{"id":9191,"date":"2022-10-03T16:14:00","date_gmt":"2022-10-03T14:14:00","guid":{"rendered":"https:\/\/laigo.ai\/?p=9191"},"modified":"2025-08-17T09:51:33","modified_gmt":"2025-08-17T07:51:33","slug":"letting-the-machine-learn-translating-with-deep-learning","status":"publish","type":"post","link":"https:\/\/laigo.ai\/de\/blog\/letting-the-machine-learn-translating-with-deep-learning\/","title":{"rendered":"Maschinelles Lernen: \u00dcbersetzen mit Deep Learning"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

In einem unserer fr\u00fcheren Blogbeitr\u00e4ge hatten wir kurz darauf eingegangen, Wie k\u00fcnstliche Intelligenz lernt,<\/u><\/a>Deep Learning erw\u00e4hnen. Zur Erinnerung: Deep Learning lernt und trifft Entscheidungen mithilfe eines sogenannten neuronalen Netzwerks. Neuronale Netzwerke sind eine sehr grobe Nachbildung des menschlichen Gehirns und der Funktionsweise des menschlichen Denkens. Die Knotenpunkte des Netzwerks nehmen Informationen von anderen Knotenpunkten auf, ver\u00e4ndern sie und geben sie weiter. Lernen und Entscheidungsfindung sind das Ergebnis einer enormen Anzahl sich st\u00e4ndig ver\u00e4ndernder Verbindungen und nicht das Ergebnis von Rechenoperationen, die Menschen ihnen auftragen, wie es bei anderen Lernmethoden der Fall ist.

<\/p>

Verarbeitung unstrukturierter Daten<\/strong><\/h2>

Wie alle KI-Lernmethoden ben\u00f6tigt Deep Learning m\u00f6glichst gro\u00dfe Datenmengen. Im Gegensatz zu anderen Lernmethoden k\u00f6nnen dies auch unstrukturierte Daten sein, d. h. Bilder, Texte, Sprachdateien usw., deren Informationsgehalt nicht in einer geordneten Form wie beispielsweise einer Tabelle vorliegt. Bei den anderen Lernmethoden sortieren Menschen die Daten sozusagen im Voraus und unterteilen den Informationsgehalt in Kategorien wie \u201eHund\u201c und \u201eKatze\u201c. Das Lernen besteht dann darin, dass das System die Merkmale herausfindet, die \u201eHund\u201c und \u201eKatze\u201c unterscheiden, diese Merkmale selbstst\u00e4ndig auf neue Daten anwendet und die Erkennung schrittweise verfeinert. Deep Learning erfordert keine Spezifizierung des Informationsgehalts der Daten, der dann vom neuronalen Netzwerk selbst abgeleitet wird.<\/p>

Diese Art des Umgangs mit unstrukturierten Daten pr\u00e4destiniert Deep Learning f\u00fcr den Einsatz in hochkomplexen Anwendungsbereichen. Dazu geh\u00f6ren die Text- und Bildsuche in Suchmaschinen, autonomes Fahren, aber auch die \u00dcbersetzung von Texten. Eines der bekanntesten Tools f\u00fcr diesen Zweck tr\u00e4gt die Lernmethode in seinem Namen: DeepL.

<\/p>

Wie \u00dcbersetzungstools funktionieren <\/strong><\/h2>

Ohne Training funktioniert nichts, nicht nur f\u00fcr menschliche \u00dcbersetzer, sondern auch f\u00fcr \u00dcbersetzungstools. Unabh\u00e4ngig davon, auf welcher Grundlage die Tools lernen und arbeiten, m\u00fcssen sie zun\u00e4chst anhand einer enormen Menge bereits \u00fcbersetzter Satzpaare in der Ausgangs- und Zielsprache trainiert werden. Daraus bilden sie das Grundger\u00fcst f\u00fcr Vokabular und Grammatikstrukturen. Anschlie\u00dfend schlagen die Tools eine \u00dcbersetzung vor und reagieren auf menschliches Feedback, indem sie kontinuierlich \u201egute\u201d \u00dcbersetzungen beibehalten und \u201eschlechte\u201d verwerfen. Sie verwenden statistische Verfahren, um aus der Vielzahl der M\u00f6glichkeiten die richtige \u00dcbersetzung zu ermitteln.

