{"id":1477,"date":"2020-07-24T18:32:10","date_gmt":"2020-07-24T16:32:10","guid":{"rendered":"https:\/\/www.defrent.de\/?p=1477"},"modified":"2025-04-07T11:26:23","modified_gmt":"2025-04-07T09:26:23","slug":"maschinelle-uebersetzung-2020-von-rbmt-und-smt-zur-nmt","status":"publish","type":"post","link":"https:\/\/www.defrent.de\/en\/2020\/07\/maschinelle-uebersetzung-2020-von-rbmt-und-smt-zur-nmt\/","title":{"rendered":"Maschinelle \u00dcbersetzung 2020 \u2013 Von RBMT und SMT zur NMT"},"content":{"rendered":"<div class=\"shariff shariff-align-left shariff-widget-align-left\" style=\"display:none\"><ul class=\"shariff-buttons theme-round orientation-horizontal buttonsize-small\"><li class=\"shariff-button mastodon\" style=\"background-color:#ccc\"><a href=\"https:\/\/s2f.kytta.dev\/?text=Maschinelle%20%C3%9Cbersetzung%202020%20%E2%80%93%20Von%20RBMT%20und%20SMT%20zur%20NMT https%3A%2F%2Fwww.defrent.de%2Fen%2F2020%2F07%2Fmaschinelle-uebersetzung-2020-von-rbmt-und-smt-zur-nmt%2F via @defrentck@hessen.social\" title=\"Share on Mastodon\" aria-label=\"Share on Mastodon\" role=\"button\" rel=\"noopener nofollow\" class=\"shariff-link\" style=\"; background-color:#79b428; color:#fff\" target=\"_blank\"><span class=\"shariff-icon\" style=\"\"><svg width=\"75\" height=\"79\" viewBox=\"0 0 75 79\" fill=\"none\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M37.813-.025C32.462-.058 27.114.13 21.79.598c-8.544.621-17.214 5.58-20.203 13.931C-1.12 23.318.408 32.622.465 41.65c.375 7.316.943 14.78 3.392 21.73 4.365 9.465 14.781 14.537 24.782 15.385 7.64.698 15.761-.213 22.517-4.026a54.1 54.1 0 0 0 .01-6.232c-6.855 1.316-14.101 2.609-21.049 1.074-3.883-.88-6.876-4.237-7.25-8.215-1.53-3.988 3.78-.43 5.584-.883 9.048 1.224 18.282.776 27.303-.462 7.044-.837 14.26-4.788 16.65-11.833 2.263-6.135 1.215-12.79 1.698-19.177.06-3.84.09-7.692-.262-11.52C72.596 7.844 63.223.981 53.834.684a219.453 219.453 0 0 0-16.022-.71zm11.294 12.882c5.5-.067 10.801 4.143 11.67 9.653.338 1.48.471 3 .471 4.515v21.088h-8.357c-.07-7.588.153-15.182-.131-22.765-.587-4.368-7.04-5.747-9.672-2.397-2.422 3.04-1.47 7.155-1.67 10.735v6.392h-8.307c-.146-4.996.359-10.045-.404-15.002-1.108-4.218-7.809-5.565-10.094-1.666-1.685 3.046-.712 6.634-.976 9.936v14.767h-8.354c.109-8.165-.238-16.344.215-24.5.674-5.346 5.095-10.389 10.676-10.627 4.902-.739 10.103 2.038 12.053 6.631.375 1.435 1.76 1.932 1.994.084 1.844-3.704 5.501-6.739 9.785-6.771.367-.044.735-.068 1.101-.073z\"\/><defs><linearGradient id=\"paint0_linear_549_34\" x1=\"37.0692\" y1=\"0\" x2=\"37.0692\" y2=\"79\" gradientUnits=\"userSpaceOnUse\"><stop stop-color=\"#6364FF\"\/><stop offset=\"1\" stop-color=\"#563ACC\"\/><\/linearGradient><\/defs><\/svg><\/span><\/a><\/li><li class=\"shariff-button linkedin\" style=\"background-color:#ccc\"><a href=\"https:\/\/www.linkedin.com\/sharing\/share-offsite\/?url=https%3A%2F%2Fwww.defrent.de%2Fen%2F2020%2F07%2Fmaschinelle-uebersetzung-2020-von-rbmt-und-smt-zur-nmt%2F\" title=\"Share on LinkedIn\" aria-label=\"Share on LinkedIn\" role=\"button\" rel=\"noopener nofollow\" class=\"shariff-link\" style=\"; background-color:#79b428; color:#fff\" target=\"_blank\"><span