{"id":1630,"date":"2019-04-29T07:34:00","date_gmt":"2019-04-29T07:34:00","guid":{"rendered":"https:\/\/ehlion.com\/?p=1630"},"modified":"2023-12-18T09:11:16","modified_gmt":"2023-12-18T09:11:16","slug":"maschinelle-uebersetzung-deepl","status":"publish","type":"post","link":"https:\/\/ehlion.com\/de\/magazine\/maschinelle-uebersetzung-deepl\/","title":{"rendered":"MASCHINELLE \u00dcBERSETZUNG MIT DEEPL"},"content":{"rendered":"\n

Seit den F\u00fcnfzigerjahren des letzten Jahrhunderts arbeiten Wissenschaftler und Unternehmen an der Entwicklung k\u00fcnstlicher Intelligenz. So wurden auch bei der maschinellen \u00dcbersetzung erhebliche Fortschritte erzielt.<\/p>\n\n\n\n

Erm\u00f6glicht wurde dies durch leistungsf\u00e4higere Hardware und neue Ans\u00e4tze, wie neuronale Netze und maschinelles Lernen. Neuronale Netze bilden die Vernetzung des menschlichen Gehirns vereinfacht ab.<\/p>\n\n\n\n

Ebenfalls wurde die Entwicklung, durch die riesigen Mengen bilingual verf\u00fcgbarer Inhalte in hoher Qualit\u00e4t, gef\u00f6rdert. Mit diesen Inhalten konnte die k\u00fcnstliche Intelligenz trainiert werden.<\/p>\n\n\n\n

Das 2009 in K\u00f6ln unter dem Namen Linguee gegr\u00fcndete Unternehmen DeepL erregte 2017 mit seinem kostenlosen Angebot DeepL Translator Aufsehen: Die zugrunde liegenden neuronalen Netze lieferten Texte in einer bisher neuen Qualit\u00e4t. Dies best\u00e4tigten sowohl automatisierte Evaluierungsmetriken als auch Blindtests, die mit professionellen \u00dcbersetzern durchgef\u00fchrt wurden. Seit 2018 gibt es das kostenpflichtige Angebot DeepL Pro sowie eine API f\u00fcr Entwickler, mit der eine Integration von DeepL in andere Systeme m\u00f6glich ist. Inzwischen kann DeepL auch in g\u00e4ngige CAT-Tools<\/a> wie Across<\/a>, memoQ<\/a> oder SDL<\/a>.<\/p>\n\n\n\n

Was steckt hinter DeepL?<\/h2>\n\n\n\n

DeepL <\/a>wurde seit 2016 aufgebaut, und zwar f\u00fcr jede Art von Text. Dabei wurden maschinelle Lernverfahren und innovative Sprachverarbeitung eingesetzt.<\/p>\n\n\n\n

Wie der Name bereits verr\u00e4t, macht sich das DeepL \u00dcbersetzungsprogramm das Deep Learning zu nutze. Deep Learning ist eine Methode des maschinellen Lernens, welche auf neuronale Netzwerke basiert. Vereinfach gesagt, ist die Architektur k\u00fcnstlicher neuronaler Netzwerke vom Lernen im menschlichen Gehirn inspiriert und er\u00f6ffnet durch st\u00e4ndiges Hinzulernen bisher ungeahnte M\u00f6glichkeiten.<\/p>\n\n\n\n

So werden \u00dcbersetzungen weniger holprig, was jedoch keines Falls hei\u00dft, dass DeepL \u00dcbersetzungen liefert, die einfach so im professionellen Kontext verwendet werden k\u00f6nnen. Hier ist ein qualifizierter \u00dcbersetzer<\/a> wie EHLION weiterhin unverzichtbar. Wo der Mensch der Maschine \u00fcberlegen ist, lesen Sie in diesem Abschnitt<\/a>.<\/p>\n\n\n\n

