn. İngilizceden Japonca'ya, İngilizceden Arapça'ya)
- MT çıktısının güven eşiğinizin altında puan aldığı her türlü içerik
Kalite beklentileri: Profesyonel insan çevirisinden ayırt edilemez. Doğal okunur, marka sesi yönergelerini izler ve hedef kitle için kültürel açıdan uygundur.
Verimlilik kazanımı: Tam post-editing, önemli ölçüde yeniden yazma gerekse bile MT çıktısı yapısal bir başlangıç noktası sağladığından sıfırdan çeviriye kıyasla hâlâ daha hızlıdır; genellikle 1,5–2 kat daha hızlı.
Kalite Tahmini: MT'nin Ne Zaman Yeterli Olduğunu Bilmek
Kalite tahmini, bir AI çeviri iş akışının yönlendirme motorudur. Onsuz ya fazla düzenleme yaparsınız (zaten iyi olan MT çıktısı için insan çabasını boşa harcarsınız) ya da yetersiz düzenleme yaparsınız (kullanıcılara kötü çeviriler gönderirsiniz).
QE Modelleri Nasıl Çalışır
Modern QE modelleri genellikle insan kalite yargılarıyla eşleştirilmiş büyük MT çıktı veri setleri üzerinde eğitilir. Şu gibi özelliklerden kaliteyi tahmin etmeyi öğrenirler:
- Kaynak-hedef hizalama — çeviri, kaynaktaki tüm bilgileri kapsıyor mu?
- Akıcılık sinyalleri — çeviri hedef dilde doğal okuyor mu?
- Terminoloji tutarlılığı — alana özgü terimler doğru ve tutarlı biçimde çevriliyor mu?
Eşik Tabanlı Yönlendirme
Pratik bir QE uygulaması, kalite kademelerinizle eşleşen eşikler tanımlar:
| QE Puan Aralığı | Yönlendirme Kararı | Eylem |
|---|---|---|
| 85–100 | Kademe 1 (Ham MT) | Otomatik onayla, inceleme kuyruğuna gönder |
| 65–84 | Kademe 2 (Hafif PE) | Hızlı düzeltme için editöre yönlendir |
| 0–64 | Kademe 3 (Tam PE) | Tam revizyon için çevirmene yönlendir |
Bu eşikler dil çifti ve içerik türü bazında kalibre edilmelidir. İngilizce-İspanyolca için iyi çalışan bir eşik, İngilizce-Çince için fazla toleranslı olabilir.
Pratik QE Entegrasyonu
QE'yi iş akışınıza entegre etmek için:
- Bir QE yaklaşımı seçin. Seçenekler açık kaynaklı modellerden (OpenKiwi veya CometKiwi gibi framework'ler aracılığıyla erişilebilen modeller) büyük çeviri yönetim platformlarının sunduğu ticari API'lere kadar uzanır.
- Temel eşikler belirleyin: MT çıktınızın bir örneği üzerinde QE çalıştırarak puanları insan kalite yargılarıyla karşılaştırın.
- İzleyin ve ayarlayın. QE eşikleri bir kez ayarlanıp unutulan şeyler değildir. QE puanları ile gerçek post-editing çabası arasındaki korelasyonu zaman içinde takip edin ve üç ayda bir yeniden kalibre edin.
Yapay Zeka ile Sürekli Yerelleştirme
En büyük verimlilik kazanımları, yalnızca daha hızlı çeviriden değil, çeviriyi geliştirme iş akışınıza entegre etmekten gelir; böylece toplu hâlde değil sürekli olarak gerçekleşir.
Sürekli Yerelleştirme Nasıl Görünür
Geleneksel bir iş akışında yerelleştirme, geliştirmenin ardından gerçekleşen bir aşamadır:
- Geliştiriciler haftalarca veya aylarca kod yazar
- Tüm yeni dizeler toplu olarak çıkarılır
- Dizeler çevirmenlere gönderilir
- Çeviriler günler veya haftalar sonra geri gelir
- Çeviriler entegre edilir ve test edilir
- Hatalar bulunur ve düzeltme için geri gönderilir
Sürekli yerelleştirme iş akışında çeviri, geliştirmeyle eş zamanlı gerçekleşir:
- Geliştirici yeni bir dize içeren kodu commit eder
- Dize otomatik olarak çıkarılır ve çeviri pipeline'ına gönderilir
- MT dakikalar içinde ilk geçiş çevirisi üretir
- QE çeviriyi puanlar ve uygun şekilde yönlendirir
- Post-editing yapılmış çeviriler genellikle aynı gün commit edilir
- Yerelleştirilmiş derleme, kaynak dille birlikte CI'da test edilir
CI/CD Pipeline Entegrasyonu
Çeviriyi CI/CD'ye entegre etmek, çeviri dosyalarını tıpkı kod gibi ele almak demektir:
- Otomatik çıkarma: Bir CI adımı, her commit veya pull request'te yeni veya değişmiş kaynak dizeleri tespit eder.
- Çeviri tetikleyicileri: Yeni dizeler otomatik olarak çeviri pipeline'ına girer — manuel aktarım yok, elektronik tablo yok, e-posta yazışması yok.
- Otomatik pull request'ler: Tamamlanan çeviriler, tam olarak neyin değiştiğini gösteren diff görünümleriyle PR olarak depoya geri gönderilir.
- Kalite kapıları: CI kontrolleri, çeviri kapsamı bir eşiğin altına düşerse birleştirmeleri engelleyebilir (örn. "tüm desteklenen locale'ler için dizelerin en az %95'inin çevirisi olmalıdır").
