Georg Ell, Phrase 首席执行官、首席产品官 Simone Bohnenberger-Rich 博士致辞 SlatorCon远程会议2024年6月 与会者将讨论在本地化领域实现人工智能自动化的可能性 LQA. Phrase 的高管回答了与将人工智能整合到不同产品中以及通过自动化获得的收益类型相关的问题。
为了开始讨论，Slator 向 Ell 询问 Phrase 如何帮助客户应对内容生成和本地化方面的变化，尤其是大规模的变化。
这位首席执行官解释说，人们对内容生成方式的变化以及人工智能如何促成这些变化非常感兴趣。
在埃尔看来，这种变化包括在不远的将来，互联网上的超大流量将被实时流化，并为每个用户提供高度定制化的内容。 据他估计，大约 20% 的本地化客户已经开始实现自动化，因为他们迫切需要处理如雨后春笋般增长的内容量，并最终实现超级自动化。
人工智能创新中的炒作与现实
Bohnenberger-Rich 在谈到海量内容这一主题时补充说，对人工智能所能做的事情的炒作正在改变人们对本地化成本的期望，即用更少的钱做更多的事。 “Bohnenberger-Rich 补充说：”有时我们会看到，本地化团队的预算被削减，因为预期 GenAI 会降低成本。 “这有点像我所说的盲目热情。
Bohnenberger-Rich 接着说，团队最终会意识到，除了生成式人工智能和 大型语言模型 (LLM) 以实现真正的自动化、降低成本并解决实际用例。
首席运营官解释说，Phrase 一直在 “实施大型语言模型和人工智能，根据工作流组件和高级分析组件所能做的事情，在它们产生最大价值的地方实施它们。 这让你可以在什么时候做什么事情，从而获得大量的智能”。
在谈到本地化过程中质量保证（QA）部分的复杂性时，Bohnenberger-Rich 还介绍了 Phrase 在 QA 方面的关键创新如何能够消除大量复杂性并消除不必要的人工干预。
这首先要改变人工干预质量保证的决定方式，例如，从假设主题或语言对的难度转变为自动和系统化的质量水平评估。 这就是 Phrase 的 质量性能得分 (Phrase QPS) 所能实现的目标。
Bohnenberger-Rich 还谈到了信任问题，即自动质量保证流程在任何规模下都会有同样出色的表现。 她解释说，要将这样一个主观性很强的流程自动化，就必须以一致性来克服主观性。 她还补充说，这还要求产品能够透明地显示低质量和高质量的区别，从而让客户理解人工智能做出某些决定的原因。
本地服务提供商的机遇
Georg Ell 谈到了 语言服务提供商 (语言服务提供商（LSP）可以实施自动化，在帮助客户本地化更多内容的同时增加收入。 LSP 可以作为技术合作伙伴，因为很多买家缺乏知识，无法决定人工智能本地化自动化的方向。
Ell 强调需要将语言行业视为生态系统的一部分，例如 Phrase 就是一家语言技术公司。 在这个生态系统中，语言服务提供商拥有的数据和专家可以帮助改进 LLM，因此 “将这两样东西结合起来是释放大型语言模型价值的关键，因为你需要根据特定用例对其进行定制，”这位首席执行官说。
首席执行官补充说，在大容量的背景下，某些业务模式将需要改变，因为在更短的时间内完成更多工作将面临压力，包括在质量保证中进行人工干预。 他说，与此同时，本地服务提供商将有很多选择来实施这些变革。
顺序质量保证循环的终结
Bohnenberger-Rich 解释了如何在许多不同的质量保证循环中实现多个质量保证类别的自动化。 在谈到可以通过高质量翻译记忆库等方式对 LLM 进行培训和微调时，她提到，可以理解的是，这些环路中的某些质量保证类别可以信任地适当自动化，但这完全取决于使用案例。
首席采购干事补充说，考虑到每种使用情况的需求，质量保证流程的某些部分将或多或少地实现自动化。 她将这一流程描述为：从使用案例、需要解决的问题开始，逆向分配沿途的自动化步骤。
“Bohnenberger-Rich说：”客户可以根据使用案例和需求，确定他们希望在速度、可扩展性和自动化方面取得多大进展，以及他们更喜欢例外循环的资产类型。
Ell 补充说，在 Phrase，团队考虑了客户的反馈意见，对 QPS 模型进行了微调。 在他看来，理想的情况是，自动质量保证系统可以让客户根据使用情况和内容类型，选择质量保证的严格程度。
（机器翻译，轻度译后编辑，仅供参考）
编辑：刘煜珍