Was sind neuronale Netzwerke und wie funktionieren sie bei \u00dcbersetzungen?<\/strong><\/p>\n\n\n\n

Convolutional Neural Networks (CNN) waren zun\u00e4chst ein Durchbruch bei der Bilderkennung. Die \u00dcbersetzungen bei DeepL werden nun ebenfalls mit Hilfe von CNN erstellt. Die genaue Struktur dieser CNN legt das Unternehmen jedoch nicht offen. W\u00e4hrend DeepL mit CNN arbeitet, nutzt die Konkurrenz im Bereich \u00dcbersetzungssoftware h\u00e4ufig noch rekurrente neuronale Netzwerke.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Aber wie genau funktioniert so ein neuronales Netzwerk?<\/strong><\/p>\n\n\n\n

Ein neuronales Netzwerk lernt Texte maschinell zu \u00fcbersetzen, indem es vorher mit bereits existierenden \u00dcbersetzungen gef\u00fcttert wurde. Anhand von Filtern werden innerhalb dieser Trainingsdaten Muster erkannt und entsprechend interpretiert, sodass daraus abgeleitet werden kann, wie neue Texte \u00fcbersetzt werden k\u00f6nnen.<\/p>\n\n\n\n

Laut Angaben des Unternehmens wurde DeepL anhand von einer Milliarde \u00dcbersetzungen trainiert. Dabei handelt es sich um zweisprachige S\u00e4tze, die der Web-Crawler von Linguee im Internet gesammelt hat. Bereits vor dem Start von DeepL konnte man in Linguee einzelne Ausdr\u00fccke im Kontext recherchieren. S\u00e4mtliche Treffer, die der Web-Crawler anbietet, basieren auf den im Internet bilingual verf\u00fcgbaren Texten von Unternehmen, Beh\u00f6rden und der EU.<\/p>\n\n\n\n

Einer der entscheidenden Unterschiede zu fr\u00fcheren \u00dcbersetzungen ist, dass neuronale Netzwerke nicht Wort f\u00fcr Wort \u00fcbersetzen, sondern den ganzen Satz im Blick haben.<\/p>\n\n\n\n

Convolutional Neural Networks besitzen viele Schichten, die es ihnen erm\u00f6glichen alle W\u00f6rter eines Satzes parallel zu verarbeiten und nicht nacheinander. Dadurch sind sie schneller. Aber CNN sind vor allem aufgrund eines Aufmerksamkeitsmechanismus besser als andere neuronale Netzwerke. Dieser Mechanismus kann auf mehreren Ebenen gleichzeitig wirken. Konkurrenten, wie Google Translate, verwenden zwar auch einen solchen Mechanismus, allerdings nur an einer Schnittstelle.<\/p>\n\n\n\n

Aber was macht dieser Aufmerksamkeitsmechanismus genau? Zum Beispiel kann das Wort am Satzende dar\u00fcber entscheiden , welches das passende Wort f\u00fcr die \u00dcbersetzung am Satzanfang ist. W\u00fcrde das Netzwerk erst am Satzende feststellen, dass es am Anfang des Satzes das falsche Wort gew\u00e4hlt hat, ginge unn\u00f6tig Zeit verloren. Der Aufmerksamkeitsmechanismus hat solche m\u00f6glichen Hindernisse im Blick und beseitigt sie.<\/p>\n\n\n\n

BLEU ist ein Messverfahren f\u00fcr die Bewertung von Texten, die maschinell \u00fcbersetzt wurden. Der BLEU-Score der DeepL \u00dcbersetzungen ist besser als der anderer \u00dcbersetzungsprogramme. Daher vermuten Forscher, dass der auf verschiedenen Ebenen gleichzeitig eingesetzte Aufmerksamkeitsmechanismus es erm\u00f6glicht, bestimmte Aspekte der Bedeutung eines Wortes genauer zu extrahieren und so am Ende eine fl\u00fcssigere \u00dcbersetzung zu gew\u00e4hrleisten.<\/p>\n\n\n\n

