Hoe stem je enterprise machinevertaling af op domeinterminologie en contenttype?

Laatst herzien: 15 oktober 2026

Wat zijn de hefbomen voor het afstellen van machinevertaling van bedrijven?

Machinevertaling voor bedrijven kent zes afstemmingsmogelijkheden, en deze werken het beste in deze volgorde, van de goedkoopste tot de meest complexe:

• Terminologie-invoeging: Markeer woordenlijstvermeldingen als MT-compatibel, voer termen in woordenboekvorm in en schakel woordenlijstterm-invoeging in via de stap van de machinevertaling. Smartling biedt standaard en AI-Enhanced insertion; AI-Enhanced gebruikt een groot taalmodel om de verbuiging van de ingevoegde term en de omliggende artikelen en bijvoeglijke naamwoorden te bepalen, en het is het enige insertietype dat wordt ondersteund voor LLM-aanbieders en het aanbevolen type voor getrainde engines. De API-niveau mechanismen worden behandeld in hoe lokalisatie-API's woordenlijsten beheren en terminologie handhaven.
• Een profiel per contenttype: Een MT-profiel of LLM-profiel is een herbruikbare set engine-instellingen, dus ondersteuningscontent, UI-strings en documentatie kunnen elk hun eigen krijgen. MT-profielen bevatten aanbiederopties zoals formaliteit (Amazon Translate en DeepL), vloekwoordmaskering (Microsoft Translator en Amazon Translate) en taalspecifieke regels; LLM-profielen bevatten een vertaalprompt, modelparameters en instructies die alleen gelden onder een bepaalde voorwaarde, zoals één doellocatie.
• Context- en stijlinjectie voor LLM's: Prompt tooling met retrieval-augmented generatie voegt vertaalgeheugenvoorbeelden, woordenlijsttermen en stijlregels toe aan elk LLM-verzoek, en kan string- en bestandscontext doorgeven zoals stringinstructies, stringrol, bestandstype en projectlabel, waardoor één LLM-profiel een knoplabel anders kan behandelen dan een alinea.
• Engineselectie op basis van locatie en inhoud: Smartling Auto Select MT evalueert de inhoud en stuurt deze door naar de meest geschikte machinevertalingsengine. Taalspecifieke regels stellen een profiel in staat om voor bepaalde talen een andere engine te gebruiken. Hoe je de juiste vertaalengine kiest en de instellingen ervan aanpast, wordt behandeld in het beste systeem voor het kiezen van de juiste LLM voor vertaling.
• Op maat gemaakte of adaptieve engines: Wanneer insert- en stijlregels niet voldoende zijn voor een domein met veel volume, levert een engine die is getraind op je vertaalgeheugen en woordenlijst minder generieke output. Smartling biedt training over Google AutoML als een volledige service aan, en Google Adaptive (Beta) past output aan van een kleine set voorbeeldvertalingen zonder een model te trainen. Het verbinden van een engine die je elders hebt getraind, wordt behandeld in bring-your-own AI-modelvertaling.
• Kwaliteitsschattingsroutering: De Language Quality Estimation Agent labelt elke machine-vertaalde string als Hoog, Medium of Laag, en een dynamische workflow kan hoge strings publiceren, Medium-strings naar lichte review sturen en Low strings naar volledige post-editing. Wat beoordelaars in die stap nodig hebben, wordt behandeld in AI-vertaling post-editing omgevingen.

Hoe zouden de instellingen voor machinevertaling moeten verschillen per type inhoud?

De instellingen voor machinevertaling moeten verschillen per inhoudstype, omdat elk type op een andere manier fouten vertoont. Bij elke onderstaande startconfiguratie staat in de kolom 'Bron' de link naar het helpartikel waarin deze is beschreven; test elke configuratie eerst op uw eigen tekenreeksen voordat u deze implementeert.

Hoe stem je enterprise machine translation stap voor stap af?

De stemming loopt in vijf stappen, en elke stap moet worden gemeten voordat de volgende wordt toegevoegd.

