Copilot Translator是直接在我们的CAT工具中构建的新型AI助手。它增强了LLMS模型和Untabel质量估计技术（QE），以作为每次翻译的两只智能第二眼。从验证客户的说明是否遵循以告知实际时间的潜在错误，Copilot Translator可以增强客户与翻译人员之间的关系，从而确保翻译不仅准确，而且完全符合期望。

我们为什么要构建副本翻译器？

不受欢迎的翻译人员以两种方式收到说明：

• 一般说明 在工作流程级别（例如正式的偏好或协调）指定
• 项目说明 适用于特定的文件或内容（例如，“不翻译品牌名称”）

这出现在CAT工具中，有必要维持品牌的准确性和一致性。但是，在狭窄的时序日期或带有复杂的方向下，可以错过这些说明。

这是翻译人员来的地方。它是通过在实际时间内提供自动支持来缩小这一差距的。在翻译人员工作时，任何问题都验证了对说明和标志的符合性。除指令检查外，它还强调了规则，遗漏或错误术语的问题，这都是平稳工作流程的一部分。

如何帮助翻译器线圈

该功能旨在在三个基本领域提供价值：

• 提高合规性降低了错过说明的风险
• 至高的翻译质量早期潜在问题的旗帜
• 低成本和重新制定减少了对手动评论的需求

这些翻译的好处在一起使副驾驶成为质量翻译团队的重要工具。

从想法到整合：我们如何构建它

我们从审查现场环境开始，并测试LLM是否可以使用各种索赔和模型可靠地评估说明。一旦成为最佳性能设置，我们将其合并为室内翻译平台Polyglot。

但是，确定工作的准备仅仅是开始。我们进行了更多评估，以了解解决方案在实际翻译人员体验中的表现，收集评论并在全部开始之前改进功能。

从那里开始，我们将所有内容聚集在一起：基于LLM的说明是在我们的CAT工具中的一种统一体验中合并并发现了量化宽松错误。

翻译人员看到了什么

Copilot Translator分析每个部分，并使用视觉信号（小彩色点）来指示问题。单击切片有两种类型的反应：

• 人工智能建议LLM合规性考试，强调与客户指示的偏差
• 可能的错误QE模型，包括规则，翻译或过失问题

为了支持翻译人员作品的任务并确保获得顺利的认证，我们添加了许多使用优势：

• 一键接受建议
• 报告误报或不正确提议的能力
• 已标记的零件之间的快速导航
• 在任务结束时收集反应，以收集用户愿景

我们解决的技术挑战

翻译者的生活回归涉及解决许多困难的挑战：

低成功率：在早期测试中，LLM仅在30％的时间内正确确定了说明。通过快速的工程和实验供应商，我们将其提高到了全部开始之前的78％。

HTML格式HTML的翻译说明是为了清楚的。但这提出了一个新问题，HTML恶化了LLM的性能。我们已经通过剥离HTML在将指令发送到表单之前就来了，这需要快速设计以维持含义和结构。

勤奋另一个早期的挑战是，一些模型建议与客户的道路相矛盾。为了解决这个问题，我们渴望整合无线电的背景，减少冲突并增强对人工智能建议的信心。

我们如何衡量成功

为了评估副翼的影响，我们已经实施了许多标准：

• 增量错误：比较首先在每个任务末尾标记的问题数量。降低正错误的速度表明翻译人员使用副驾驶来提高质量。

• 针对潜在错误的人工智能建议：人工智能建议导致66％的降低率，而仅潜在错误为57％。

• 用户行为：60％的任务，已标记的问题数量。在15％中，没有变化，并且可能忽略了建议的情况。我们还遵循建议以改善模型的行为。

从我们的数据中出现了一个有趣的愿景：LLM的性能根据语言对而异。例如，在德国 – 英语，意大利葡萄牙和德国葡萄牙语中报告错误较高，并以英语或英语等英语语言的配偶减少了我们继续调查的领域。

我们期待

Copilot Translator是将Genai和语言学家工作流程结合起来的重要一步。它在一种连贯的经验中符合说明，发现错误和用户评论的符合性。更重要的是，它可以帮助翻译人员更快地提供更好的结果。

我们对早期结果感到兴奋，并且对下一个结果更加热情！这只是开始。