class=\"shariff-icon\" style=\"\"><svg width=\"32px\" height=\"20px\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" viewBox=\"0 0 27 32\"><path fill=\"#0077b5\" d=\"M6.2 11.2v17.7h-5.9v-17.7h5.9zM6.6 5.7q0 1.3-0.9 2.2t-2.4 0.9h0q-1.5 0-2.4-0.9t-0.9-2.2 0.9-2.2 2.4-0.9 2.4 0.9 0.9 2.2zM27.4 18.7v10.1h-5.9v-9.5q0-1.9-0.7-2.9t-2.3-1.1q-1.1 0-1.9 0.6t-1.2 1.5q-0.2 0.5-0.2 1.4v9.9h-5.9q0-7.1 0-11.6t0-5.3l0-0.9h5.9v2.6h0q0.4-0.6 0.7-1t1-0.9 1.6-0.8 2-0.3q3 0 4.9 2t1.9 6z\"\/><\/svg><\/span><\/a><\/li><li class=\"shariff-button xing\" style=\"background-color:#ccc\"><a href=\"https:\/\/www.xing.com\/spi\/shares\/new?url=https%3A%2F%2Fwww.defrent.de%2Fen%2F2020%2F07%2Fmaschinelle-uebersetzung-2020-von-rbmt-und-smt-zur-nmt%2F\" title=\"Share on XING\" aria-label=\"Share on XING\" role=\"button\" rel=\"noopener nofollow\" class=\"shariff-link\" style=\"; background-color:#79b428; color:#fff\" target=\"_blank\"><span class=\"shariff-icon\" style=\"\"><svg width=\"32px\" height=\"20px\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" viewBox=\"0 0 25 32\"><path fill=\"#126567\" d=\"M10.7 11.9q-0.2 0.3-4.6 8.2-0.5 0.8-1.2 0.8h-4.3q-0.4 0-0.5-0.3t0-0.6l4.5-8q0 0 0 0l-2.9-5q-0.2-0.4 0-0.7 0.2-0.3 0.5-0.3h4.3q0.7 0 1.2 0.8zM25.1 0.4q0.2 0.3 0 0.7l-9.4 16.7 6 11q0.2 0.4 0 0.6-0.2 0.3-0.6 0.3h-4.3q-0.7 0-1.2-0.8l-6-11.1q0.3-0.6 9.5-16.8 0.4-0.8 1.2-0.8h4.3q0.4 0 0.5 0.3z\"\/><\/svg><\/span><\/a><\/li><li class=\"shariff-button facebook\" style=\"background-color:#ccc\"><a href=\"https:\/\/www.facebook.com\/sharer\/sharer.php?u=https%3A%2F%2Fwww.defrent.de%2Fen%2F2020%2F07%2Fmaschinelle-uebersetzung-2020-von-rbmt-und-smt-zur-nmt%2F\" title=\"Share on Facebook\" aria-label=\"Share on Facebook\" role=\"button\" rel=\"nofollow\" class=\"shariff-link\" style=\"; background-color:#79b428; color:#fff\" target=\"_blank\"><span class=\"shariff-icon\" style=\"\"><svg width=\"32px\" height=\"20px\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" viewBox=\"0 0 18 32\"><path fill=\"#3b5998\" d=\"M17.1 0.2v4.7h-2.8q-1.5 0-2.1 0.6t-0.5 1.9v3.4h5.2l-0.7 5.3h-4.5v13.6h-5.5v-13.6h-4.5v-5.3h4.5v-3.9q0-3.3 1.9-5.2t5-1.8q2.6 0 4.1 0.2z\"\/><\/svg><\/span><\/a><\/li><li class=\"shariff-button twitter\" style=\"background-color:#ccc\"><a href=\"https:\/\/twitter.com\/share?url=https%3A%2F%2Fwww.defrent.de%2Fen%2F2020%2F07%2Fmaschinelle-uebersetzung-2020-von-rbmt-und-smt-zur-nmt%2F&text=Maschinelle%20%C3%9Cbersetzung%202020%20%E2%80%93%20Von%20RBMT%20und%20SMT%20zur%20NMT\" title=\"Share on X\" aria-label=\"Share on X\" role=\"button\" rel=\"noopener nofollow\" class=\"shariff-link\" style=\"; background-color:#79b428; color:#fff\" target=\"_blank\"><span class=\"shariff-icon\" style=\"\"><svg width=\"32px\" height=\"20px\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" viewBox=\"0 0 24 24\"><path fill=\"#000\" d=\"M14.258 10.152L23.176 0h-2.113l-7.747 8.813L7.133 0H0l9.352 13.328L0 23.973h2.113l8.176-9.309 6.531 9.309h7.133zm-2.895 3.293l-.949-1.328L2.875 1.56h3.246l6.086 8.523.945 1.328 7.91 11.078h-3.246zm0 0\"\/><\/svg><\/span><\/a><\/li><\/ul><\/div>\n<p>\u00dcber Maschinen, die traditionelle &#8220;Human\u00fcbersetzer&#8221; ersetzen k\u00f6nnen, denkt man schon sehr lange nach. Bereits in den fr\u00fchen 1970er Jahren begannen Industriegiganten, neben <a href=\"https:\/\/de.wikipedia.org\/wiki\/Kontrollierte_Sprache\" title=\"Wikipedia: Kontrollierte_Sprache\" target=\"_blank\" rel=\"noreferrer noopener\">kontrollierter Sprache<\/a> wie dem stark vereinfachten <a href=\"https:\/\/de.wikipedia.org\/wiki\/Simplified_English\" title=\"Wikipedia: Simplified English\" target=\"_blank\" rel=\"noreferrer noopener\">Simplified Technical English (STE)<\/a> auch Systeme einzusetzen, die mit grammatisch-syntaktischen Transformationsregeln und W\u00f6rterb\u00fcchern S\u00e4tze von einer Sprache in die andere umwandeln sollten: Die <em><a href=\"https:\/\/de.wikipedia.org\/wiki\/Maschinelle_%C3%9Cbersetzung#Regelbasierte_Methoden\" title=\"Wikipedia: Regelbasierte M\u00dc\" target=\"_blank\" rel=\"noreferrer noopener\">regelbasierte Maschinen\u00fcbersetzung<\/a><\/em> (RBMT: rules-based machine translation) war geboren. Da alle Regeln von Hand geschrieben und auf unz\u00e4hlige sprachliche Sonderf\u00e4lle angepasst werden mussten und es schwierig war, mit dem W\u00f6rterbuch-Ansatz Homonymen und idiomatischen Ausdr\u00fccken beizukommen, wird dieser Ansatz heute vor allem im Umfeld kontrollierter Sprache mit einem eindeutigen Vokabular verwendet. Ein bis heute entwickeltes Open-Source RBMT-Projekt ist <a href=\"https:\/\/de.wikipedia.org\/wiki\/Apertium\" target=\"_blank\" rel=\"noreferrer noopener\" title=\"Wikipedia: Apertium\">Apertium<\/a>.<\/p>\n\n\n\n<p>Ein parallel dazu entwickelter Ansatz war die <em>statistische Maschinen\u00fcbersetzung<\/em> (SMT: statistical machine translation), die in zwei wesentlichen Spielarten daherkommt: Eine <em>satzbasierte <\/em>SMT-Engine analysiert eine m\u00f6glichst gro\u00dfe Ansammlung von zwei- oder mehrsprachig vorhandenen Texten (&#8220;Korpora&#8221;, Sg. Korpus) und w\u00e4hlt unter allen zueinander zugeordneten (&#8220;alignierten&#8221;) S\u00e4tzen denjenigen aus, der statistisch die gr\u00f6\u00dfte \u00dcbereinstimmung mit dem angefragten Satz zeigt. Eine <em>beispielbasierte<\/em> SMT-Engine arbeitet etwas feiner und zerlegt die S\u00e4tze in jeweils zu einem fremdsprachlichen Fragment zugeordnete Fragmente, welche dann aufgrund der h\u00f6chsten statistischen \u00dcbereinstimmung zu einem neuen Satz zusammengef\u00fcgt werden. Die Qualit\u00e4t von SMT-Engines steht und f\u00e4llt mit der Qualit\u00e4t der Datenbasis (Wie gut sind die \u00dcbersetzungen? Wie fehlerfrei sind die S\u00e4tze im Bitext aligniert?) und der thematischen und Relevanz der Datenbasis (Rechtstexte, technische Texte, Zeitungsartikel, Allgemeinsprachliches, etc.) f\u00fcr den zu \u00fcbersetzenden Text.<\/p>\n\n\n\n<p>Dazu kamen nach und nach Hybridformen, also regelbasierte \u00dcbersetzungen, die mithilfe von Statistiken verbessert werden sollten ebenso wie statistische \u00dcbersetzungen, deren Ausgabe mithilfe von Regeln gepr\u00fcft und nachjustiert wurde.