İçindekiler
Makine Çevirisi Son Düzenleme (MTPE): Kalite İçin En İyi Uygulamalar
Makine çevirisi son düzenleme (MTPE), yerelleştirme sektörünün deneysel bir iş akışından ana akım pratiğine geçiş yapmıştır. Makine çevirisi kalitesi özellikle DeepL, Google, Microsoft ve özel motorlardan gelen sinir ağı tabanlı MT sistemleriyle birlikte iyileştikçe, artık soru "MT kullanmalı mıyız?" değil, "Bunu nasıl etkin şekilde kullanırız?" haline gelmiştir.
MTPE; makine tarafından üretilmiş çeviriyi başlangıç noktası olarak kullanma ve ardından insan çevirmenlerin çıktıyı gözden geçirerek gerekli kalite düzeyine ulaştırma pratiğidir. Doğru yapıldığında çeviri maliyetlerini %30-50 oranında azaltabilir ve teslim sürelerini önemli ölçüde kısaltabilir. Yanlış yapıldığında ise markanıza ve kullanıcı güveninize zarar veren tutarsız, hata dolu içerikler ortaya çıkar.
Bu rehber, MT motoru seçiminden kalite ölçümüne ve süreç optimizasyonuna kadar tam MTPE iş akışını ele almaktadır.
MTPE Kalite Spektrumu
Tüm MTPE süreçleri aynı değildir. Sektör, iki ana yaklaşım arasında ayrım yapar:
Hafif Son Düzenleme (LPE)
Hafif son düzenleme "yeterince iyi" kaliteyi hedefler; yani doğru ve anlaşılır, ancak mutlaka cilalı bir düzyazı olmayan çıktı. Amaç doğruluktur, üslup değil.
LPE yönergeleri genellikle editörlere şunları talimatlandırır:
- Anlam değişikliğine veya yanlış anlamaya yol açan hataları düzelt
- Anlamayı engelleyen dilbilgisi hatalarını düzelt
- Üslubu İYİLEŞTİRME, cümleleri yeniden yapılandırma veya marka sesi uygulama
- Anlam açıksa küçük tuhaf ifadeleri düzeltme
LPE şu durumlara uygundur: iç belgeler, kısa raf ömrüne sahip büyük ölçekli içerik, bilgi erişimi için özet çeviri.
Tam Son Düzenleme (FPE)
Tam son düzenleme, geleneksel insan çevirisine eşdeğer çeviri kalitesini hedefler. Çıktı, sıfırdan yapılmış bir çeviriden ayırt edilemez olmalıdır.
FPE yönergeleri editörlere şunları talimatlandırır:
- Tüm hataları düzelt (doğruluk, dilbilgisi, üslup, terminoloji)
- Marka sesi ve ton yönergelerini uygula
- Terminolojinin onaylı sözlükle uyuştuğundan emin ol
- MT çıktısının garip veya doğal olmadığı yerlerde cümleleri yeniden yapılandır
FPE şu durumlara uygundur: müşteriye yönelik içerik, pazarlama, hukuki belgeler, ürün arayüzü, yüksek görünürlüklü içerik.
Doğru MT Motorunu Seçmek
MT motoru seçimi, son düzenleme çabasını ve genel kaliteyi önemli ölçüde etkiler. Temel değerlendirmeler:
Genel Amaçlı ve Alana Özgü Motorlar
Genel amaçlı motorlar (Google Translate, DeepL, Microsoft Translator) geniş bir içerik türü yelpazesinde iyi performans gösterir. Çoğu yerelleştirme programı için makul bir başlangıç noktasıdır.
Alana özgü veya özel eğitilmiş motorlar, özelleştirilmiş içeriklerde genel amaçlı motorları önemli ölçüde geride bırakabilir:
- Hukuki: Dava hukuku ve hukuki belgeler üzerinde eğitilmiş hukuka özgü MT motorları
- Tıbbi: Klinik literatür ve ilaç bilgileri üzerinde eğitilmiş tıbbi MT motorları
- Teknik: Ürün belgeleri ve teknik kılavuzlar üzerinde eğitilmiş motorlar
Özel motor eğitimi genellikle alanda 500.000'den fazla yüksek kaliteli cümle çifti gerektirir.
