Solution d'IA pour identifier automatiquement les faux positifs à partir d'une vérification spécifique des segments cibles non traduits par un outil d'assurance qualité automatisé

Réduire le nombre de problèmes de faux positifs lors de la vérification des segments cibles non traduits dans le contenu bilingue grâce à un outil interne d'assurance qualité automatisé.

La portée de ce cas d'utilisation est limitée aux outils automatisés d'assurance qualité linguistique, mais le résultat de ce cas d'utilisation peut s'appliquer à d'autres domaines, tels que la traduction automatique, la post-édition automatisée, l'analyse de la traduction assistée par ordinateur et la pré-traduction.

Les segments cibles non traduits contiennent des caractères, des symboles et des mots qui restent identiques dans la langue source et la langue cible. Ces segments peuvent contenir des chiffres, du contenu alphanumérique, du code, des adresses e-mail, des prix, des noms propres, etc. ou toute combinaison de ceux-ci. Chaque année, cette vérification produit plus d'un million de problèmes potentiels dans plus de cinquante langues différentes. Affiner manuellement cette vérification, sur la base de données annotées de faux positifs pour chaque client et produit spécifique et pour 35 paires de langues spécifiques, est très coûteux et la couverture n'est jamais suffisante, car de nouveaux contenus sont constamment produits et il existe toujours de nouvelles opportunités d'affinement. cette vérification via le code. De plus, en raison de la forte proportion de faux positifs (plus de 95,5 %), nos traducteurs ont tendance à ignorer le résultat de cette vérification précieuse et, dans de nombreux cas, nous soupçonnons que des problèmes pertinents valides sont manqués dans des situations où il y a une omission réelle de traduction. Il existe généralement trois types de faux positifs pour ce type de vérification. 1) Faux positifs spécifiques à la langue, par exemple, dans des situations où les segments source et cible sont supposés être les mêmes parce que les mots de ces segments sont "apparentés" avec la même signification (voir Tableau 37, exemple 1). 2) Faux positifs spécifiques au profil du client, par exemple, situations dans lesquelles certains segments doivent être laissés non traduits en fonction de directives spécifiques du client, tels que des segments composés uniquement de noms d'entreprise, de noms de produits ou de mots spécifiques, et des segments que le client a déterminé qu'il n'est pas nécessaire de les traduire (voir tableau 37, exemple 2). 3) Les segments qui restent les mêmes dans la source et la cible, car ils agissent comme des types spéciaux d'entités avec une signification particulière, par exemple des segments alphanumériques, tels que des numéros de pièce, des espaces réservés et du code (voir Tableau 37, exemple 3). L'idée est de créer une solution d'IA capable d'identifier automatiquement les résultats de la "vérification du segment cible non traduit" qui sont susceptibles d'être un faux positif. Avec cette solution, nous prévoyons de réduire de 80 % le nombre de problèmes potentiels présentés par cette vérification à nos utilisateurs finaux. De cette façon, nos utilisateurs finaux peuvent concentrer leurs efforts sur les problèmes potentiels qui sont plus susceptibles d'être des corrections valides car il peut y avoir eu une omission de traduction. De plus, nous serions en mesure d'augmenter la productivité de nos utilisateurs finaux lorsqu'ils examinent les problèmes potentiels signalés par l'assurance qualité automatisée lors de leur évaluation de contenu bilingue, et nous sommes en mesure de réduire les coûts en interne car nous ne sommes pas censés implémenter manuellement les changements de code dans cette vérification basée sur une analyse manuelle de nos données à partir des annotations des utilisateurs.