<\/p>\n\n\n\n<p>Die meisten von professionellen \u00dcbersetzern verwendeten <em>\u00dcbersetzungsspeicher<\/em> (TM; translation memory database) funktionieren bis heute ebenfalls nach dem SMT-Prinzip: Alles, was der \u00dcbersetzer je mit seinem Tool \u00fcbersetzt hat, landet als zweisprachiges Satzpaar im TM und wird ihm bei ausreichend hoher \u00dcbereinstimmung wieder als Vorschlag angeboten. Da auch hier die Relevanz (s.o.) wesentlich f\u00fcr den Nutzen ist, legen \u00dcbersetzer in der Regel mehrere themen- und kundenspezifische TMs an. Neuere <a href=\"https:\/\/de.wikipedia.org\/wiki\/Computerunterst%C3%BCtzte_%C3%9Cbersetzung\" title=\"Wikipedia: Computerunterst\u00fctzte \u00dcbersetzung (CAT)\" target=\"_blank\" rel=\"noreferrer noopener\">CAT-Tools<\/a> ersetzen au\u00dferdem automatisch Zahlen und Einheiten, in der <a href=\"https:\/\/de.wikipedia.org\/wiki\/Terminologiedatenbank\" title=\"Wikipedia: Terminologiedatenbank\" target=\"_blank\" rel=\"noreferrer noopener\">Terminologiedatenbank (TB)<\/a> hinterlegte Begriffe oder <a href=\"https:\/\/de.wikipedia.org\/wiki\/Regul%C3%A4rer_Ausdruck\" target=\"_blank\" rel=\"noreferrer noopener\" title=\"Wikipedia: Regul\u00e4rer Ausdruck\">regul\u00e4re Ausdr\u00fccke<\/a> in den \u00dcbersetzungsvorschl\u00e4gen, was dem oben skizzierten Hybridansatz entspricht. Das TM sorgt also f\u00fcr eine h\u00f6here Einheitlichkeit der \u00dcbersetzungen, aber auch f\u00fcr weniger Abwechslung und Einzigartigkeit, was z.B. bei Marketingtexten von Nachteil sein kann.<\/p>\n\n\n\n<p>2014 \u2013 nachdem die beiden etablierten MT-Technologien etwa 40 Jahre vor allem als Unterst\u00fctzung f\u00fcr \u00dcbersetzer gedient hatten, weil sie immer einer deutlichen Nachbearbeitung bedurften \u2013 kam dann eine neue Technologie auf den Markt: die von selbstlernenden neuronalen Netzen getriebene <em><a href=\"https:\/\/de.wikipedia.org\/wiki\/Maschinelle_%C3%9Cbersetzung#Neuronale_M%C3%9C\" title=\"Wikipedia: Neuronale M\u00dc\" target=\"_blank\" rel=\"noreferrer noopener\">Neur(on)ale Maschinen\u00fcbersetzung<\/a><\/em> (NMT: neural machine translation). Noch immer werden m\u00f6glichst gro\u00dfe zweisprachige Korpora analysiert, aber die neuronalen Netze berechnen nun Wahrscheinlichkeiten f\u00fcr das jeweils folgende Wort eines Satzes und werden anhand von Korrekturen zu ihren \u00dcbersetzungsentscheidungen <em>trainiert<\/em>, wie sie bestimmte Satzelemente besser \u00fcbersetzen, bis ihr statistisches \u00dcbersetzungsmodell den Anspr\u00fcchen gen\u00fcgt.<\/p>\n\n\n\n<p>In der Praxis haben dieses f\u00fcr die Qualit\u00e4t entscheidende Training Millionen von Nutzern der &#8220;kostenlosen&#8221; NMT-Systeme kostenlos f\u00fcr Google, Microsoft, Linguee\/DeepL und andere Anbieter erledigt, die sich an allerlei im Internet zug\u00e4nglicher mehrsprachig verf\u00fcgbarer Texte als Datenbasis bedienten &#8211; ohne allzu sehr darauf zu achten, ob diese Texte gemeinfrei oder urheberrechtlich gesch\u00fctzt waren.