Dil Çifti Kalitesi Büyük Farklılıklar Gösterir
MT kalitesi dil çiftleri arasında tekdüze değildir. Bol miktarda eğitim verisi olan "yüksek kaynaklı" dil çiftleri (İngilizce↔Fransızca, İngilizce↔Almanca, İngilizce↔İspanyolca, İngilizce↔Çince), "düşük kaynaklı" çiftlere (İngilizce↔Nepalce, İngilizce↔Zuluca, İngilizce↔İzlandaca) kıyasla çok daha iyi performans gösterir.
Bir dil çifti için MT+MTPE iş akışını benimsemeden önce bir pilot çalışma yürütün:
- Temsili içerikten 1.000-2.000 kelimelik çeviri yapın
- Nitelikli bir çevirmenin ham MT çıktısını değerlendirmesini sağlayın
- Sıfırdan çeviriye kıyasla tahmini son düzenleme çabasını ölçün
- Gerçek son düzenleme süresine göre maliyet etkinliğini hesaplayın
MT Değerlendirme Metrikleri
MT motorlarını değerlendirirken şunların bir kombinasyonunu kullanın:
BLEU skoru: MT çıktısını insan referans çevirilerle karşılaştıran otomatik metrik. Motorları karşılaştırmak için kullanışlıdır ancak tek başına güvenilir bir kalite göstergesi değildir.
COMET: İnsan yargılarıyla BLEU'dan daha iyi korelasyon gösteren sinir ağı MT kalite tahmin metriği. Sektörde giderek daha fazla tercih edilmektedir.
İnsan değerlendirmesi: Nitelikli bir dil uzmanının, yeterlilik (anlam korunuyor mu?) ve akıcılık (doğal okunuyor mu?) açısından MT çıktısından bir örneği 1-5 ölçeğinde puanlaması.
Son düzenleme çabası: En operasyonel açıdan yararlı metrik; son düzenleyicilerin MT çıktısını gerekli kaliteye getirmesi için harcadığı süreyi sıfırdan çeviriye kıyasla ölçün.
MTPE İş Akışını Oluşturmak
Çeviri Öncesi Hazırlık
MT içeriğinize uygulanmadan önce:
Terminoloji entegrasyonu: Onaylı sözlüğünüzü MT motoruna besleyin (çoğu motor terminoloji sözlüklerini destekler). Bu, terminoloji hatalarını önemli ölçüde azaltır ve son düzenlemeyi hızlandırır.
Çeviri belleği kaldıraçlaması: MT öncesinde mevcut TM'nizi uygulayın. TM'den tam eşleşmeler ve yüksek bulanık eşleşmeler MT çıktısından daha ucuz ve daha yüksek kalitelidir. Yalnızca kalan segmentleri (yeni veya düşük eşleşmeli içerik) MT motoruna gönderin.
Kaynak kalite incelemesi: MT işlemeden önce kaynak içeriği temizleyin. Yazım hataları, tutarsız terminoloji ve karmaşık cümle yapıları MT çıktı kalitesini düşürür. Çeviri bağlamı ve kaynak kalitesi rehberimize bakın.
İçerik filtreleme: Motor kalitesinden bağımsız olarak bazı içerik türleri zayıf MT çıktısı üretir: son derece yaratıcı içerik, kelime oyunları, kültürel referanslar, deyimsel ifadeler. Bunları MTPE yerine insan çevirisi için işaretleyin.
