Neue Horizonte der Übersetzung – von NMT zu LLM: Warum deine Strategie sich weiterentwickeln muss

Jahrelang folgte die Welt der Übersetzungsautomatisierung in Unternehmen einem vorhersehbaren, evolutionären Weg. Der Übergang von der statistischen zur neuronalen maschinellen Übersetzung (NMT) war ein bedeutender Fortschritt, der eine beispiellose Sprachflüssigkeit und Genauigkeit mit sich brachte.

Doch die letzten zwei Jahre haben eine Revolution ausgelöst. Die zunehmende Verbreitung großer Sprachmodelle (LLMs) hat nicht nur die Übersetzungsqualität verbessert, sondern die Branche grundlegend verändert und führt dazu, dass leitende Lokalisierungsmanager in Unternehmen mit einer verwirrenden Fülle neuer Modelle, Arbeitsabläufe und strategischer Fragen konfrontiert sind.

Der bequeme Einheitsansatz, bei dem eine einzige, speziell trainierte NMT-Engine eingesetzt und in einen vertrauten MTPE-Workflow eingebettet wird, ist nicht mehr ausreichend.

Heutzutage erfordert die Orientierung im Dschungel der Möglichkeiten – von grundlegenden LLMs bis hin zu generativen Workflows auf Dokumentebene – ein neues Maß an strategischer Flexibilität.

Die wichtigste Erkenntnis für jeden Verantwortlichen im Bereich Lokalisierung ist klar: Es gibt keine einzige „beste“ Lösung. Der optimale Ansatz ist dynamisch, und die Gefahr, durch das Festhalten an veralteten Strategien ins Hintertreffen zu geraten, ist sehr real und hat schwerwiegende Folgen.

Dieser Artikel untersucht die wichtigsten heute verfügbaren Optionen und bietet einen Rahmen für Entscheidungsträger, um diese neuen Ansätze zu vergleichen und eine flexible, zukunftssichere Strategie zur Übersetzungsautomatisierung zu entwickeln.

NMT oder LLM bei der Übersetzung – worin bestehen die Unterschiede?

Der erste und offensichtlichste Wandel ist der Übergang von NMT zu LLM-basierten Übersetzungsmodellen. Während NMT-Modelle Wunderwerke der Mustererkennung sind, die speziell auf zweisprachigen Texten trainiert wurden, unterscheiden LLMs sich grundlegend von ihnen.

Trainiert auf riesigen, mehrsprachigen und multimodalen Datensätzen besitzen sie ein tieferes „Verständnis“ für Kontext, Nuancen und Absichten.

Dies führt zu mehreren wesentlichen Unterscheidungsmerkmalen:

• Deutlich überlegenes Kontextverständnis: NMT-Modelle arbeiten mit einer begrenzten Sichtweise und übersetzen oft Satz für Satz. Große Sprachmodelle (LLMs) können ganze Dokumente aufnehmen und verarbeiten, wobei sie von Anfang bis Ende die Konsistenz in Bezug auf markentypische Terminologie, Form und Stil sowie den Erzählstil gewährleisten.
• Integrierte Logik: Große Sprachmodelle (LLMs) können komplexe Anweisungen befolgen, die in einer Eingabeaufforderung enthalten sind, und so Tonfall, Stil und Formalität spontan anpassen – etwas, das neuronale maschinelle Übersetzung (NMT) einfach nicht leisten kann.
• Über das Wörtliche hinaus: LLMs zeichnen sich durch „Transkreation“ aus, d. h. sie passen Werbeslogans oder kreative Texte so an, dass sie kulturell ankommen, und gehen dabei über eine wörtliche Übersetzung hinaus. Dies ist bahnbrechend für Anwendungsfälle, die solche Kreativität erfordern, bietet jedoch wenig bis gar keinen Mehrwert für hochgradig technische Inhalte wie Dokumentationen.

Auch wenn die Ausgangsqualität einer erstklassigen NMT-Engine nach wie vor hervorragend sein kann, definieren die der Architektur von LLMs innewohnenden Vorteile neu, was wir unter einer „hochwertigen“ maschinellen Übersetzung verstehen (siehe meinen vorherigen Artikel für einige tiefergehende Einblicke in diese sich wandelnde Sichtweise auf Qualität).