<\/p>\n\n\n\n<p>Damit stehen allerdings zwei wichtige Qualit\u00e4tsfaktoren f\u00fcr gute maschinelle \u00dcbersetzungen in Frage: Wie gut war das Korpus \u00fcbersetzt und wie gut waren die Korrekturentscheidungen der Benutzer? Tats\u00e4chlich waren die Ergebnisse bei allgemeinsprachlichen Texten nach kurzer Zeit \u00fcberraschend gut. Da Fachtexte in deutlich geringerem Umfang mehrsprachig online verf\u00fcgbar sind, muss man die maschinen\u00fcbersetzten Fachtexte wegen der kleineren Datenbasis mit Vorsicht genie\u00dfen. Au\u00dferdem k\u00f6nnen deutlich weniger menschliche &#8220;Trainer&#8221; qualifizierte Korrekturentscheidungen treffen, was die Qualit\u00e4t weiter mindert.<\/p>\n\n\n\n<p>Unternehmen, die MT produktiv einsetzen wollen \u2013 ob nun SMT oder NTM \u2013 sind daher gut beraten, keine &#8220;allgemeine&#8221; Engine und schon gar keine der &#8220;freien&#8221; Engines einzusetzen: Es gilt das <a href=\"https:\/\/de.wikipedia.org\/wiki\/Garbage_In,_Garbage_Out\" title=\"Wikipedia: Garbage In, Garbage Out\" target=\"_blank\" rel=\"noreferrer noopener\">GIGO<\/a>-Prinzip! Stattdessen sollten idealerweise alle bisher vom Unternehmen selbst produzierten mehrsprachigen Texte f\u00fcr das Training einer ma\u00dfgeschneiderten MT-Engine aligniert werden, gegebenenfalls erweitert um relevante Fachliteratur und Normen, wo dies lizenzrechtlich m\u00f6glich ist. Qualifizierte \u00dcbersetzer, Terminologen oder Computerlinguisten sollten dann in Zusammenarbeit mit den Fachabteilungen das Training durchf\u00fchren, um passgenaue, qualitativ hochwertige Ergebnisse zu erzielen. Dies kann auch beinhalten, die eigenen technischen Redakteure und Ingenieure durch Trainings an <em>\u00fcbersetzungsgerechtes Schreiben<\/em> zu gew\u00f6hnen \u2013 die technische Redaktion geht dank <a href=\"https:\/\/de.wikipedia.org\/wiki\/Darwin_Information_Typing_Architecture\" title=\"Wikipedia: Darwin Information Typing Architecture\" target=\"_blank\" rel=\"noreferrer noopener\">DITA<\/a> ohnehin mehr und mehr zum topic-basierten Schreiben \u00fcber, da sollte dies keinen besonderen Mehraufwand darstellen.<\/p>\n\n\n\n<blockquote class=\"wp-block-quote is-layout-flow wp-block-quote-is-layout-flow\">\n<p>One of the older and more established versions of NMT is the <em>Encoder Decoder <\/em>structure. This architecture is composed of two recurrent neural networks (RNNs) used together in tandem to create a translation model. And when coupled with the power of attention mechanisms, this architecture can achieve impressive results.<\/p>\n<cite>Quinn Lanners: Neural Machine Translation. (towards data science, 2019)<\/cite><\/blockquote>\n\n\n\n<p>Diese (selbst-)lernenden Strukturen f\u00fchren zu deutlich effizienteren Sprachmodellen als die herk\u00f6mmliche statistische Maschinen\u00fcbersetzung, sodass sie sowohl ressourcensparender als auch schneller arbeiten \u2013 bei h\u00f6herer Genauigkeit! Dennoch bleibt auch NMT vor allem ein Werkzeug f\u00fcr Menschen, kein Ersatz f\u00fcr Menschen: Die Technologie macht weiterhin teils kritische Fehler, die durch die Komplexit\u00e4t der menschlichen Sprache bedingt sind und sich nicht einfach in statistische Wahrscheinlichkeiten umsetzen lassen &#8211; und Sie kennen es vom Karten- oder W\u00fcrfelspiel: Egal, wie die Wahrscheinlichkeiten sind, manchmal f\u00e4llt der W\u00fcrfel in die andere Richtung. F\u00fcr das eigene Verst\u00e4ndnis