Wykład 2: Systemy klasy C.A.T. (Computer-Aided Translation)

1. Wykład 2: Systemy klasy C.A.T. (Computer-Aided Translation) dr inż. Agenor Hofmann-Delbor

2. Plan wykładu • Omówienie technologii pamięci tłumaczeń • Czym jest technika wyszukiwania rozmytego • Jak działają algorytmy wyszukiwania rozmytego • Czym są pliki bilingwalne • Najistotniejsze komercyjne i darmowe narzędzia CAT

3. Tłumaczenie maszynowe MT a pamięć tłumaczeń • Oryginalny tekst angielski ze strony dużej korporacji: „Read the official press release“ • Tłumaczenie przy użyciu programu tłumaczącego: • „Przeczytany osoba urzędowa (oficjalny) ścisk (prasa) zwolnienie“

4. Pamięć tłumaczeń • Baza danych przechowująca tzw. segmenty, czyli fragmenty tekstu w języku źródłowym powiązane z odpowiadającym im fragmentom w języku docelowym • Mają z reguły ściśle określony „kierunek” językowy, wyszukiwanie odbywa się zwykle w języku źródłowym • Pełna automatyzacja procesu aktualizacji w trakcie pracy • Jak każda baza wymaga operacji administracyjnych, reorganizacji itp.. • Pamięć tłumaczeń to kapitał firm i organizacji • Korzystanie z pamięci tłumaczeń umożliwia wycenę projektu i ocenę jego czasochłonności przed jego rozpoczęciem

5. Pamięć tłumaczeń – c.d.

6. Czas tłumaczenia a wielkość pamięci tłumaczeń Czas Dokument • Tłumaczenie Publikacja 1rok Dokument Tłumaczenie Publikacja 2rok Dokument Tłumaczenie Publikacja 3rok

7. Typowy model pracy z pamięciami tłumaczeń Pamięć tłumaczeń Baza terminologii Każdy tłumacz dostaje podpowiedzi z całej bazy (tłumaczenia swoje i innych tłumaczy)

8. Przeszukiwanie pamięci tłumaczeń

9. Tłumaczenie z użyciem pamięci tłumaczeń Podpowiedzi terminologii z bazy terminologii (słownika) Zdanie oryginalne wraz z tłumaczeniem zostaje wstawione do pamięci jako segment

10. Wyszukiwanie rozmyte • Segmenty w obrębie pamięci tłumaczeń są indeksowane, co umożliwia ich szybkie wyszukiwanie • Idea pamięci tłumaczeń (TM – Translation Memory) zakłada zwracanie wyników także o częściowej zgodności • Zgodnie z zasadami logiki rozmytej dane są przyporządkowywane do odpowiedniej klasy, tutaj zwane klasami podobieństwa. Oznaczają one procentową zgodność tekstu w dokumencie z najbardziej podobnym tekstem znalezionym w pamięci tłumaczeń. • Najbardziej pożądany przypadek to tzw. 100% match – pełna zgodność • Na podstawie liczby słów w danej klasie podobieństwa budowana jest ważona liczba słów i przygotowywana wycena

11. Analiza dokumentów Przedstawia faktyczną liczbę słów do przetłumaczenia i korekty w dokumencie lub jego zaktualizowanej wersji

12. Tworzenie modelu rozliczeń

13. 93% podobieństwa: „częściowa zgodność” Wyszukiwanie w praktyce

14. Konkordancja – wyszukiwanie kontekstowe

15. Pliki bilingwalne • Pliki bilingwalne powstają w sytuacji, gdy edytujemy dokumenty za pomocą narzędzi CAT. Większość aplikacji tego typu zapisuje dokument w swoim formacie lub modyfikuje obecny format poprzez dodanie odpowiednich znaczników (tagów), dzięki którym możliwe jest bezpieczne powiązanie, ale i rozgraniczenie tekstu źródłowego i wynikowego • Obecnie większość plików bilingwalnych jest oparta na XML, standardem staje się powoli format XLIFF • Pliki bilingwalne można w łatwy sposób zapisywać w docelowym formacie, można także wprowadzać automatycznie ich zawartość do pamięci tłumaczeń. • Pliki bilingwalne pozwalają zidentyfikować format źródłowy oraz języki dokumentu.

16. Przykład pliku bilingwalnego

17. Najważniejsze i najpopularniejsze narzędzia CAT • SDL Trados • WordFast • IBM Translation Manager • OmegaT • STAR Transit • LogoPort • MemoQ • Idiom

18. Przydatne linki http://pl.wikipedia.org/wiki/T%C5%82umaczenie_przy_u%C5%BCyciu_komputera http://en.wikipedia.org/wiki/Computer-assisted_translation http://en.wikipedia.org/wiki/Translation_memory http://www.issco.unige.ch/ewg95/node149.html

19. Pytania, kontakt agenorh@zpsb.szczecin.pl