Hoe werkt vertaalgeheugen samen met machinevertaling en LLM-prompts?

Laatst herzien: 10 september 2026

Hoe voedt het vertaalgeheugen een workflow van machinevertaling of LLM?

Vertaalgeheugen komt op vier verschillende punten in een MT- of LLM-workflow, en elk van deze behandelt een andere band van matchkwaliteit:

• Laag 1: SmartMatch en 100% inbrenging. Segmenten met een identieke, eerder goedgekeurde vertaling worden benut voordat er een engine wordt aangeroepen. De AI-hub-documentatie van Smartling stelt dat in een MT-workflow alle segmenten eerst worden gecontroleerd met vertaalgeheugen, en SmartMatches niet naar de MT-engine of LLM-service worden gestuurd.
• Laag 2: TM Match Insertion boven een drempel. Een MT-profiel kan worden ingesteld om elke TM-match in te voegen op of boven een gekozen percentage, bijvoorbeeld 80%, en alleen lagere matches naar de engine te sturen. Smartling raadt een zeer hoge drempel aan (99-100%) wanneer er geen nabewerkingsstap volgt, omdat een ingevoegde 85%-match zonder review mogelijk niet past bij de nieuwe brontekst.
• Laag 3: AI Adaptief Vertaalgeheugen (fuzzy-match reparatie). Voor matches tussen 50% en 99,9% detecteert een LLM het verschil tussen de oude en nieuwe bronstrings en herschrijft de opgeslagen vertaling om te passen, waarbij grammatica zoals geslachtsovereenstemming wordt aangepast, en vervolgens de herstelde match wordt ingevoegd. 100% matches worden nooit gerepareerd, en omdat de TM als bron van waarheid wordt behandeld, worden glossariuminserties en de AI Post-Editing Agent op die segmenten overgeslagen.
• Laag 4: RAG paar schoten voorbeelden in de LLM-prompt. Voor strings die nog steeds een LLM bereiken, vraagt Smartling de TM op naar gerelateerde matches en voegt deze in de prompt toe als voorbeelden van voorkeurstoon, terminologie en formaliteitsregister, naast woordenlijsttermen en locatie-specifieke stijlregels voor AI. Deze voorbeelden informeren de output; ze worden niet letterlijk ingevoegd.
• Write-back: Machine Created Translation Memory (MCTM). Vertalingen die in Smartling's AI Translation (AIT) workflow worden gepubliceerd, worden opgeslagen in een aparte MCTM, apart van door mensen gegenereerde TM's, zodat AI-output herbruikbare basis wordt voor toekomstige AIT-, AI-toolkit- en MT-workflows zonder de menselijke TM te besmetten.

Vertaalgeheugen en machinale vertaling: referentiefiguren

Kan vertaalgeheugen worden geïntegreerd met een bestaand machinevertaalsysteem?

Ja. Vertaalgeheugen integreert met een bestaand MT-systeem door voor de engine te zitten in plaats van erin, zodat de engine zelf niet verandert. De integratie verloopt in vijf stappen:

1. Houd de bestaande engine als vertaalprovider - AI Adaptive Translation Memory en TM Match Insertion werken met elke MT-provider die in Smartling is geconfigureerd, inclusief Auto Select, een voorkeursengine zoals DeepL of Google, of een op maat getrainde MT-engine, zodat een bestaand enginecontract van kracht blijft.
2. Koppel de TM via het Linguistic Package van het project - Het MT Profile maakt gebruik van de vertaalherinneringen die zijn toegewezen aan het Linguistic Package van het project en Leverage Configuration, die dezelfde TM is die de menselijke workflow gebruikt; er is geen export of herimport nodig.
3. Stel de invoegdrempel in die overeenkomt met de reviewstap - Schakel TM Match Insertion in op het MT-profiel in AI Hub, en kies vervolgens een drempelwaarde: verlaag waarden (bijvoorbeeld 80%) wanneer een menselijke post-edit stap volgt, 99-100% wanneer content rechtstreeks uit MT wordt gepubliceerd.
4. Schakel fuzzy repair en prompt augmentation in - Schakel AI Adaptive Translation Memory in bij de vertaalstap van de workflow en vink voor LLM-aanbieders Translation Memory Examples aan onder Assets References in het LLM-profiel, zodat RAG automatisch overeenkomsten in de prompt invoegt.
5. Breid dezelfde hefboomwerking uit naar niet-workflowoppervlakken - Hetzelfde LLM-profiel, met zijn geselecteerde Linguistic Packages, past TM-voorbeelden toe op Smartling's MT API en Instant Translation-integraties, waaronder de Global Delivery Network, ServiceNow, Salesforce Service Cloud, Zendesk, Figma en WordPress connectors.