fremdsprachiger Texte sind Maschinen\u00fcbersetzer inzwischen oft &#8220;gut genug&#8221;, ebenso f\u00fcr die Bereitstellung von kurzlebigen oder unkritischen Texten, f\u00fcr die auch vorher niemand einen \u00dcbersetzer bezahlt oder gefunden h\u00e4tte, denn die Menge an produzierten Texten steigt explosionsartig an und es g\u00e4be gar nicht genug \u00dcbersetzer, um alles davon in jeder Sprache bereitzustellen! Wenn also dank NMT nun zum ersten Mal Texte \u00fcberhaupt in einer Fremdsprache zur Verf\u00fcgung gestellt werden k\u00f6nnen, dann ist dies ein Vorteil f\u00fcr die ganze Menschheit \u2013 wie krude die \u00dcbersetzung auch sein mag. Wenn die Texte allerdings f\u00fcr Sie aus Autor, als Herausgeber, als Unternehmen oder Institution eine Bedeutung haben, entweder weil sie rechtliche Implikationen haben (Vertr\u00e4ge, compliance- und haftungsrelevante Dokumente, Urkunden, etc.) oder direkt oder indirekt zum Erfolg Ihrer Organisation beitragen (Marketing-Collateral, Produktbeschreibungen, Handb\u00fccher, etc.), ist dringend ein menschlicher \u00dcbersetzer angezeigt, der MT ebenso wie MT und andere CAT-Technologien in seinem Repertoire hat und wei\u00df, wie er mit seinem Werkzeugkasten umzugehen hat, um das erforderliche Ergebnis zu erzielen.<\/p>\n\n\n\n<p>Eine l\u00e4ngere Diskussion, wie genau NMT S\u00e4tze von einer Sprache in die andere \u00fcbersetzt, w\u00fcrde f\u00fcr diese \u00dcbersicht zu weit f\u00fchren, aber hier sind ein paar Quellen f\u00fcr die technisch Interessierten:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Der oben zitierte Artikel von Quinn Lanners: Neural Machine Translation<\/li>\n\n\n\n<li><a href=\"https:\/\/www.translatefx.com\/blog\/what-is-neural-machine-translation-engine-how-does-it-work\" title=\"Translatefx.com: What is NMT and how does it work?\" target=\"_blank\" rel=\"noreferrer noopener\">TranslateFX: What is Neural Machine Translation and how does it work?<\/a><\/li>\n\n\n\n<li>Das <a href=\"https:\/\/ai.googleblog.com\/2019\/07\/robust-neural-machine-translation.html\" title=\"ai.googleblog.com: Robust NMT (2019)\" target=\"_blank\" rel=\"noreferrer noopener\">Google-AI-Blog<\/a> zum Thema, in dem Google unter anderem vorstellt, wie es daran arbeitet, dass kleine \u00c4nderungen am Ausgangssatz nicht zu radikal anderen Ergebnissen f\u00fchren.<\/li>\n\n\n\n<li>Zum Ausprobieren: Graham Neubig hat ein Projekt mit Tipps zum <a href=\"https:\/\/github.com\/neubig\/nmt-tips\" target=\"_blank\" rel=\"noreferrer noopener\" title=\"GitHub: Graham Neubig - NMT Tips\">Einrichten einer eigenen NMT-Engine auf GitHub<\/a> ver\u00f6ffentlicht.<\/li>\n<\/ul>\n\n\n\n<p>Das \u00dcbersetzerportal <a href=\"https:\/\/slator.com\/machine-translation\/corporates-going-all-in-on-neural-machine-translation-research\/\" title=\"Slator.com: MT - Corporates going all in on neural machine translation research\" target=\"_blank\" rel=\"noreferrer noopener\">slator.com schrieb bereits im M\u00e4rz 2019<\/a>, die Menge an wissenschaftlichen Publikationen zum Thema NMT gehe durch die Decke, ebenso wie die Kommerzialisierung, ein Trend, der sich fortgesetzt hat. Im