Son Düzenleme Yönergeleri
Her içerik türü ve kalite katmanı için açık, yazılı son düzenleme yönergeleri geliştirin. Yönergeler şunları belirtmelidir:
- Düzeltilecek hata türleri: Zorunlu düzeltmeler (doğruluk hataları, kritik terminoloji) ve isteğe bağlı iyileştirmeler (üslup, akış)
- Yapılmaması gerekenler: İş akışını yavaşlatan ancak kaliteyi artırmayan yaygın aşırı düzenleme davranışları
- Terminoloji gereksinimleri: Bilinmeyen terimler, marka adları, ürün adlarıyla nasıl başa çıkılacağı
- Biçimlendirme kuralları: MT biçimlendirmesinin ne zaman korunacağı, ne zaman düzenleneceği
- Yükseltme kriterleri: MT çıktısının ne zaman terk edilerek sıfırdan çeviriye geçileceği
Kalite Güvencesi Entegrasyonu
MTPE, MT hatalarının örüntülerini yakalamak için sistematik QA gerektirir:
Dilbilimsel Kalite Güvencesi (LQA): Üst düzey bir dil uzmanının son düzenlenmiş içeriğin örneklemeli incelemesi. Hata kategorilerini (terminoloji, dilbilgisi, üslup) belirleyin ve bunları MT motoru zayıflıklarına veya son düzenleyici boşluklarına kadar izleyin.
Otomatik QA araçları: Xbench, Verifika veya yerleşik TMS QA gibi araçlar şunları kontrol eder:
- Sözlüğe karşı terminoloji tutarsızlığı
- Çevrilmemiş segmentler
- Biçimlendirme hataları
- Sayı ve tarih biçim sorunları
- Noktalama işareti hataları
Son düzenleme çabası takibi: MT'nin verimlilik kazanımı sağlamadığı içerik kategorilerini belirlemek için segment türüne göre süreyi takip edin.
Son Düzenleyicileri Eğitmek
Son düzenleme, çeviriden farklı bir beceridir. İyi çevirmenler otomatik olarak iyi son düzenleyici olmaz. Yaygın başarısızlık modu, maliyet tasarruflarını ortadan kaldıran tam insan çevirisiyle aynı çabayı uygulamak olan "aşırı düzenleme"dir.
Etkin son düzenleyici eğitimi şunları kapsar:
MT güçlü ve zayıf yönlerini anlama: Bu motor/dil çifti için hangi hata türleri yaygındır? Motor hangi hata türlerini iyi yönetir?
Son düzenleme zihniyetiyle çalışma: Amaç, hataları verimli şekilde düzeltmektir; çıktıyı gerekli kalite seviyesinin ötesine geliştirmek değil. Yeterli ama ideal olmayan cümleleri yeniden yazma dürtüsüne karşı koyun.
Klavye kısayolları ve CAT aracı verimliliği: Son düzenleyiciler CAT araçlarına hakim olduklarında daha hızlı çalışır. Segmentleri kabul etmek, yaygın değiştirmeler ve QA işlevleri için kısayol tuşları önemlidir.
Zaman takibi ve verimlilik hedefleri: Son düzenleyiciler verimlilik kıyaslamalarını anlamalı ve bunlara doğru çalışmalıdır.
Farklı çeviri yaklaşımlarının karşılaştırması için AI çevirisi ve insan çevirisi sayfasına bakın.
MTPE Verimlilik ve Kalitesini Ölçmek
Temel Verimlilik Metrikleri
Saatte kelime (WPH): Ortalama son düzenleme hızı. Sektör kıyaslamaları:
- Hafif son düzenleme: 2.000-3.000+ kelime/saat
- Tam son düzenleme: 1.200-2.000 kelime/saat
- Sıfırdan insan çevirisi: 500-800 kelime/saat
MTPE'nin en etkili olduğu yerleri belirlemek için WPH'yi içerik türüne, dil çiftine ve MT motoruna göre takip edin.
Son düzenleme çabası (PEE): Son düzenlemede değiştirilen karakterlerin toplam karakterlere oranı. Çoğu CAT aracı tarafından otomatik olarak hesaplanır. Düşük PEE = daha az düzenleme = daha etkili MT.
Verimlilik kazanımı: Aynı içerik türü için MTPE ve insan çevirisi WPH'sini karşılaştırın. Verimlilik kazanımı %30'un altındaysa MT, o içerik türü için yeterli değer sağlamıyor olabilir.
