Einen Datensatz erstellen

Einzelner Fachbereich:

Es ist am besten, wenn sich der Datensatz auf Content konzentriert, der einen einzelnen Stil und eine einzelne Terminologie abdeckt. Wenn der Datensatz eine Mischung aus Fachbereichen enthält (z. B. sowohl die rechtlichen Begriffe einer Website als auch die Produktbeschreibungen), kann das Modell möglicherweise nicht lernen, was der gewünschte Stil ist.

Einzigartiger Content-Typ:

Das Individuell MT-Modell baut auf generischen Modellen auf, die mit riesigen Mengen öffentlicher Daten aus dem Internet trainiert wurden. Wenn das Translation Memory Daten enthält, die den generischen Daten, die zum Erstellen der generischen Modelle verwendet wurden, sehr ähnlich sind, wird der Anpassungsprozess keinen großen Gewinn bringen.

Datenqualität:

Das Modell geht davon aus, dass jedes Satzpaar im Translation Memory ein Beispiel für den Output ist, den es voraussichtlich produzieren soll. Das Translation Memory muss von guter Qualität sein, idealerweise erstellt aus professionellen menschlichen Übersetzungen. Die Datenbereinigungs-Pipeline kann helfen, die schädlichsten Teile des Datensatzes zu filtern.

Erwartetes Volumen:

Damit die Anpassung im Hinblick auf den ROI wirkungsvoll ist, muss der Datensatz repräsentativ für den Großteil der Daten sein, bei denen die MT-Qualität einen größeren Einfluss hat. Wenn beispielsweise ein Teil des MT-Output von menschlichen Übersetzern im Post-Editing bearbeitet werden soll, müssen die Daten zur Maximierung des ROI repräsentativ für den Content sein, der im Post-Editing bearbeitet wird.