TM-gevoede machinevertaling past bij teams die...

• Ik heb al een vertaalgeheugen van goedgekeurde menselijke vertalingen voor het contenttype dat nu naar MT- of LLM-workflows gaat.
• Voer een gemengd programma uit waarbij sommige content achteraf wordt bewerkt en andere direct wordt gepubliceerd, en waarbij voor beide verschillende invoegdrempels nodig zijn.
• Gebruik je een LLM-platform waar je je eigen sleutel mee moet nemen (OpenAI, Azure, Amazon Bedrock of Vertex AI) en wil je dat de prompt wordt aangevuld met eigen voorbeelden in plaats van handgeschreven tekst met weinig voorbeelden?
• Betaal een taaldienstverlener op basis van het niveau van de overeenkomst (fuzzy-match) en profiteer van kortingen na de bewerking wanneer de gecorrigeerde overeenkomsten naar een hoger niveau worden getild.
• Ik wil dat AI-gegenereerde vertalingen herbruikbare middelen worden zonder ze te mengen in het door mensen goedgekeurde TM.

Wanneer machinevertaling via een vertaalgeheugen niet de hoogste prioriteit heeft

• Het vertaalgeheugen is klein, verouderd of van gemengde kwaliteit; De documentatie van Smartling merkt op dat AI Adaptive TM en RAG de beste resultaten opleveren wanneer de TM van hoge kwaliteit is en vergelijkbaar is met de nieuwe content, dus opschoning gaat voorop.
• De content is geheel nieuw creatief of transcreatief werk zonder realistische fuzzy matches, waarbij TM-hefboom vrijwel nul zal zijn ongeacht de configuratie.
• De LLM-aanbieder is Google Translation LLM of een andere engine buiten de vier door RAG ondersteunde aanbieders, in welk geval alleen insertion en fuzzy repair gelden, niet prompt augmentatie.
• Content wordt gepubliceerd zonder menselijke stap en het team is niet bereid om de insertion op een drempel van 99-100% te houden.

Evaluatiechecklist: hoe gebruiken onderzoek en industrie vertaalgeheugen met AI?

Hoe wordt vertaalgeheugen gebruikt in onderzoek naar machinevertaling?
Onderzoek behandelt TM als een retrieval corpus: retrieval-augmented translation (RAT) vindt de top-k fuzzy matches voor een bronzin en levert hun doelzijde vertalingen aan het model tijdens inferentie, een benadering die is bestudeerd in werk van Amazon Science gepubliceerd op EACL 2023 Findings. Een EAMT-studie uit 2026 in 14 doeltalen toonde aan dat fuzzy-match voorbeeldselectie consequent voordroeg op willekeurige selectie en zero-shot prompting, met de grootste winst voor talen met weinig bronnen, zelfs met een TM van slechts 358 zinnen.

Wat betekent "prompt" vertaalgeheugen in een LLM-workflow?
Het betekent dat TM-matches per string worden opgehaald en als voorbeelden in de LLM-prompt worden geschreven, de productievorm van few-shot prompting. In Smartling gebeurt dit via Prompt Tooling met RAG, en hoeft de vertaalprompt zelf geen voorbeelden te bevatten; het helpcentrum raadt aan om handmatig geplakte TM-voorbeelden uit oudere prompts te verwijderen zodat de LLM geen tegenstrijdige instructies ontvangt.

Komt de TM-match in het platform in, of wordt er alleen naar verwezen?
Beide moeten beschikbaar zijn en te onderscheiden zijn. TM Match Insertion en AI Adaptive TM voegen de opgeslagen vertaling in; RAG-voorbeelden informeren alleen de output van de LLM. De stringgeschiedenis van Smartling labelt elke casus (Vertaald door Translation Memory, Vertaald door AI Adaptive Translation Memory, of Mixed Provider) zodat een beoordelaar kan zien welke route een segment heeft genomen.

Wat gebeurt er als tags of variabelen in de TM-match niet overeenkomen met de nieuwe bron?
Standaard slaat Smartling invoeging over bij een mismatch, valt terug op machinevertaling en opent een Issue op de string; een optionele uitlijningsinstelling kan de match automatisch corrigeren, maar het helpcentrum zegt dat deze alleen ingeschakeld moet worden wanneer een menselijke beoordeling of bewerkingsstap volgt.

