Übersetzungsfehlerquote (TER)

Die Übersetzungsfehlerquote (TER) ist eine Metrik, die verwendet wird, um die Genauigkeit der maschinellen Übersetzung zu bewerten, indem die Anzahl der Änderungen (Einfügungen, Löschungen, Ersetzungen und Verschiebungen) berechnet wird, die erforderlich sind, um einen maschinell übersetzten Text mit einer von Menschen erstellten Referenzübersetzung abzugleichen. Eine niedrigere TER bedeutet eine höhere Übersetzungsqualität.

Warum es wichtig ist:

• Hilft beim Vergleich von maschinellen Übersetzungsmodellen, um die Genauigkeit zu verbessern
• Identifiziert Fehler in KI-generierten Übersetzungen
• Unterstützt Nachbearbeitungs-Workflows, indem der Aufwand zur Korrektur von Übersetzungen gemessen wird.
• Verbessert die Qualitätssicherung von Übersetzungen in Lokalisierungsprojekten

Beispiel aus der Praxis:

Ein Technologieunternehmen testet KI-Übersetzungssoftware:

• Führt Übersetzungen durch das Modell aus und vergleicht sie mit von Menschen übersetzten Texten.
• Verwendet TER, um zu messen, wie viel Bearbeitung erforderlich ist, um der menschlichen Version zu entsprechen
• Passt das Modell an, um TER zu reduzieren und die Übersetzungsgenauigkeit zu verbessern.
  
  

Dieser Artikel handelt von:

• Definition:
  Die Übersetzungsfehlerquote (TER) misst, wie viele Korrekturen erforderlich sind, um eine maschinelle Übersetzung zu korrigieren.
• Branchenrelevanz:
  Wird in der KI-Übersetzung, Lokalisierung und Qualitätsbewertung eingesetzt, um Modelle des maschinellen Lernens zu verbessern.
• Anwendungsfall:
  Technologieunternehmen nutzen TER, um KI-gestützte Übersetzungstools zu verfeinern und die Genauigkeit zu verbessern.

Durch die Verfolgung der TER können Unternehmen und Forscher die Leistung der maschinellen Übersetzung optimieren und die mehrsprachige Kommunikation verbessern.