可用于支持本地化流程的技術(shù)以及更大的業(yè)務(wù)戰(zhàn)略在過(guò)去幾年中迅速發(fā)展。人工智能（AI）和機(jī)器學(xué)習(xí)（ML）的進(jìn)步已經(jīng)為降低成本，縮短周轉(zhuǎn)時(shí)間和提高翻譯質(zhì)量開辟了道路，從而釋放了組織開拓新市場(chǎng)所需的預(yù)算。

2017年，人工智能和ML工具的數(shù)量迅速增長(zhǎng)，創(chuàng)造了數(shù)十億美元的收入。很少有行業(yè)垂直行業(yè)現(xiàn)在對(duì)ML的力量有抵抗力。但相對(duì)于其長(zhǎng)達(dá)數(shù)十年的歷史，本地化行業(yè)才剛剛起步。以下是我們最興奮的今年四大機(jī)器學(xué)習(xí)進(jìn)展。

神經(jīng)機(jī)器翻譯

雖然幾年前，神經(jīng)機(jī)器翻譯仍然提供先發(fā)優(yōu)勢(shì)。隨著公司尋求更有效的方式來(lái)提供比以往更多語(yǔ)言的更多內(nèi)容，NMT正在從為大型全球企業(yè)保留的小眾應(yīng)用程序轉(zhuǎn)變?yōu)橹髁鳌?/p>

利用深度學(xué)習(xí)的強(qiáng)大功能和更多的訓(xùn)練數(shù)據(jù)來(lái)構(gòu)建人工神經(jīng)網(wǎng)絡(luò)，NMT可以通過(guò)模式工作，例如源句子周圍的語(yǔ)境線索，有助于加速和改善翻譯而無(wú)需人為干預(yù)。實(shí)際上，從太大而無(wú)法手動(dòng)分析的數(shù)據(jù)集中，NMT可以以超出人類識(shí)別能力的方式識(shí)別復(fù)雜模式。

NMT并不意味著人類翻譯的結(jié)束，但它確實(shí)在后期編輯中占了一席之地。編輯后現(xiàn)在可以將更多時(shí)間用于翻譯過(guò)程中先前被邊緣化的方面，例如輸出質(zhì)量，品牌標(biāo)準(zhǔn)和急需的創(chuàng)作范圍，以便將內(nèi)容無(wú)縫地適應(yīng)各種目標(biāo)受眾。

自動(dòng)化質(zhì)量保證和解釋

在這個(gè)增加內(nèi)容和接觸點(diǎn)的世界中，您如何提供語(yǔ)言質(zhì)量？一方面，內(nèi)容增長(zhǎng)超過(guò)了人的能力，但另一方面，沒(méi)有時(shí)間浪費(fèi)?？朔@一挑戰(zhàn)的一種方法是自動(dòng)化可預(yù)測(cè)的語(yǔ)言質(zhì)量檢查。

自動(dòng)語(yǔ)言QA是一種協(xié)作且功能強(qiáng)大的質(zhì)量控制工具，用于以最低的成本最大限度地提高生產(chǎn)力，可擴(kuò)展性和質(zhì)量。自動(dòng)化QA引擎使用模式識(shí)別和其他語(yǔ)言技術(shù)方法來(lái)識(shí)別潛在問(wèn)題，例如鏈接斷開或丟失，術(shù)語(yǔ)不一致以及缺少內(nèi)容，幫助語(yǔ)言學(xué)家盡早識(shí)別和解決問(wèn)題。與NMT一樣，該技術(shù)可以檢測(cè)到比單獨(dú)的人工審查更多的錯(cuò)誤。

然后，有自動(dòng)解釋。谷歌的Pixel Buds，旨在實(shí)時(shí)翻譯音頻的無(wú)線耳塞，使我們更接近將機(jī)器翻譯和文本到語(yǔ)音技術(shù)與高質(zhì)量結(jié)果相結(jié)合。而這只是一個(gè)有助于滿足持續(xù)交付需求的領(lǐng)域，而現(xiàn)在對(duì)于本地化戰(zhàn)略至關(guān)重要。