Juni 2020 k\u00fcndigte schlie\u00dflich auch der gegen\u00fcber Google und Microsoft langj\u00e4hrige Nachz\u00fcgler Apple an, dass <a href=\"https:\/\/slator.com\/machine-translation\/now-we-know-why-apple-stepped-up-machine-translation-research\/\" title=\"Slator.com: Now we know why Apple stepped up machine translation research\" target=\"_blank\" rel=\"noreferrer noopener\">iOS 14 mit eigener \u00dcbersetzungs-App ausgeliefert<\/a> w\u00fcrde. Es ist zu erwarten, dass die noch junge Technologie noch mehrere Jahre lang von signifikanten Fortschritten gepr\u00e4gt sein wird, bis die Kurve abflacht und NMT irgendwann von einer neuen, disruptiven Technologie ersetzt wird. Es bleibt also spannend!<\/p>\n","protected":false},"excerpt":{"rendered":"<p>\u00dcber Maschinen, die traditionelle &#8220;Human\u00fcbersetzer&#8221; ersetzen k\u00f6nnen, denkt man schon sehr lange nach. Bereits in den fr\u00fchen 1970er Jahren begannen Industriegiganten, neben kontrollierter Sprache wie dem stark vereinfachten Simplified Technical English (STE) auch Systeme einzusetzen, die mit grammatisch-syntaktischen Transformationsregeln und W\u00f6rterb\u00fcchern S\u00e4tze von einer Sprache in die andere umwandeln sollten: Die regelbasierte Maschinen\u00fcbersetzung (RBMT: rules-based<\/p><\/div>\n<div class=\"blog-btn\"><a href=\"https:\/\/www.defrent.de\/en\/2020\/07\/maschinelle-uebersetzung-2020-von-rbmt-und-smt-zur-nmt\/\" class=\"home-blog-btn\">Read More<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"activitypub_content_warning":"","activitypub_content_visibility":"","activitypub_max_image_attachments":4,"activitypub_interaction_policy_quote":"anyone","activitypub_status":"federated","footnotes":""},"categories":[21,32],"tags":[44,45,109,110],"class_list":["post-1477","post","type-post","status-publish","format-standard","hentry","category-de","category-uebersetzungsbranche","tag-fuer-kollegen","tag-fuer-kunden","tag-maschinenuebersetzung","tag-mue"],"aioseo_notices":[],"featured_image_src":null,"featured_image_src_square":null,"author_info":{"display_name":"Christopher K\u00f6bel","author_link":"https:\/\/www.defrent.de\/en\/author\/defrenter\/"},"_links":{"self":[{"href":"https:\/\/www.defrent.de\/en\/wp-json\/wp\/v2\/posts\/1477","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.defrent.de\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.defrent.de\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.defrent.de\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.defrent.de\/en\/wp-json\/wp\/v2\/comments?post=1477"}],"version-history":[{"count":7,"href":"https:\/\/www.defrent.de\/en\/wp-json\/wp\/v2\/posts\/1477\/revisions"}],"predecessor-version":[{"id":2057,"href":"https:\/\/www.defrent.de\/en\/wp-json\/wp\/v2\/posts\/1477\/revisions\/2057"}],"wp:attachment":[{"href":"https:\/\/www.defrent.de\/en\/wp-json\/wp\/v2\/media?parent=1477"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.defrent.de\/en\/wp-json\/wp\/v2\/categories?post=1477"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.defrent.de\/en\/wp-json\/wp\/v2\/tags?post=1477"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}