\"DeepL\"<\/figure>\n\n\n\n

DeepL \u00dcbersetzungen im Check<\/h2>\n\n\n\n

Ein Fachtext aus dem Bereich der Unternehmensfinanzen soll DeepL auf die Probe stellen (siehe Abbildung unten). Der Output von DeepL beeindruckt durch den fl\u00fcssig wirkenden Text. Stattdessen erh\u00e4lt man sofort einen guten \u00dcberblick, worum es in einem Text geht \u2013 Liquidit\u00e4tskennzahlen und die Verbindlichkeiten eines Unternehmens.<\/p>\n\n\n\n

Das Ergebnis mit Google \u00dcbersetzer wirkt weniger schl\u00fcssig. Fachlich versierten Leser sticht sofort ein falscher Fachbegriff ins Auge. Aus \u201etotal liability\u201c wurde im Google \u00dcbersetzer \u201eGesamthaftung\u201c, also ein Begriff aus der Rechtssprache. Gemeint sind hier aber tats\u00e4chlich die gesamten finanziellen Verbindlichkeiten des Unternehmens, wie DeepL richtig erkannte.<\/p>\n\n\n\n

Dabei gilt es jedoch immer im Hinterkopf zu behalten, dass, nur weil DeepL \u00dcbersetzungen fl\u00fcssiger klingen, bedeutet dies nicht automatisch, dass es sich um qualitativ hochwertige \u00dcbersetzungen handelt, die sich problemlos im professionellen Kontext nutzen lassen.<\/p>\n\n\n\n

Denn schnell wird deutlich, dass auch bei DeepL nicht alle Fachbegriffe korrekt \u00fcbersetzt wurden. Die Begriffe \u201ecurrent ratio\u201c und \u201equick ratio\u201c \u2013 von DeepL als \u201eaktuelle\u201c und \u201eschnelle Kennzahlen\u201c \u00fcbersetzt \u2013 sind Kennzahlen f\u00fcr unterschiedliche Liquidit\u00e4tsgrade.<\/p>\n\n\n\n

Meist wird der Begriff im Deutschen un\u00fcbersetzt als \u201eCurrent Ratio\u201c (oder Barliquidit\u00e4t) und \u201eQuick Ratio\u201c (oder \u201eAcid Test\u201c) verwendet. F\u00fcr ein anspruchsvolles Fachpublikum sind maschinell \u00fcbersetzte Texte ohne Nachbearbeitung durch einen Fach\u00fcbersetzer und ohne die korrekte Fachterminologie nicht \u00fcberzeugend. Im Internet kursieren viele \u00e4hnliche Beispiele<\/a>. Manchmal sind die Fehler so subtil, dass sie nur von Experten erkennbar sind.<\/p>\n\n\n\n

Auch sollte nicht au\u00dfer Acht gelassen werden, dass wer DeepL oder andere Online-\u00dcbersetzungsprogramme nutzt, um vertrauliche Unternehmensinhalte zu \u00fcbersetzen, damit in Kauf nimmt, dass diese auf den jeweiligen Servern von DeepL oder der Konkurrenz gespeichert werden.<\/p>\n\n\n\n

Trotz des Fortschritts in der maschinellen \u00dcbersetzung und dem Einsatz neuronaler Netzwerke, eignet sich DeepL lediglich, um sich einen groben \u00dcberblick \u00fcber den Inhalt eines Textes zu verschaffen. Einen professionellen \u00dcbersetzer k\u00f6nnen solche Programme in keinem Fall ersetzen.<\/p>\n\n\n\n

Wer beispielsweise f\u00fcr die \u00dcbersetzung der eigenen Webseite nur auf DeepL zur\u00fcckgreift und der Zielsprache, in die \u00fcbersetzt wird, nicht m\u00e4chtig ist, kann weder das Ergebnis welches DeepL liefert beurteilen, noch anpassen. Auf diese Weise riskieren Sie, nicht nur, dass missverst\u00e4ndliche und falsche Inhalte auf Ihrer Webseite erscheinen, auch sind Sie nicht in der Lage, Ihre Texte inhaltlich und stilistisch an Ihr Zielpublikum anzupassen.<\/p>\n\n\n\n