Die Evolution der Anpassung: von statischem Training zu dynamischem Kontext

Die zunehmende Bedeutung unternehmensspezifischer Anpassungen ist nichts Neues. Seit Jahren gilt es als Goldstandard, ein generisches NMT-Modell auf die Translation Memorys (TMs) und Terminologiedatenbanken eines Unternehmens fein abzustimmen. Dieser Prozess, bekannt als statische Anpassung, führt zu einer maßgeschneiderten Engine, die die spezifische Terminologie und den sprachlichen Stil eines Unternehmens erlernt.

Obwohl effektiv, hat dieser Ansatz viele Nachteile: Er ist ressourcenintensiv, zeitaufwendig und das resultierende Modell ist statisch. Es lernt oder passt sich nicht an, bis es neu trainiert wird.

LLMs haben ein viel flexibleres Paradigma eingeführt: dynamische Anpassung in Echtzeit. Durch Techniken wie In-Context Learning (ICL) und Retrieval-Augmented Generation (RAG) können LLMs in Echtzeit zum Zeitpunkt der Übersetzung auf dein Inhaltsarchiv (komplette Dokumente), dein Translation Memory und deine Terminologiedatenbanken zugreifen. Und mithilfe detaillierter und sorgfältig ausgearbeiteter Eingabeaufforderungen sowie „Few-Shot“-Lernen (bei dem nur wenige hochwertige Beispiele bereitgestellt werden) kann das Modell seine Ausgabe sofort anpassen.

Dieser Wandel ist tiefgreifend. Anstatt eines monatelangen Trainingsprozesses lässt sich in Millisekunden eine umfassende Anpassung erreichen. Dadurch lassen sich Anpassungen wesentlich detaillierter und gezielter vornehmen. Du kannst Anweisungen an verschiedene Zielgruppen, Inhaltstypen oder sogar spezifische Kampagnen anpassen, ohne ein separates Modell für jeden Anwendungsfall erstellen zu müssen. Lösungen wie Phrase Next GenMT stehen an der Spitze dieser Evolution und nutzen die Kraft von LLMs, um bestehende sprachliche Ressourcen für diese leistungsstarke Echtzeitanpassung zu nutzen.

Eine Geschichte zweier Workflows: segmentiert oder ganzheitlich

Diese neue technologische Realität zwingt zu einer kritischen Bewertung des traditionellen Übersetzungs-Workflows. Seit zwei Jahrzehnten verläuft dieser Prozess granular und segmentbasiert:

1. Ein Segment wird mit einem Translation Memory abgeglichen.
2. Wenn es kein hohes Fuzzy-Match gibt, wird es an eine MT-Engine gesendet.
3. Ein menschlicher Linguist führt das Post-Editing (MTPE) durch.
4. Eine abschließende menschliche Überprüfung stellt Konsistenz und kontextbewusste Qualität sicher.

Dieser Fließbandansatz ist gut etabliert und bei bestimmten Arten von Inhalten, wie beispielsweise Texten für Benutzeroberflächen oder strukturierte technische Dokumentationen, sehr effektiv. Dies gilt vor allem für Anwendungsfällte, in denen segmentbasierte kontextuelle Vollübereinstimmungen aus dem TM dominieren. Dagegen eröffnen LLMs einen völlig anderen, ganzheitlichen Workflow.

In diesem Modell wird ein gesamtes Dokument einem LLM mit einem detaillierten Prompt zur Verfügung gestellt, der Stil, Ton, Terminologie und Zielgruppe umreißt.

Das LLM denkt über die Übersetzungsaufgabe nach, basierend auf dieser Anleitung, und generiert dann eine vollständige, kontextbewusste Übersetzung in einem einzigen Durchgang. Beim Post-Editing geht es nicht mehr darum, Fehler auf Segmentebene zu korrigieren, sondern um eine übergeordnete Überprüfung des gesamten Dokumentflusses und der Konsistenz.

Darüber hinaus kann ein weiteres LLM (auch bekannt als „LLM-as-a-judge“) verwendet werden, um eine erste Qualitätseinschätzung durchzuführen oder sogar das endgültige Dokument automatisch weiter anzupassen, um sicherzustellen, dass es alle vorgegebenen Kriterien erfüllt.