Artımlı Çeviri Stratejileri
Sürekli yerelleştirme, artımlı çeviriyle en iyi şekilde çalışır; tüm dosyaları yeniden çevirmek yerine yalnızca değişenleri çevirir:
- Dize düzeyinde fark alma: Mevcut kaynak dosyayı önceki sürümüyle karşılaştırın ve yalnızca yeni veya değiştirilmiş dizeleri belirleyin. Yalnızca bunları çeviri pipeline'ına gönderin.
- Bağlam koruma: Bir kaynak dize değiştirildiğinde, çevirmenlerin neyin değiştiğini görebilmesi ve sıfırdan çeviri yapmak yerine buna göre güncelleme yapabilmesi için yeni kaynak metinle birlikte önceki çeviriyi gönderin.
- Aşamalı yayın: Onlarca yeni dize ekleyen büyük özellikler için çeviriler artımlı olarak yayına alınabilir — özelliği mevcut çevirilerle gönderin ve kalan dilleri sonraki sürümlerde ekleyin, ara dönemde yedek dilleri kullanın.
better-i18n Çeviri İş Akışlarını Nasıl Otomatikleştirir
better-i18n, bu makalede açıklanan yapay zeka destekli çeviri iş akışına uyum sağlayacak şekilde tasarlanmıştır. MT motorunuzun veya çevirmenlerinizin yerini almak yerine aralarındaki pipeline'ı orkestre eder:
- Geliştirici dostu dize yönetimi: Dizeler bağlamı, değişkenleri ve çoğullama kurallarını koruyan yapılandırılmış bir biçimde yönetilir. Geliştiriciler çevirileri CLI veya CI entegrasyonları aracılığıyla gönderip alır.
- Çeviri pipeline otomasyonu: Yeni dizeler otomatik olarak makine çevirisine yönlendirilebilir; tamamlanan çeviriler kod tabanınızla senkronize edilir. İş akışı artımlı çeviriyi destekler — yalnızca değişen dizeler işlenir.
- Yerleşik inceleme iş akışları: Çeviri değişiklikleri bir inceleme ve yayımlama döngüsünden geçer, böylece ekipler çevirileri üretime ulaşmadan önce inceleyebilir. Bekleyen değişiklikler bir panoda görünür ve yayımlama onay adımlarına bağlanabilir.
- Framework'e özgü entegrasyon: React, Next.js ve diğer framework'ler için SDK'lar, çevirilerin standart i18n kalıpları kullanılarak yüklenmesi ve render edilmesi anlamına gelir. Özel bağlantı gerekmez.
Yapay zeka çeviri araçlarının karşılaştırması ve better-i18n'in bu alandaki yeri için 2026'daki en iyi AI çeviri araçları kılavuzumuza bakın. Projeniz için AI çevirisi mi yoksa insan çevirisi mi kullanacağınızı değerlendiriyorsanız, otomatik çeviri ile insan çevirisi yazımız karar çerçevesini detaylandırıyor.
SSS
MTPE (Machine Translation Post-Editing) Nedir?
Machine Translation Post-Editing (MTPE), makine çevirisinin ilk taslağı ürettiği ve bir insan çevirmenin kalite standartlarını karşılayacak şekilde çıktıyı düzenlediği bir iş akışıdır. MTPE iki biçimde gelir: hafif post-editing (yalnızca anlamı etkileyen hataları düzeltme) ve tam post-editing (insan çevirisi kalitesiyle eşleşecek şekilde revize etme). MTPE, MT'nin hız ve maliyet verimliliğini insan incelemesinin kalite güvencesiyle birleştirdiği için çeviri sektöründe yaygın olarak kullanılmaktadır.
2026'da Makine Çevirisi Ne Kadar Doğru?
Makine çevirisi doğruluğu, dil çiftine, içerik türüne ve alana göre önemli ölçüde değişir. Yakından ilgili Avrupa dilleri için (İngilizce-İspanyolca, İngilizce-Fransızca, İngilizce-Almanca), modern neural MT motorları çoğu genel içerik için yalnızca hafif düzenleme gerektiren çıktı üretir. Yapısal açıdan farklı dil çiftleri için (İngilizce-Japonca, İngilizce-Arapça, İngilizce-Çince), MT kalitesi daha düşüktür ve genellikle daha kapsamlı post-editing gerektirir. Alana özgü içerik (hukuki, tıbbi, teknik) de motor ilgili veriler üzerinde ince ayar yapılmadığı sürece daha düşük MT doğruluğuna sahip olma eğilimindedir. Temel çıkarım: MT doğruluğu tek bir sayı değildir — özel kullanım durumunuza bağlıdır ve kalite tahmin araçları bunu içeriğiniz için ölçmenize yardımcı olur.
Sürekli Yerelleştirme Nasıl Kurulur?
Sürekli yerelleştirme kurulumu üç adımı kapsar. İlk olarak, geliştiriciler kod commit ettiğinde yeni dizelerin otomatik olarak tespit edilmesi için dize çıkarmayı derleme veya CI pipeline'ınıza entegre edin. İkinci olarak, çıkarma adımını otomatik MT ve post-editing iş akışlarını destekleyen bir çeviri yönetim platformuna bağlayın. Üçüncü olarak, tamamlanan çevirilerin kod tabanınıza — genellikle pull request'ler veya doğrudan dosya commit'leri aracılığıyla — geri gönderilmesi için otomatik teslimat yapılandırın. Amaç, manuel aktarımları ortadan kaldırmaktır: bir geliştirici yeni bir dize eklediğinde çeviri pipeline'ı bunu otomatik olarak alır, MT ve post-editing yoluyla işler ve kimse e-posta göndermeden veya elektronik tablo güncellemeden sonucu depoya teslim eder.