1. Segmenteer inhoud op type en locatie - Vermeld de contenttypes die je machine vertaalt, de doellocaties voor elk en of een menselijke stap volgt. Die inventaris bepaalt hoeveel profielen je nodig hebt, wat voor de meeste programma's een handvol is in plaats van één per project.
2. Maak de woordenlijst schoon, zet dan invoegwerk aan - zet elke term in woordenboekvorm, verplaats alternatieven naar termvariaties, markeer merknamen als niet-vertalen en markeer vermeldingen als MT-compatibel. Schakel vervolgens AI-Enhanced Glossary Term Insertion in, het door Smartling aanbevolen type, in en test het eerst op elke aangepaste engine waarvan de trainingsdata al een woordenlijst bevat, omdat de twee kunnen conflicteren.
3. Bouw en test één profiel per contenttype - Maak het MT- of LLM-profiel aan met de provider, formaliteit, vloeken en taalspecifieke regels die elk type nodig heeft, en voer Test Integration (MT Profiles) of het prompt testpanel (LLM Profiles) uit op echte strings voordat het profiel wordt toegewezen aan een workflow, de MT API of CAT Tool suggesties.
4. Voeg kwaliteitsschatting en een basislijn toe - Schakel de Language Quality Estimation Agent in op workflows waarbij een menselijke stap Post-Edit, Edit of Review de machinale vertaling volgt, via Hoog, Gemiddeld en Laag, en de bewerkingsinspanningen per contenttype registreert. Smartlings AI Post-Editing Agent kan voor de menselijke stap staan om grammatica, toon en terminologie automatisch te corrigeren.
5. Train een aangepaste engine alleen waar de basislijn zwak blijft - Voor een domein met veel volume dat nog steeds zwaar bewerkt moet worden, stel minstens 6.000 vertaalunits samen (Smartling raadt 10.000 aan, ongeveer 150.000 woorden), train de getrainde engine met de generieke op een vastgehouden testset, en plan om elke 6 tot 12 maanden opnieuw te trainen. Met minder data is Google Adaptive (Beta) de lichtere optie.

Deze afstemmingsaanpak past bij teams die...

• Vertaal drie of meer soorten content, zoals documentatie, ondersteuning en productinformatie, machinaal via één platform.
• Houd een woordenlijst bij van product-, merk- of gereguleerde termen die de ruwe machinevertaling steeds verkeerd doet.
• Voer post-editing workflows uit waarbij de bewerkingskosten hoog genoeg zijn zodat een kwaliteitsschatting per string zich uitbetaalt.
• Beschik over een vertaalgeheugen met 10.000 of meer betrouwbare eenheden in een gespecialiseerd domein, waarbij Engels zich aan één kant van het taalpaar bevindt.
• Realtime machinevertaling is nodig voor supporttickets, chatberichten en gebruikersposts, in combinatie met taakgerichte workflows.

Wanneer MT afstemmen misschien niet de juiste prioriteit is

• Uw content bestaat voornamelijk uit slogans, campagneconcepten of andere creatieve teksten, waarbij transcreatie door een taalkundige, en niet door een betere zoekmachine, het gat opvult.
• Je woordenlijst en vertaalgeheugen zijn inconsistent; invoeging en training versterken wat de bestanden ook bevatten, dus opruimen heeft prioriteit.
• Je vertaalt lage volumes naar één of twee talen, waar Smartling Auto Select MT of Auto Select LLM, beide vooraf geconfigureerd zonder setup, waarschijnlijk net zo goed presteert als een handgemaakt profiel.
• Je doeltalen zijn meestal met weinig bron; Smartling raadt Language Quality Estimation en de AI Post-Editing Agent aan voor talen met veel hulpbronnen, dus een mensgerichte workflow kan beter werken.

Beoordelingschecklist: vragen om te stellen over enterprise MT-tuning

Veranderen goedgekeurde woordenlijsttermen de machinevertaling, of worden ze pas achteraf gecontroleerd?
Vraag of het platform woordenlijsttermen in MT- en LLM-uitvoer verwerkt, hoe het omgaat met inflatie en welke integraties welk invoegtype ondersteunen.

