「機器翻譯」我們可以使用機器學習來預測翻譯需求嗎？

2018-08-26 12:08:21

在最近的NPR新聞報道中，優(yōu)步計劃殺死激增的定價，盡管駕駛員稱其值得工作，優(yōu)步的工程主管Jeff Schneider描述了他們如何利用機器學習來解決供需問題。

最初，優(yōu)步提出“浪涌定價”作為一項功能，旨在幫助緩解特定時間某個地區(qū)的需求超過供應的現象。具體地說，這意味著當某些事件導致許多人在同一地點同時需要運輸時，優(yōu)步票價將自動增加。這種增加激勵了駕駛員在該位置，這反過來又確保了足夠的駕駛員可以滿足需求。來自Uber的Understanding Surge幫助文章：

“各種情況導致票價飆升。例如，大雨，當地體育賽事和假期可能會導致對需要激增定價的游樂設施的需求暫時增加。[...]浪涌定價有兩個主要影響。一些車手可能會選擇等待幾分鐘或采取其他形式的交通工具，導致該地區(qū)的需求減少。受到票價飆升鼓舞的車手將前往最需要乘車的地區(qū)。一旦對乘坐的需求恢復到正常水平，浪涌定價就會結束?！?/span>

然而，根據NPR的文章，優(yōu)步認為激增定價是供需問題的臨時解決方案，可以通過更好的數據，機器學習和預測模型來解決。我們的想法是采用騎手行為和環(huán)境情況數據，并將其提供給可以學習預測浪涌的算法。這樣的算法將允許優(yōu)步告訴司機在哪里和什么時候，“所以激增的定價永遠不會發(fā)生?！?/span>

機器學習可以幫助預測需求，從而防止激增定價。信用：iStock。

那么，機器學習能幫助我們變得更聰明嗎？

在本地化行業(yè)（以及我能想到的基本上所有其他行業(yè)）中，我們不能免受這些相同的供需力量的影響。我們以翻譯人員的形式提供服務，我們以付費客戶的形式提出要求，或者更直接地以消費者或最終用戶的形式提出要求。

業(yè)內許多人已經嘗試破解供應，以便使用眾包，翻譯記憶庫和機器翻譯等方法和技術，使用相同的資源完成更多工作。在需求方面，其他人正試圖通過合作來捆綁本地化程序和項目來管理需求。

同時，所有本地化利益相關者都在盡力預測需求，以確保供應滿足需求。常見的術語是預測。眾所周知，每個人在預測方面都很糟糕。傳統上，預測是通過啟發(fā)式方式完成的 - 也就是說，基于經驗 - 并且人們在記住足夠的數據點以準確發(fā)現趨勢方面往往相當糟糕。

如果...？

進入機器學習。如果我們能夠將所有相關數據點 - 項目數量，單詞數量，所需周轉時間，所需質量，語言數量，開發(fā)周期，發(fā)布日期，天氣，假期，可用容量等 - 提供給所有相關數據點，該怎么辦？一種能夠預測下一次需求高峰何時何地發(fā)生的算法？

這將如何改變本地化供應商的行為？它如何影響定價和持續(xù)時間？據我所知，沒有人將機器學習技術應用于我們行業(yè)中的這個特定問題，但即使是一小部分成功的潛力也極具吸引力。

雖然尋找均衡的挑戰(zhàn)是普遍存在的，但還有許多其他特定于本地化的案例值得探索。例如，如果我們在本地化之前知道哪些細分市場最有可能產生困難（因此成本更高），哪些細分市場最容易被本地化（從而降低成本）呢？如果我們可以預測TM和MT對翻譯者或后編輯者最有幫助（或有害）的部分怎么辦？

預測的力量

這種預測能力可以徹底改變我們所知的本地化工作流程，允許本地化供應商在正確的時間將正確的資源集中在正確的問題上，并允許本地化消費者更好地管理預算和上市時間。

此外，本地化團隊知道如何使分段容易（成本較低）或難以（較高成本）本地化，本地化團隊可以將上游知識傳遞到內容工作流程的創(chuàng)作端，采取措施消除源之間的任意行和目標。

機器學習不是靈丹妙藥; 它是一個像任何其他工具一樣的工具，并且由業(yè)余愛好者使用它仍然只會產生業(yè)余的結果。運輸行業(yè) - 特別是在這種情況下的優(yōu)步 - 以及許多其他行業(yè)都了解這一點。

機器學習是一個強大的工具，如果我們想明智地運用它并取得很好的效果，我們需要變得聰明。我們需要了解其能力，局限性，利弊。我們需要收集機器學習需要消耗的正確數據以進行預測。但最重要的是，我們需要了解我們需要回答的問題類型。