Bei EHLION arbeiten wir hingegen ausschlie\u00dflich mit qualifizierten \u00dcbersetzern, die neben der gew\u00fcnschten Sprachkombination auch \u00fcber das entsprechende Fachwissen verf\u00fcgen, um Ihre Texte an den Zielmarkt anzupassen.<\/p>\n\n\n\n

DeepL f\u00fcr Privatpersonen und Profis<\/h2>\n\n\n\n

Der DeepL \u00dcbersetzer kann kostenlos genutzt werden. Entweder im Webbrowser<\/a> oder man l\u00e4d sich die DeepL App herunter.<\/p>\n\n\n\n

Wer die App<\/a> installiert hat, kann auch Texte in Anwendungen auf dem Computer, wie beispielsweise in Word, \u00fcbersetzen lassen. DeepL bietet \u00dcbersetzungen f\u00fcr die folgenden Sprachen: Deutsch, Englisch, Spanisch, Franz\u00f6sisch, Portugiesisch, Polnisch, Russisch, Niederl\u00e4ndisch und Italienisch.<\/p>\n\n\n\n

Jeder der \u00dcbersetzungsprogramme wie DeepL nutzt, sollte sich der Tatsache bewusst sein, dass diese Programme online arbeiten. Wer DeepL also mit sensiblen oder vertraulichen Unternehmensinhalten f\u00fcttert, riskiert, dass diese Daten im World Wide Web unterwegs sind und auf den DeepL Servern gespeichert werden.<\/p>\n\n\n\n

Seit 2018 gibt es das kostenpflichtige Angebot DeepL Pro<\/a>.
Ein Vorteil des Pro Abos liegt im Datenschutz. Im Gegensatz zur kostenfreien Version, werden die hochgeladenen Texte in der Pro Version umgehend von den jeweiligen Servern wieder gel\u00f6scht. Aber wie bereits erw\u00e4hnt, l\u00e4sst sich auch hier nicht vermeiden, dass Ihre Daten f\u00fcr eine gewisse Zeit online sind.<\/p>\n\n\n\n

Seit 2018 gibt es das kostenpflichtige Angebot DeepL Pro sowie eine API f\u00fcr Entwickler, mit der eine Integration von DeepL in andere Systeme m\u00f6glich ist. Inzwischen kann DeepL auch in g\u00e4ngige CAT-Tools<\/a> wie Across<\/a>, memoQ<\/a> oder SDL<\/a> integriert werden.<\/p>\n\n\n\n

Macht maschinelle \u00dcbersetzung wie DeepL Fach\u00fcbersetzer \u00fcberfl\u00fcssig?<\/h2>\n\n\n\n

Trotz erheblicher Fortschritte k\u00f6nnen maschinelle \u00dcbersetzungen weiterhin keinen qualifizierten Fach\u00fcbersetzer ersetzen.<\/p>\n\n\n\n

\u00dcbersetzungsprogramme, wie DeepL, k\u00f6nnen hilfreich sein, wenn die Ver\u00f6ffentlichung einer \u00dcbersetzung gar nicht geplant ist, sondern Sie sich lediglich, einen groben \u00dcberblick \u00fcber den Inhalt verschaffen m\u00f6chten.<\/p>\n\n\n\n

Ob eine maschinelle \u00dcbersetzung Sinn macht oder nicht, h\u00e4ngt also von Faktoren wie Textart, Zielgruppe und Kommunikationszweck ab.<\/p>\n\n\n\n

Anspruchsvolle Zielgruppen wie Investoren oder \u00c4rzte lassen sich von fehlerhaften Prospekten oder Brosch\u00fcren wohl eher nicht \u00fcberzeugen.<\/p>\n\n\n\n

