Das Rennen um den größten Datensatz in der KI-Übersetzung hat einen Punkt erreicht, an dem der Nutzen abnimmt. Die anfängliche Entwicklung des maschinellen Lernens konzentrierte sich darauf, so viel zweisprachigen Text wie möglich aus dem offenen Web zu extrahieren. Die Verlagerung hin zu großen Sprachmodellen (Large Language Models, LLMs) wie Lara hat jedoch eine kritische Realität offenbart. Das Volumen ist…

In der Unternehmenslokalisierung werden statische Übersetzungsmodelle schnell obsolet. Diese generischen Systeme haben Schwierigkeiten, mit der sich ständig weiterentwickelnden Natur der Sprache Schritt zu halten, was zu einer Qualitätsverschlechterung, einem erhöhten Post-Editing und letztendlich zu einer schlechten Kapitalrendite führt. Die Unfähigkeit, sich an unternehmensspezifische Terminologie, Stil und Kontext anzupassen, ist ein erhebliches Hindernis für die Erreichung qualitativ hochwertiger Übersetzungen in großem…

Jahrelang wurde das Rennen in der Künstlichen Intelligenz von einer modellzentrierten Philosophie dominiert: größere, komplexere Algorithmen zu bauen. Die vorherrschende Überzeugung war, dass ein besseres Modell der einzige Weg zu besseren Ergebnissen sei. Im Bereich der Übersetzung führte dies zu einem Fokus auf massive, generische Datensätze, die immer größere Modelle speisen sollten. Die Ergebnisse blieben jedoch oft hinter den Erwartungen…