Kalite Metrikleri
MTPE çıktısına sistematik olarak çeviri kalite metrikleri uygulayın:
MQM (Çok Boyutlu Kalite Metrikleri) veya LISA QA Modeli: Çeviri hatalarını türe ve ciddiyete göre sınıflandırmak için yapılandırılmış hata taksonomileri. Son düzenlenmiş içeriğin LQA örneklerine uygulayın.
Müşteriye yönelik geri bildirim: Çeviri kalitesinden bahseden kullanıcı geri bildirimlerini, destek biletlerini ve yorumları izleyin. Bunlar gecikmeli göstergelerdir ancak gerçek dünya kalite algısını yansıtır.
A/B testi: Yüksek hacimli içerikler için dönüşüm oranı, etkileşim veya destek bileti oranlarını ölçmek amacıyla MT+MTPE çıktısını insan çevirisiyle A/B testi yapın.
Kaçınılması Gereken Yaygın MTPE Hataları
Pilot test atlamak: Gerçek son düzenleme çabasını ölçen bir pilot olmadan bir dil çifti veya içerik türü için MTPE'yi asla hayata geçirmeyin.
Tüm içerik türleri için aynı yönergeleri kullanmak: Pazarlama içeriği için hafif PE yönergeleri yetersiz sonuçlar üretir. Farklı içerik türleri farklı iş akışlarına ihtiyaç duyar.
MT motoruna sözlük sağlamamak: Terminoloji hataları en yaygın ve en zararlı MT hatalarıdır. Sözlük entegrasyonu tartışmasızdır.
Son düzenleyici geri bildirimini görmezden gelmek: Son düzenleyiciler MT hatalarının örüntülerini ortaya çıkarır. İş akışını geliştirmek için geri bildirimlerini toplayın, analiz edin ve harekete geçin.
Ekonomik açıdan mantıklı olmayan yerlerde MTPE uygulamak: Son düzenleme çabası insan çevirisine eşdeğerse MT adımı fayda sağlamadan maliyet ekler. Bu vakaları tespit edin ve doğrudan insan çevirisine yönlendirin.
Çeviri belleğini güncellemeyi unutmak: Son düzenlenmiş segmentler TM'e geri eklenmek zorundadır. Eklenmezlerse son düzenleme çabasından elde edilen öğrenmeyi kaybedersiniz.
MTPE'yi Yerelleştirme Hattınıza Entegre Etmek
Modern MTPE iş akışları, çeviri yönetim sistemleri ve CI/CD hatlarıyla entegre olur:
- Kaynak içerik TMS'ye aktarılır (manuel olarak veya i18n CI/CD otomasyonu aracılığıyla)
- TMS, TM kaldıraçlamasını uygular (önceki çevirilerden tam ve bulanık eşleşmeler)
- Kalan segmentler API aracılığıyla MT motoruna gönderilir
- MT çıktısı, TMS içindeki CAT aracı arayüzünde son düzenleyicilere iletilir
- Son düzenleyiciler segmentleri inceler ve düzeltir
- LQA örneklemesi QA örneklerine uygulanır
- Onaylanan çeviriler dışa aktarılır ve dağıtılır
Aşağıdakileri destekleyen TMS platformları arayın:
- Doğrudan MT motoru API entegrasyonları (manuel kopyala-yapıştır değil)
- Segment başına son düzenleme çabası takibi
- Editör ve içerik türüne göre verimlilik raporlaması
- Sözlük kontrolüyle otomatik QA
Uygulamanızı better-i18n ile küreselleştirin
better-i18n; yapay zeka destekli çevirileri, git-native iş akışlarını ve küresel CDN dağıtımını tek bir geliştirici odaklı platformda birleştirir. Elektronik tablo yönetimini bırakın, her dilde yayınlamaya başlayın.
Ücretsiz başlayın → · Özellikleri keşfedin · Belgeleri okuyun