Wie gut oder eben schlecht eine maschinelle \u00dcbersetzung ist, h\u00e4ngt immer davon ab, mit welchen Inhalten die Maschine zuvor gef\u00fcttert wurde.
Um verh\u00e4ltnism\u00e4\u00dfig gute \u00dcbersetzungen zu erzielen, m\u00fcssen die Datenbanken \u00fcber Millionen von Inhalten verf\u00fcgen! Deshalb spielt bei der Qualit\u00e4t einer maschinellen \u00dcbersetzung auch die Sprachkombination eine Rolle. Dies h\u00e4ngt von der Struktur und Grammatik der einzelnen Sprachen ab, aber eben auch vom verf\u00fcgbaren Volumen und von der Qualit\u00e4t der bilingualen Texte, mit denen die \u00dcbersetzungsmaschinen trainiert werden.<\/p>\n\n\n\n

Auch das jeweilige Fachgebiet hat Einfluss auf das Ergebnis. Schlie\u00dflich gibt es Spezialthemen, f\u00fcr die nur wenig bilinguales Material verf\u00fcgbar ist, um eine Engine zu trainieren.<\/p>\n\n\n\n

Wo der Mensch der Maschine \u00fcberlegen ist<\/h2>\n\n\n\n

Zwar liefert die maschinelle \u00dcbersetzung Ergebnisse, die f\u00fcr bestimmte Zwecke gut genug sind. Doch wenn es um Werbetexte mit Wortspielen, Fachtexte mit technischen Ausdr\u00fccken oder fehlerhafte bzw. mehrdeutige Texte geht, ist der Mensch der k\u00fcnstlichen Intelligenz \u00fcberlegen.<\/p>\n\n\n\n

Auch f\u00fcr die Lokalisierung, also die \u00dcbersetzung sowie die Anpassung von Texten an den Zielmarkt, bleibt der Mensch als Fach\u00fcbersetzer unverzichtbar. Er beherrscht nicht nur die Sprache, sondern kennt auch die kulturellen Gepflogenheiten eines Landes. Dies ist f\u00fcr eine gelungene \u00dcbersetzung unerl\u00e4sslich und verhindert so manchen peinlichen Fauxpas, den eine Maschine niemals als solchen erkannt h\u00e4tte.<\/p>\n\n\n\n

So ist Spanisch nicht gleich Spanisch. Hat ein Wort eine v\u00f6llig harmlose Bedeutung in Spanien, hat dasselbe Wort in manchen lateinamerikanischen L\u00e4ndern eine vollkommen andere Konnotation, wer diese feinen Unterschiede nicht kennt, tritt schnell in ein Fettn\u00e4pfchen.<\/p>\n\n\n\n

Kenntnis der Fachsprachen <\/strong><\/p>\n\n\n\n

Das Vokabular, das bei der maschinellen \u00dcbersetzung mit neuronalen Netzen verwendet wird, ist meist auf die 50.000 bis 80.000 h\u00e4ufigsten W\u00f6rter beschr\u00e4nkt. Bestimmte Fachbegriffe stehen deshalb wom\u00f6glich gar nicht zur Verf\u00fcgung \u2013 man spricht dann von \u201eOOV-W\u00f6rtern\u201c (out of vocabulary). Auch hier sind Fach\u00fcbersetzer<\/a> mit ihren fachsprachlichen Kenntnissen \u00fcberlegen.<\/p>\n\n\n\n

Bei EHLION arbeiten wir beispielsweise ausschlie\u00dflich mit Muttersprachlern. Au\u00dferdem kennen sich unsere \u00dcbersetzer bestens in ihrer jeweiligen Nische aus und haben stets ihre Zielgruppe vor Augen.
Bei maschinellen \u00dcbersetzungen mangelt es hingegen nicht nur immer wieder am Fachvokabular, sondern der Datenbank fehlt es schlichtweg an Fachinhalten, um die Begriffe im Kontext richtig zu \u00fcbersetzen. Das kann bei medizinischen \u00dcbersetzungen fatal sein, in anderen Bereichen, wie im iGaming einfach nur peinlich, wenn der Slang der Gaming-Sprache falsch benutzt wird.<\/p>\n\n\n\n