<\/p>

Was Deep Learning besser kann <\/strong><\/h2>

Jeder von uns wei\u00df, dass der Kontext, also die Situation oder Umgebung, entscheidend f\u00fcr das Verst\u00e4ndnis einer Handlung oder \u00c4u\u00dferung ist. Auch f\u00fcr die Qualit\u00e4t einer maschinellen \u00dcbersetzung ist es von Bedeutung, ob und inwieweit der Wortkontext ber\u00fccksichtigt wird \u2013 je mehr, desto besser. Genau hier liegt der entscheidende Unterschied zwischen herk\u00f6mmlichen \u00dcbersetzungstools und solchen, die Deep Learning nutzen. W\u00e4hrend erstere mit Wortgruppen von zwei bis drei W\u00f6rtern arbeiten, kann Deep Learning weiter gehen und mehr Kontext ber\u00fccksichtigen, einen ganzen Satz oder sogar einen ganzen Absatz. Das hat seinen Preis: Wenn Sie beispielsweise ein einzelnes Wort durch das neuronale Netzwerk schicken, kann ein Deep-Learning-Tool dies in k\u00fcrzester Zeit erledigen, aber f\u00fcr einen ganzen Textabschnitt steigt der Rechenaufwand exorbitant an, und die daf\u00fcr erforderliche Hardware gibt es noch nicht so lange.

<\/p>

Die Grenzen der maschinellen \u00dcbersetzung<\/strong><\/h2>

Wie auch bei anderen Anwendungen der KI ver\u00e4ndern KI-gest\u00fctzte \u00dcbersetzungstools die Art und Weise, wie Menschen ihre Arbeit verrichten, und \u00dcbersetzer bef\u00fcrchten, dass sie ihre Arbeitspl\u00e4tze an KI-Tools verlieren k\u00f6nnten. Aber ihre Ergebnisse sollten mit Vorsicht genossen werden, selbst wenn sie von Deep-Learning-\u00dcbersetzungstools stammen. Maschinelle Schlussfolgerungen, insbesondere wenn sie ohne Vorgaben lernen, k\u00f6nnen durchaus falsch sein, und selbst die beste \u00dcbersetzungssoftware st\u00f6\u00dft an ihre Grenzen, sobald kulturspezifische H\u00f6flichkeit und Tonfall, Wortspiele und Ironie, Referenzen und Kontinuit\u00e4t oder Fachterminologie ber\u00fccksichtigt werden m\u00fcssen. \u00dcbersetzer werden durch die neuen Tools nicht arbeitslos, sondern kontrollieren, \u00fcberpr\u00fcfen und verbessern stattdessen die Ergebnisse der Tools.<\/p>

\u00dcbersetzungsprofis haben mehr zu tun als nur ein bisschen Kosmetik. Ungenauigkeiten und Fehler in maschinellen \u00dcbersetzungen k\u00f6nnen, wenn sie in Beipackzetteln von Medikamenten, internationalen Vertr\u00e4gen, Bauanleitungen, technischen Dokumentationen und \u00e4hnlichen Texten vorkommen, sehr weitreichende Auswirkungen haben und sind daher ein absolutes No-Go. Selbst mit den besten Lernprozessen werden \u00dcbersetzungstools diesen Kompetenzvorsprung von \u00dcbersetzern so schnell nicht einholen k\u00f6nnen.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

In one of our previous blogposts, we had briefly touched on how artificial intelligence learns, mentioning Deep Learning. As a reminder, Deep Learning learns and makes decisions using something called a neural network. Neural networks are a very crude replica of the human brain and the way human thinking works. The nodes of the network […]<\/p>","protected":false},"author":7,"featured_media":18268,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"footnotes":""},"categories":[49],"tags":[],"class_list":["post-9191","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-translation"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/posts\/9191","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/comments?post=9191"}],"version-history":[{"count":0,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/posts\/9191\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/media\/18268"}],"wp:attachment":[{"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/media?parent=9191"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/categories?post=9191"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/laigo.ai\/de\/wp-json\/wp\/v2\/tags?post=9191"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}