Hogyan működik a gépi fordítás 2025-ben?

Bemutatjuk a hagyományos gépi fordítás, a neurális rendszerek és a nagy nyelvi modellek sajátosságait. A gépi fordítás évtizedek óta velünk van, nem újkeletű technológia, de az elmúlt néhány évben radikálisan megváltozott.

A szabályalapú és statisztikai modellek után a neurális fordítórendszerek jelentették az első igazi áttörést – most pedig a nagy nyelvi modellek (LLM-ek) forradalmasítják újra a területet.

A kérdés: hogyan viszonyulnak egymáshoz ezek a rendszerek, miben különböznek, és hogyan változtatják meg a fordítási szolgáltatás működését?

A kezdetek: amikor a fordítás még szabályok gyűjteménye volt

A gépi fordítás első generációja (RBMT – rule-based machine translation) kézzel írt nyelvtani szabályok és szótárak alapján működött. Ezek a rendszerek minden szót „lefordítottak”, de kevés érzékkel kezelték az összefüggéseket.

A következő lépést a statisztikai gépi fordítás (SMT) jelentette, amely már valós nyelvi adatok alapján „megtanulta”, milyen kifejezések járnak együtt. Mégsem értette meg igazán, mit mond a szöveg – csak mintázatokat keresett. Ez formálta a közvéleményt egészen 2016-ig, viccet csinálva a Google Translate tévedéseiből.

A fordítás új alapjai: neurális gépi fordítás (NMT)

A neurális hálózatok megjelenésével (2016 körül) a fordítógépek már nemcsak szó- vagy kifejezésszinten, hanem mondatszinten kezdtek „gondolkodni”. Az NMT modellek képesek voltak megérteni a szövegkörnyezetet, és ennek megfelelően természetesebb, gördülékenyebb mondatokat alkottak.

Az NMT modellek mögött többnyire egy adott cél nyelvpárra trenírozott rendszer áll (pl. angol–magyar), gyakran könnyen testreszabhatók egy adott szakterület vagy céges nyelvhasználat szerint. 2016-tól, a Google NMT bevezetésétől számítjuk tehát a neurális gépi fordítások korszakát, és néhány éven belül a legtöbb nagy fordítási szolgáltató (Microsoft, DeepL, Amazon, Systran stb.) is áttért erre a technológiára.

A jelen kihívása és lehetősége: nagy nyelvi modellek

A nagy nyelvi modellek (LLM) – mint a ChatGPT-t működtető GPT-4, a Meta LLaMA vagy a Claude – nem kifejezetten fordításra készültek, mégis meglepően jó fordítási eredményeket képesek adni, különösen magas erőforrású nyelvek között.

Ezek a modellek nem mondatszinten, hanem dokumentumszinten „látják” a szöveget, így jobban figyelembe tudják venni az összefüggéseket, kontextust, célközönséget. Ugyanakkor jelenleg kevésbé alkalmasak precíz szakfordításra vagy terminológiai következetességre – legalábbis alapbeállításban.

Technológiai trendek 2025-ből

Az LLM-technológia éllovas fejlesztői nem pihennek, hanem egyre újabb eljárásokkal próbálkoznak.:

• Az IBM megszüntette saját NMT rendszerét, és inkább a WatsonX LLM-re épülő platform fejlesztését helyezte előtérbe.
• Az Unbabel kifejezetten fordítási célra fejlesztette Tower nevű LLM-rendszerét, amely a Meta LLaMA 2 modelljén alapul.
• A ModernMT beépítette a „human-in-the-loop” megközelítést, amely lehetővé teszi, hogy az emberi visszajelzések valós időben javítsák a gépi fordítási kimenetet.
• A Bureau Works egy ún. RAG (retrieval-augmented generation) modellt használ, amely előbb „megtalálja” a releváns fordítási memóriákat és terminológiákat, majd azokat egy LLM segítségével integrálja a szövegbe.

A Villámfordítás Fordítóiroda többféle eljárást használ, az adott feladathoz választja ki a szerinte leghatékonyabb eszközt. A neurális gépi fordítást és a nagy nyelvi modelleket egyaránt javasolják a szakemberei, de az esetek döntő többségében ezek a technikák csak beépülnek a fordítási folyamatba, amelyet szakértő nyelvészek munkája emel a megfelelő minőségi szintre.

NMT vs. LLM – hogyan válasszunk?

Merre tart a nyelvi ipar?

A fordítóipar egyre inkább az integráció felé mozdul: nem „NMT vagy LLM,” hanem „NMT és LLM” a jövő. A legjobb eredményeket hibrid rendszerek adják, ahol a gépi fordítást emberi kontroll egészíti ki – vagy épp ellenkezőleg: a humán fordító munkáját segítik gépi eszközök, például stílusegyeztetéssel, szinonima-ajánlásokkal vagy glosszárium-ellenőrzéssel.

Közben az adaptív fordítórendszerek térnyerése is megfigyelhető, amelyek nem előre betanított modellekből dolgoznak, hanem valós időben tanulnak a szövegkörnyezetből és felhasználói visszajelzésekből. Ezek azonban az elkövetkező pár évben még nem fognak a hazánkban hódítani.

Magyar nyelv – külön kihívás, külön megközelítés

A magyar nyelv az úgynevezett „kis nyelvek” közé tartozik, ami ebben az esetben nem a beszélők számát jelenti, hanem azt, hogy a nagy nyelvi technológiák fejlesztéséhez kevesebb nyelvi adat, szövegkorpusz és felhasználói visszajelzés áll rendelkezésre. Emiatt a gépi fordítási rendszerek – legyen szó neurális modellekről vagy nagy nyelvi modellekről – gyakran évekkel elmaradnak a nagy nyelveken tapasztalható szinttől, például az angol, francia, német vagy spanyol eredményeitől.

Hazai viszonylatban ez azt is jelenti, hogy sok vállalkozás – különösen szakterületi, például jogi vagy műszaki szövegek esetében – nem tudja kihasználni a gépi fordítás gyorsaságából adódó előnyöket, mert a minőség nem lenne megfelelő. Ráadásul a gépi fordítás biztonságos és hatékony használatához is komoly szakértelem szükséges: az ingyenes, nyílt internetes fordítók nem garantálnak sem pontosságot, sem megbízhatóságot, sem adatvédelmet.

A hazai fordítóirodák azonban mindent megtesznek azért, hogy a globális trendekkel lépést tartsanak. A Villámfordítás fordítóiroda például saját neurális gépi fordítómotorokat és LLM-eket is alkalmaz – szigorúan zárt környezetben, biztonságos és szakmailag felügyelt módon. Ezeket a technológiákat mindig szakfordítók bevonásával használjuk, így ötvözve a modern eszközök gyorsaságát a humán ellenőrzés nyelvi és szakmai minőségével. Ez a gyakorlat lehetőséget teremt arra, hogy a gépi fordítás előnyei minél gyorsabban magyar nyelven is elérhetővé váljanak, anélkül, hogy ez a minőség vagy a biztonság rovására menne.

Nem csak óvakodni, hanem kísérletezni is érdemes

A gépi fordítás nem csupán technológiai kérdés – nyelvi, kulturális és iparági kihívás is. A különböző rendszerek más és más célokra valók: míg az NMT stabil és megbízható alapot nyújt, az LLM-ek lehetőséget adnak a stílus és a kontextus finomabb kezelésére. A jövő a kettő kombinációjában rejlik – és azok kezében, akik tudják, melyik eszközt mikor érdemes használni.