Beskyt pladsholdere, links og identifikatorer i AI-oversættelse

Nogle af de vigtigste dele af en oversættelse bør slet ikke oversættes.

Variabler, URL'er, post-id'er, aktivreferencer, kodeeksempler og formateringsmarkører bærer funktion frem for prosa. En model kan producere en naturligt klingende sætning, mens den stille og roligt ændrer et af disse elementer og ødelægger oplevelsen omkring det.

Pålidelig AI-oversættelse begynder med at adskille sprog fra struktur.

Identificer beskyttet indhold før prompten

Stol ikke på en generel instruktion som "bevar pladsholdere." Identificer først de præcise tokens og noder, der skal overleve.

Beskyttet indhold omfatter typisk:

• interpolationsvariabler som {first_name} eller {{ total }}
• ICU-meddelelsessyntaks og flertalsvælgere
• URL'er, e-mailadresser og rutefragmenter
• HTML-attributter og markdown-linkdestinationer
• Contentful-post- og aktivreferencer
• kodeudsnit, afgrænsede kodeblokke og API-værdier
• produktnavne markeret som ikke-oversættelige

Indholdsmodellen og felttypen bør hjælpe med at bestemme beskyttelsesreglerne. Et rich-text-dokument har brug for strukturel håndtering, der adskiller sig fra en titel i almindelig tekst.

Erstat risikable værdier med stabile tokens

For almindelige strenge er en robust tilgang at udtrække beskyttede værdier og erstatte dem med entydige midlertidige tokens før oversættelse.

Modellen ser det omgivende sprog, men kan ikke ved et uheld omskrive en destinations-URL eller identifikator. Efter genereringen gendanner arbejdsgangen de oprindelige værdier fra et server-side-map.

Tokens bør være unikke, svære at forveksle med naturligt sprog og valideres før gendannelse. Stol aldrig på, at modellen selv gengiver mappet.

Oversæt rich text som struktur

At flade et rich-text-træ ud til markdown eller HTML kan miste vigtige skel.

Tekstnoder kan oversættes. Links, indlejrede poster, nodetyper og markeringer er strukturelle. Gå dokumenttræet igennem, oversæt kvalificerede tekstblade, og genopbyg det oprindelige hierarki med referencerne urørte.

Dette forbedrer også gennemgangen. Redaktører kan sammenligne den samme struktur i begge sprogversioner i stedet for at gennemgå en serialiseret tilnærmelse, som kan skjule manglende eller omarrangerede noder.

Valider outputtet, før det gemmes

Beskyttelse kræver et lukket kredsløb.

Efter oversættelsen skal du verificere, at hvert forventet token vises præcis dér, hvor formatet tillader det, og at der ikke blev introduceret noget ukendt token. Pars strukturerede formater i stedet for at kontrollere dem med en løs strengsammenligning.

Nyttige fejl er specifikke:

• manglende pladsholder {total}
• ændret linkdestination i feltet ctaBody
• ugyldig ICU-syntaks i sprogområdet de
• uventet antal rich-text-noder

At afvise misdannet output ved denne grænse er sikrere end at lade problemet vise sig under rendering eller, endnu værre, efter publicering.

Vis beskyttede elementer i gennemgangen

Reviewere bør kunne genkende funktionelt indhold uden at blive distraheret af det.

Brug diskret styling til pladsholdere og beskyttede termer. Gør linktekst redigerbar, mens destinationen holdes synlig og styres separat. For indlejret indhold skal du vise en menneskeligt læsbar etiket ved siden af det uforanderlige ID.

Hvis en reviewer med vilje skal ændre en URL for et målmarked, så behandl det som en særskilt beslutning om et lokaliseret felt frem for en utilsigtet bivirkning af at oversætte prosa.

Test med adversarielle eksempler

Den lykkelige sti er ikke nok. Inkludér strenge med gentagne variabler, tilstødende tegnsætning, indlejret markdown, flertalsformer, højre-til-venstre-tekst og pladsholdere, der ligner almindelige ord.

Beskyttelseslogik bør bevise, at den kan round-trip'e disse tilfælde uden tab, før den betros produktionsindhold.

Konklusionen

Oversættelseskvalitet omfatter funktionel integritet.

Udtræk beskyttet indhold, oversæt kun kvalificeret sprog, bevar rich-text-struktur, valider resultatet, og gør funktionelle elementer tydelige under gennemgang. En flydende sætning er kun værdifuld, når siden stadig fungerer, efter at den er blevet publiceret.