Verst\u00e4ndnis der Textlogik <\/strong><\/p>\n\n\n\n

H\u00e4ufig enthalten Ausgangstexte Logikfehler oder ihr \u201eroter Faden\u201c ist nicht leicht nachzuvollziehen. Manchmal fehlt einfach das Wort \u201enicht\u201c und der Text ist in sich widerspr\u00fcchlich. Da sich \u00dcbersetzer intensiv mit der Bedeutung von Texten befassen, um diese exakt in die gew\u00fcnschte Sprache zu \u00fcbertragen, fallen ihnen solche Ungereimtheiten auf \u2013 und sie fragen gegebenenfalls beim Auftraggeber nach.<\/p>\n\n\n\n

Bearbeitung fehlerhafter Texte <\/strong><\/p>\n\n\n\n

Ausgangstexte und Datenbest\u00e4nde k\u00f6nnen Fehler enthalten. Insbesondere englische Texte aus aller Welt, die nicht von Muttersprachlern stammen, lassen sich manchmal nur schwer interpretieren. Aber auch ein Tippfehler kann ausreichen, um eine Engine zu \u00fcberfordern. \u00dcbersetzer mit ihren kognitiven F\u00e4higkeiten, k\u00f6nnen solche fehlerhaften Textstellen interpretieren und einsch\u00e4tzen, wann sie beim Kunden nachfragen sollten.<\/p>\n\n\n\n

Kreativit\u00e4t beim \u00dcbersetzen <\/strong><\/p>\n\n\n\n

Bestimmte Textsorten erfordern die ganze Kreativit\u00e4t des \u00dcbersetzers, wenn etwa Werbung an ausl\u00e4ndische M\u00e4rkte angepasst werden muss. Hier ist eingehende Kenntnis der Kultur, der Zielgruppen und der Sprache gefragt.<\/p>\n\n\n\n

Umgang mit Mehrdeutigkeit <\/strong><\/p>\n\n\n\n

In den meisten Sprachen gibt es W\u00f6rter, die verschiedene Bedeutungen haben. Diese erschlie\u00dfen sich aus dem Kontext. So erkennt DeepL, dass \u201eliabilities\u201c in einem Finanztext \u201eVerbindlichkeiten\u201c bedeutet. Doch andere Systeme w\u00e4hlen hier \u201eHaftung\u201c, einen Begriff aus der Rechtssprache. Human\u00fcbersetzer hingegen haben stets den Kontext im Blick. Das k\u00f6nnen MT Engines wie DeepL aufgrund der gro\u00dfen Bandbreite an Inhalten, aktuell nicht leisten.<\/p>\n\n\n\n

Erkennen von Synonymen <\/strong><\/p>\n\n\n\n

\u00c4hnliches gilt f\u00fcr den Umgang mit Synonymen. In der Literatur willkommen, sind Synonyme in bestimmten Textsorten verp\u00f6nt. Ein versierter Fach\u00fcbersetzer erkennt, dass \u201eGer\u00e4t\u201c, \u201eSystem\u201c und \u201eInstrument\u201c in der Textprobe unten denselben Gegenstand bezeichnen. Als Profi kann er den Auftraggeber beraten, die Terminologie zu vereinheitlichen. Die maschinelle \u00dcbersetzung geht einfach dar\u00fcber hinweg und es entstehen Inkonsistenzen.<\/p>\n\n\n\n

Vor- und Nachteile von DeepL im \u00dcberblick<\/h2>\n\n\n\n

Vorteile<\/strong><\/p>\n\n\n\n