Bei der TM-augmentierten \u00dcbersetzung erzeugt nicht die KI den Text, sondern das Translation Memory. Vollst\u00e4ndige Treffer werden unver\u00e4ndert \u00fcbernommen, unvollst\u00e4ndige Treffer gehen als Vorgabe an den KI-Anbieter, und die zum Segment passenden Termbankeintr\u00e4ge werden in den \u00dcbersetzungs-Prompt eingef\u00fcgt. Die KI liefert nur, was im Bestand fehlt. Bei stark repetitiven Texten \u2013 Bulletins, Berichten, Normen, Katalogen \u2013 sind das oft nur wenige Prozent des Textes. TTN liefert das Ger\u00fcst, die KI die F\u00fcllw\u00f6rter.<\/p>\n\n\n\n
Wie die Vor\u00fcbersetzung entsteht<\/strong><\/p>\n\n\n\n Vor der Vor\u00fcbersetzung gleicht TTN TMS jedes Segment mit den angeh\u00e4ngten Translation Memories ab. Treffer von 99 % und 100 % werden unver\u00e4ndert in den Zieltext \u00fcbernommen; sie gehen gar nicht erst an einen KI-Anbieter. F\u00fcr Treffer zwischen 60 % und 98 % wird der gefundene TM-Eintrag dem Prompt als Vorgabe beigelegt, verbunden mit der Anweisung, das Segment auf dieser Grundlage zu \u00fcbersetzen. Parallel dazu sucht das System zu jedem Segment die passenden Eintr\u00e4ge in der Termbank und f\u00fcgt sie ebenfalls in den Prompt ein \u2013 die Term Injection. Beim kurzen Lawinenbulletin, das das SLF in Davos im Winter t\u00e4glich publiziert, sind das bis zu 80 Begriffe.<\/p>\n\n\n\n Alle neu erzeugten \u00dcbersetzungen fliessen in ein zweites Translation Memory, das als sekund\u00e4re Quelle eingebunden wird. Der von menschlichen \u00dcbersetzern gepflegte Bestand bleibt damit die prim\u00e4re Quelle, w\u00e4hrend das Ergebnis der maschinellen Vor\u00fcbersetzung getrennt gehalten und trotzdem wiederverwendet wird.<\/p>\n\n\n\n Die Prozentzahl im Trados-Editor hat bei dieser Arbeitsweise eine andere Bedeutung als im klassischen Prozess ohne Vor\u00fcbersetzung. Ein oranger 74-%-Treffer bedeutet nicht, dass 26 % des Segments vom Ausgangstext abweichen, sondern dass 26 % des Segments von der KI \u00fcbersetzt oder angepasst wurden, w\u00e4hrend 74 % unver\u00e4ndert aus dem Translation Memory stammen.<\/p>\n\n\n\n Die Wirkung ist unmittelbar messbar: Term Injection und TM-Hinweise verbessern die Qualit\u00e4t der Vor\u00fcbersetzung erheblich. Es lohnt sich deshalb, m\u00f6glichst viele Begriffe in die Termbank aufzunehmen \u2013 jeder Eintrag spart beim n\u00e4chsten Auftrag Aufwand. Hinzu kommt ein Effekt, der mit der Zeit an Gewicht gewinnt: KI-Modelle werden zunehmend mit ihren eigenen Ausgaben trainiert, was als KI-Kannibalisierung oder Habsburg-Ph\u00e4nomen bezeichnet wird und die Qualit\u00e4t der rein maschinellen \u00dcbersetzung tendenziell sinken l\u00e4sst. Mit Term Injection und TM-Hinweisen wird dieser Kreislauf durchbrochen, weil der Bezugspunkt der von Menschen gepflegte Bestand bleibt.<\/p>\n\n\n\n Weitere Argumente f\u00fcr die TM-augmentierte \u00dcbersetzung<\/strong><\/p>\n\n\n\n 1. Wiederholbarkeit.<\/strong> Eine KI \u00fcbersetzt dasselbe Bulletin jedes Mal anders. Die Ausf\u00fchrung h\u00e4ngt unter anderem von der verf\u00fcgbaren Rechenzeit ab, die sich aus der Gesamtzahl anstehender Aufgaben geteilt durch die verf\u00fcgbare Rechenkapazit\u00e4t ergibt. Nach ein bis zwei Sekunden greift ein Timeout, und die Evaluation der Kandidaten wird abgebrochen. Wer w\u00e4hrend der Fussball-WM \u00fcbersetzt, erh\u00e4lt eine gute \u00dcbersetzung, in der Rushhour eine schlechtere. Schon Ren\u00e9 Descartes hielt im 17. Jahrhundert fest, dass ein Ph\u00e4nomen nur dann wissenschaftlich ist, wenn es wiederholbar ist. Bei TTN wird der Text prim\u00e4r aus dem von menschlichen \u00dcbersetzern gepflegten TM generiert; alle neu erzeugten \u00dcbersetzungen fliessen in ein zweites TM, das als sekund\u00e4re Quelle eingebunden wird. Derselbe Input ergibt bei TTN zu 100 % denselben Output. Bei ChatGPT kommt immer etwas anderes heraus.<\/p>\n\n\n\n 2. Nachvollziehbarkeit.<\/strong> Nach einem grossen Lawinenunfall etwa folgt in der Regel eine staatsanwaltschaftliche Untersuchung; die Warnungen, die Sicherheitsmassnahmen sowie deren Abl\u00e4ufe und Prozesse werden genau auf Schwachstellen gepr\u00fcft. Zahlreiche Bundesgerichtsurteile messen der Nachvollziehbarkeit dabei zentrale Bedeutung bei. Ein Modell wie Kimi K3 mit 2,8 Billionen Parametern ist eine Blackbox \u2013 die Herkunft einer \u00dcbersetzung ist nicht belegbar. Beim TTN-Modell zeigt das Log, wie viele 99- und 100-%-Matches, wie viele TM-Hints zu welchem Prozentsatz und wie viele injizierte Begriffe eingeflossen sind. TTN liefert das Ger\u00fcst, die KI die F\u00fcllw\u00f6rter \u2013 die beim hochrepetitiven Bulletin nur wenige Prozent ausmachen.<\/p>\n\n\n\n 3. Korrigierbarkeit.<\/strong> Bei einem Modell mit Billionen von Parametern weiss niemand genau, an welcher Stelle anzusetzen ist, wenn ein Text nicht befriedigt und k\u00fcnftig anders generiert werden soll. Bei der TM-augmentierten \u00dcbersetzung liegen alle Daten in einer Microsoft-SQL-Datenbank. Mit einem einzigen Befehl lassen sich s\u00e4mtliche Vorkommen eines Text-Tokens \u00e4ndern, sodass fortan der neue Begriff oder der neue Fuzzy Match eingebunden wird.<\/p>\n\n\n\n