Wie man die richtige Wahl trifft: Ein Rahmenkonzept für moderne Lokalisierung

Welcher Weg ist also der richtige für dich? Die Antwort hängt ganz vom Content ab. Ein strategisch denkender Lokalisierungsmanager muss seine Content-Typen und Anwendungsfälle dem optimalen Workflow zuordnen. Hier sind die wichtigsten Faktoren, die es zu berücksichtigen gilt:

• Content-Typ: Für hochgradig repetitiven, strukturierten Content (UI-Strings, Artikel in Wissensdatenbanken) bleibt der traditionelle segmentbasierte Workflow äußerst effizient. Für längeren, kreativen Content, bei dem narrative Konsistenz von größter Bedeutung ist (Marketing-Blogs, E-Books, juristische Dokumente), ist der ganzheitliche, dokumentenbasierte Ansatz oft überlegen.
• Qualität und Risiko: Was kostet ein Fehler? Für risikobehaftete, kundenorientierte Inhalte ist ein rigoroser Prozess mit menschlicher Einbindung unerlässlich. Für interne, risikoarme Inhalte könnte ein vollständig automatisierter, ganzheitlicher LLM-Workflow vollkommen akzeptabel und äußerst effizient sein. Der Schlüssel liegt darin, ein flexibles System zu haben, das es dir ermöglicht, das Maß an menschlicher Aufsicht je nach Risiko zu erhöhen oder zu verringern, wobei Kosten und Geschwindigkeit als wichtige zusätzliche Faktoren zu berücksichtigen sind.
• Eigentümer und Expertise: Wer trifft die wichtigen Entscheidungen? Ist es der Lokalisierungsmanager des Unternehmens? Oder vielleicht ein Lösungsarchitekt bei einem Partner-LSI/LSP? Die Wahl des richtigen Modells und des richtigen Workflows erfordert ein tiefes Verständnis sowohl der Technologie als auch der Content-Strategie des Unternehmens.
  
  Diese Verantwortung muss den Expertenteams zugewiesen werden, die die Vor- und Nachteile abwägen können. Auch die strategischen Optionen werden immer vielfältiger:
• Trainierst du deine eigenen NMT-Engines?
• Nutzt du eine hochentwickelte Plattform, die Zugang zu zahlreichen zugrunde liegenden Modellen bietet?
• Oder gehst du einen Schritt weiter und entwicklst ein proprietäres, Enterprise-spezifisches LLM, das die Erstellung und Übersetzung von Inhalten übernimmt? 
  
  Immer häufiger wird die Antwort nicht eine, sondern alle oben genannten Optionen sein.

Erfolgreich in einer Zeit des ständigen Wandels

Die explosionsartige Zunahme der Möglichkeiten im Bereich der Übersetzungsautomatisierung ist sowohl eine Herausforderung als auch eine riesige Chance. Führungskräfte in der Content-Lokalisierung, die sich dieser Komplexität stellen und eine flexible, anpassungsfähige Strategie entwickeln, werden sich einen erheblichen Wettbewerbsvorteil verschaffen. Die Zeit der einheitlichen, monolithischen Lösung ist vorbei.

Die Zukunft der Lokalisierung besteht nicht darin, sich für eine Engine oder einen Workflow zu entscheiden – sie besteht in einer zentralen Plattform, die die Flexibilität bietet, jedes Mal das richtige Werkzeug für den richtigen Job auszuwählen.

Eine Sprachtechnologie-Plattform wie die KI-gesteuerte Phrase Platform ist für diese neue Realität konzipiert und unterstützt alles von traditionellen TEP-Workflows mit benutzerdefinierter NMT bis hin zu dynamischer, sofortiger Anpassung mit der neuesten LLM-basierten Technologie.

Indem du einen proaktiven und anpassungsfähigen Ansatz verfolgst, kannst du die volle Kraft dieser technologischen Revolution nutzen und sicherstellen, dass dein globaler Content nicht nur übersetzt, sondern auch wirklich effektiv, ansprechend und zweckmäßig ist – heute und in Zukunft.