語(yǔ)言工作流程優(yōu)化

ML可以通過(guò)將項(xiàng)目映射到每個(gè)作業(yè)的最佳語(yǔ)言專家來(lái)進(jìn)一步增強(qiáng)內(nèi)容管理系統(tǒng)。使用語(yǔ)言大數(shù)據(jù)，ML可以（客觀地）識(shí)別誰(shuí)對(duì)某些類型的內(nèi)容有更多經(jīng)驗(yàn)并且誰(shuí)更好地翻譯它們。

這些ML算法可用于完整質(zhì)量周期的所有步驟。從QA開始，ML不僅可以識(shí)別正確的人力資源，還可以識(shí)別正確的語(yǔ)言資源（翻譯風(fēng)格指南和詞匯表，MT定制等），并向具有潛在可譯性問(wèn)題（如模糊性和復(fù)雜性）的區(qū)域提供翻譯。通過(guò)這種方式，一切都可以從一開始就準(zhǔn)備好，以確保最佳的質(zhì)量。ML支持的質(zhì)量控制組件還可以幫助修復(fù)翻譯錯(cuò)誤，可讀性問(wèn)題或源和翻譯內(nèi)容之間的語(yǔ)言注冊(cè)級(jí)別。

預(yù)測(cè)分析

ML不僅僅是翻譯。它還可以幫助本地化專業(yè)人員通過(guò)在項(xiàng)目承諾之前預(yù)測(cè)項(xiàng)目的結(jié)果，將他們的想法出售給執(zhí)行團(tuán)隊(duì)。今天的技術(shù)使我們能夠?qū)㈥P(guān)于一段內(nèi)容的數(shù)十個(gè)數(shù)據(jù)點(diǎn)提供給系統(tǒng)，并將這些數(shù)據(jù)點(diǎn)與所有過(guò)去的項(xiàng)目進(jìn)行比較，發(fā)現(xiàn)適當(dāng)?shù)墓ぷ髁鞒毯头g，潛在的問(wèn)題以及項(xiàng)目的成本。

正如許多組織所知，本地化投資的回報(bào)很難量化。然而，決策者必須了解本地化戰(zhàn)略的價(jià)值。使用預(yù)測(cè)分析以及非財(cái)務(wù)ROI指標(biāo)（如客戶滿意度，客戶保留和品牌分析），本地化團(tuán)隊(duì)可以更輕松地獲得以后提供硬數(shù)據(jù)的項(xiàng)目的批準(zhǔn)。

展望未來(lái)

今天，ML是將語(yǔ)言工作流程帶到良好開端并優(yōu)化其后每個(gè)步驟的關(guān)鍵。業(yè)內(nèi)人士相信，在未來(lái)五年內(nèi)，這個(gè)工作流程將由大數(shù)據(jù)驅(qū)動(dòng)。未來(lái)屬于利用AI，ML，NMT和預(yù)測(cè)分析等尖端技術(shù)制定數(shù)據(jù)支持的業(yè)務(wù)決策和更準(zhǔn)確的客戶檔案的企業(yè)。

與此同時(shí)，需要大量數(shù)據(jù)來(lái)培訓(xùn)技術(shù)。希望與自然，準(zhǔn)確，相關(guān)和直觀的解決方案保持同步的組織在不獲得克服它們所需的第三方功能的情況下面臨重大挑戰(zhàn)。語(yǔ)言服務(wù)提供商提供生成高質(zhì)量全球數(shù)據(jù)所需的語(yǔ)言操作，將技術(shù)與全球用戶體驗(yàn)測(cè)試相結(jié)合，以不斷改善人類體驗(yàn)。更重要的是，它們深深植根于當(dāng)?shù)匚幕?/p>

制定正確的本地化合作伙伴關(guān)系和市場(chǎng)戰(zhàn)略將對(duì)2018年的業(yè)務(wù)增長(zhǎng)潛力產(chǎn)生顯著影響。不確定您應(yīng)該從哪里開始？獲得在我們駕駛的本地化值提示白皮書。