Create a Dataset

Einzelne Domain:

Am besten ist es, wenn sich der Datensatz auf Inhalte konzentriert, die einen Stil und eine Terminologie abdecken. Enthält der Datensatz eine Mischung aus Fachbereichen (zum Beispiel die rechtlichen Begriffe einer Website und die Produktbeschreibungen), kann das Modell nicht lernen, was der gewünschte Stil ist.

Eindeutiger Inhalt:

Das benutzerdefinierte MT Modell basiert auf generischen Modellen, die auf einer Vielzahl öffentlicher Daten aus dem Internet trainiert werden. Wenn das Translation Memory Daten enthält, die den generischen Daten, die für die Erstellung der generischen Modelle verwendet werden, sehr ähnlich sind, wird der Anpassungsprozess nicht viel bringen.

Datenqualität:

Das Modell geht davon aus, dass jedes Satzpaar im Translation Memory ein Beispiel für den Output ist, den es voraussichtlich erzeugen wird. Das Translation Memory muss von guter Qualität sein, idealerweise aus Professional menschlichen Übersetzungen. Die Datenbereinigungspipeline kann dabei Hilfe, die schädlichsten Teile des Datensatzes filtern.

Erwartetes Volumen:

Damit die Anpassung sich positiv auf den ROI auswirkt, muss der Datensatz repräsentativ für den Großteil der Daten sein, bei denen sich die Qualität der MT stärker auswirken wird. Wenn beispielsweise ein Teil des MT Outputs von menschlichen Übersetzern nachbearbeitet werden soll, müssen die Daten zur Maximierung des RoI repräsentativ für den Inhalt sein, der nachbearbeitet werden soll.