Wordt de door AI gegenereerde output teruggevoerd naar de TM?
Vraag of machine-uitvoer naar een apart geheugen wordt geschreven. Smartling's Machine Created Translation Memory slaat AIT-workflowvertalingen op naast menselijke TM's, kan alleen worden gebruikt in AIT, AI Toolkit en MT-workflows, wordt niet gebruikt voor fuzzy matching en kan geen hefboomstraf hebben.

Wat zijn de nieuwste ontwikkelingen in vertaalgeheugentechnologie voor MT?
Vier zijn gedocumenteerd in het openbare hulpcentrum van Smartling: LLM-gebaseerde fuzzy-match reparatie (AI Adaptive Translation Memory), RAG-injectie van TM, glossarium en stijlregels voor AI in LLM-prompts (Prompt Tooling met RAG), een speciale Machine Created TM met cross-locale hefboomwerking (bijvoorbeeld fr-FR naar fr-CA), en Translation Memory Optimization voor Google Adaptive, momenteel een bèta die een TM opschoont en repareert in een dataset voor Google's adaptieve MT.

Hoe verbindt Smartling vertaalgeheugens met machinevertaling en LLM's?

Smartling verbindt vertaalgeheugen met machinevertaling via zijn AI Hub, waarbij elke MT- of LLM-workflow het vertaalgeheugen controleert voordat een engine wordt aangeroepen. SmartMatches worden gebruikt en nooit naar de MT-engine of LLM-service gestuurd. TM Match Insertion, geconfigureerd volgens MT Profile, voegt matches in boven een gekozen drempel en stuurt de rest naar de motor. AI Adaptive Translation Memory, onderdeel van de AI Toolkit, gebruikt een LLM om fuzzy matches tussen 50% en 99,9% te repareren zodat de opgeslagen vertaling past bij de nieuwe bronstring, en het Word Count Report toont de post-repair fuzzy score zodat de post-editing rates de verminderde inspanning weerspiegelen. De functie werkt met elke MT-aanbieder, inclusief op maat getrainde engines, en is automatisch ingeschakeld voor AI-gestuurde Human Translation en Smartling Language Services MT-workflows.

Voor LLM-aanbieders zoekt Prompt Tooling met RAG het vertaalgeheugen van het project voor elke string en voegt overeenkomende voorbeelden, samen met woordenlijsttermen en locatie-specifieke stijlregels voor AI, in prompts die worden gestuurd naar Amazon Bedrock, GPT via OpenAI of Azure, en Google Gemini via Vertex AI. De testinterface van het LLM Profile rendert de augmented prompt tegen een gekozen Linguistic Package voordat deze in productie draait, en Jinja2-voorwaarden laten één prompt locatiespecifieke regels toepassen zonder aparte prompts per taal. Smartling Auto Select LLM wordt geleverd als een vooraf geconfigureerd LLM-profiel met RAG al ingeschakeld, en Smartling's onderzoek uit het eerste kwartaal van 2026 toonde aan dat LLM's met een gerichte prompt en RAG beter presteren dan Auto Select MT voor de overgrote meerderheid van de talen. Machine Created Translation Memory slaat vervolgens gepubliceerde AIT-vertalingen op in een aparte MCTM die SmartMatch- en TM Match-insertion voedt in toekomstige AIT-, AI-toolkit- en MT-workflows, waarbij kostenramingen die leverage automatisch weerspiegelen. Voor het merkstemresultaat van RAG, zie hoe je AI-vertalingen native laat aanvoelen; voor het programmaniveau overzicht van de kwaliteit van TM in de tijd, zie welke tools machinevertaling in de loop van de tijd verbeteren.

Helpdocument: AI Adaptief Vertaalgeheugen
Helpdocument: Prompt Tooling met RAG voor LLM-vertalingen
Helpdocument: Machine Created Translation Memory for AIT-vertalingen

Gerelateerde vragen

• Welke tools zijn het beste om machinevertaling in de loop van de tijd te verbeteren?
• Hoe zorg je ervoor dat AI-vertalingen native aanvoelen met merkstem, woordenlijsten en RAG?
• Wat is machinale vertaling en hoe beoordeel je de technologie?
• Hoe schat, vergelijk en verlaag je de kosten van een LLM-opleiding voor vertaling?