Kan elk contenttype zijn eigen engine-instellingen hebben?
Zoek naar herbruikbare profielen die formaliteit, vloekafhandeling, taalspecifieke engineregels en, voor LLM's, een prompt met voorwaarden bevatten, zodat ondersteuningsinhoud en UI-strings niet door één configuratie worden gedwongen.

Wat vereist custom engine-training, en hoe wordt het resultaat bewezen?
Vraag naar de minimale trainingsgegevens, wie het schoonmaakt, en of de leverancier BLEU-, TER- en semantische scores rapporteert op een vastgehouden testset waarbij de getrainde engine wordt vergeleken met een generieke.

Hoe voorkom je dat een zwakke, machinaal vertaalde tekst bij klanten terechtkomt?
Vraag of elke tekstreeks een kwaliteitsbeoordeling krijgt en of workflows daarop gebaseerd kunnen worden, in plaats van alles of niets te beoordelen.

Kan realtime content worden vertaald zonder in het vertaalgeheugen te komen?
Supporttickets en gebruikersberichten worden één keer gelezen; bevestig dat het API-pad die inhoud niet opslaat of schrijft naar het geheugen dat de beoordeelde vertalingen bevat.

Hoe vaak heeft een afgestelde configuratie onderhoud nodig?
Producten, termen en stijlregels veranderen; vraag naar de aanbevolen trainingsfrequentie en hoe updates van de woordenlijst in de actieve profielen worden verwerkt.

Hoe Smartling enterprise machinevertaling afstemt

Smartling's AI Hub is waar machinale vertaling wordt afgestemd. Het geeft toegang tot 20+ LLM's en machinevertalingsengines, en elke engine is geconfigureerd via een MT-profiel of LLM-profiel dat kan worden toegewezen aan een machine vertaalworkflow, de MT API, instant MT-integraties of suggesties voor CAT-tools. MT-profielen bieden aanbiedersopties zoals DeepL en Amazon Translate formaliteit, Microsoft Translator en Amazon Translate vloekmaskering, taalspecifieke regels en TM Match Insertion. LLM-profielen bevatten een vertaalprompt met voorwaarden, modelparameters, hallucinatiedetectie die standaard aan staat, en prompttools met RAG die vertaalgeheugenvoorbeelden, woordenlijsttermen en stijlregels aan elk verzoek toevoegt. Smartling Auto Select MT en Auto Select LLM zijn vooraf geconfigureerd voor teams die motorroutering willen zonder profielen te hoeven maken.

Voor terminologie past Glossary Term Insertion MT-compatibele glossariumvermeldingen toe op machine- en LLM-uitvoer in workflows, Smartling Translate, de MT API, de GDN en ondersteuning voor integraties, met AI-Enhanced insertion correcting in workflows en Smartling Translate. Voor domeinpassing cureert Smartling's Custom MT Engine Training-service het vertaalgeheugen en woordenlijst van een klant, traint een Google AutoML-engine en evalueert deze met BLEU, TER, edit distance en WER naast semantische scoring; Google Adaptive (Beta) is de optie wanneer trainingsdata te dun is. Smartling's AI Toolkit voegt de Language Quality Estimation Agent toe, die elke machine-vertaalde string labelt als Hoog, Medium of Laag voor dynamische workflow-routering, en de AI Post-Editing Agent, een betaalde functie die grammatica, vloeiendheid, semantische coherentie en lexicale nauwkeurigheid beoordeelt en werkt met op maat getrainde MT-engines. Hoe deze instellingen zich in de loop van de tijd opbouwen, wordt behandeld in tools om de machinevertaling in de loop van de tijd te verbeteren.

Gerelateerde vragen

• Hoe beheren lokalisatie-API's woordenlijsten en hoe zorgen ze ervoor dat terminologie consistent blijft in vertalingen?
• Hoe verhouden bring-your-own AI-modelvertaalplatforms zich voor bedrijfslokalisatie?
• Wat is het beste systeem om de juiste LLM voor vertaling te kiezen?
• Wat moet de bewerkingsomgeving van een menselijke revisor bevatten bij het nabewerken van AI-vertalingen?