可用于支持本地化流程的技術以及更大的業(yè)務戰(zhàn)略在過去幾年中迅速發(fā)展。人工智能（AI）和機器學習（ML）的進步已經(jīng)為降低成本，縮短周轉時間和提高翻譯質量開辟了道路，從而釋放了組織開拓新市場所需的預算。

2017年，人工智能和ML工具的數(shù)量迅速增長，創(chuàng)造了數(shù)十億美元的收入。很少有行業(yè)垂直行業(yè)現(xiàn)在對ML的力量有抵抗力。但相對于其長達數(shù)十年的歷史，本地化行業(yè)才剛剛起步。以下是我們最興奮的今年四大機器學習進展。

神經(jīng)機器翻譯

雖然幾年前，神經(jīng)機器翻譯仍然提供先發(fā)優(yōu)勢。隨著公司尋求更有效的方式來提供比以往更多語言的更多內容，NMT正在從為大型全球企業(yè)保留的小眾應用程序轉變?yōu)橹髁鳌?/p>

利用深度學習的強大功能和更多的訓練數(shù)據(jù)來構建人工神經(jīng)網(wǎng)絡，NMT可以通過模式工作，例如源句子周圍的語境線索，有助于加速和改善翻譯而無需人為干預。實際上，從太大而無法手動分析的數(shù)據(jù)集中，NMT可以以超出人類識別能力的方式識別復雜模式。

NMT并不意味著人類翻譯的結束，但它確實在后期編輯中占了一席之地。編輯后現(xiàn)在可以將更多時間用于翻譯過程中先前被邊緣化的方面，例如輸出質量，品牌標準和急需的創(chuàng)作范圍，以便將內容無縫地適應各種目標受眾。

自動化質量保證和解釋

在這個增加內容和接觸點的世界中，您如何提供語言質量？一方面，內容增長超過了人的能力，但另一方面，沒有時間浪費?？朔@一挑戰(zhàn)的一種方法是自動化可預測的語言質量檢查。

自動語言QA是一種協(xié)作且功能強大的質量控制工具，用于以最低的成本最大限度地提高生產力，可擴展性和質量。自動化QA引擎使用模式識別和其他語言技術方法來識別潛在問題，例如鏈接斷開或丟失，術語不一致以及缺少內容，幫助語言學家盡早識別和解決問題。與NMT一樣，該技術可以檢測到比單獨的人工審查更多的錯誤。

然后，有自動解釋。谷歌的Pixel Buds，旨在實時翻譯音頻的無線耳塞，使我們更接近將機器翻譯和文本到語音技術與高質量結果相結合。而這只是一個有助于滿足持續(xù)交付需求的領域，而現(xiàn)在對于本地化戰(zhàn)略至關重要。

語言工作流程優(yōu)化

ML可以通過將項目映射到每個作業(yè)的最佳語言專家來進一步增強內容管理系統(tǒng)。使用語言大數(shù)據(jù)，ML可以（客觀地）識別誰對某些類型的內容有更多經(jīng)驗并且誰更好地翻譯它們。

這些ML算法可用于完整質量周期的所有步驟。從QA開始，ML不僅可以識別正確的人力資源，還可以識別正確的語言資源（翻譯風格指南和詞匯表，MT定制等），并向具有潛在可譯性問題（如模糊性和復雜性）的區(qū)域提供翻譯。通過這種方式，一切都可以從一開始就準備好，以確保最佳的質量。ML支持的質量控制組件還可以幫助修復翻譯錯誤，可讀性問題或源和翻譯內容之間的語言注冊級別。

預測分析

ML不僅僅是翻譯。它還可以幫助本地化專業(yè)人員通過在項目承諾之前預測項目的結果，將他們的想法出售給執(zhí)行團隊。今天的技術使我們能夠將關于一段內容的數(shù)十個數(shù)據(jù)點提供給系統(tǒng)，并將這些數(shù)據(jù)點與所有過去的項目進行比較，發(fā)現(xiàn)適當?shù)墓ぷ髁鞒毯头g，潛在的問題以及項目的成本。

正如許多組織所知，本地化投資的回報很難量化。然而，決策者必須了解本地化戰(zhàn)略的價值。使用預測分析以及非財務ROI指標（如客戶滿意度，客戶保留和品牌分析），本地化團隊可以更輕松地獲得以后提供硬數(shù)據(jù)的項目的批準。

展望未來

今天，ML是將語言工作流程帶到良好開端并優(yōu)化其后每個步驟的關鍵。業(yè)內人士相信，在未來五年內，這個工作流程將由大數(shù)據(jù)驅動。未來屬于利用AI，ML，NMT和預測分析等尖端技術制定數(shù)據(jù)支持的業(yè)務決策和更準確的客戶檔案的企業(yè)。

與此同時，需要大量數(shù)據(jù)來培訓技術。希望與自然，準確，相關和直觀的解決方案保持同步的組織在不獲得克服它們所需的第三方功能的情況下面臨重大挑戰(zhàn)。語言服務提供商提供生成高質量全球數(shù)據(jù)所需的語言操作，將技術與全球用戶體驗測試相結合，以不斷改善人類體驗。更重要的是，它們深深植根于當?shù)匚幕?/p>

制定正確的本地化合作伙伴關系和市場戰(zhàn)略將對2018年的業(yè)務增長潛力產生顯著影響。不確定您應該從哪里開始？獲得在我們駕駛的本地化值提示白皮書。