可用于支持本地化流程的技术以及更大的业务战略在过去几年中迅速发展。人工智能（AI）和机器学习（ML）的进步已经为降低成本，缩短周转时间和提高翻译质量开辟了道路，从而释放了组织开拓新市场所需的预算。
2017年，人工智能和ML工具的数量迅速增长，创造了数十亿美元的收入。很少有行业垂直行业现在对ML的力量有抵抗力。但相对于其长达数十年的历史，本地化行业才刚刚起步。以下是我们最兴奋的今年四大机器学习进展。
神经机器翻译
虽然几年前，神经机器翻译仍然提供先发优势。随着公司寻求更有效的方式来提供比以往更多语言的更多内容，NMT正在从为大型全球企业保留的小众应用程序转变为主流。
利用深度学习的强大功能和更多的训练数据来构建人工神经网络，NMT可以通过模式工作，例如源句子周围的语境线索，有助于加速和改善翻译而无需人为干预。实际上，从太大而无法手动分析的数据集中，NMT可以以超出人类识别能力的方式识别复杂模式。
NMT并不意味着人类翻译的结束，但它确实在后期编辑中占了一席之地。编辑后现在可以将更多时间用于翻译过程中先前被边缘化的方面，例如输出质量，品牌标准和急需的创作范围，以便将内容无缝地适应各种目标受众。
自动化质量保证和解释
在这个增加内容和接触点的世界中，您如何提供语言质量？一方面，内容增长超过了人的能力，但另一方面，没有时间浪费。克服这一挑战的一种方法是自动化可预测的语言质量检查。
自动语言QA是一种协作且功能强大的质量控制工具，用于以最低的成本最大限度地提高生产力，可扩展性和质量。自动化QA引擎使用模式识别和其他语言技术方法来识别潜在问题，例如链接断开或丢失，术语不一致以及缺少内容，帮助语言学家尽早识别和解决问题。与NMT一样，该技术可以检测到比单独的人工审查更多的错误。
然后，有自动解释。谷歌的Pixel Buds，旨在实时翻译音频的无线耳塞，使我们更接近将机器翻译和文本到语音技术与高质量结果相结合。而这只是一个有助于满足持续交付需求的领域，而现在对于本地化战略至关重要。
语言工作流程优化
ML可以通过将项目映射到每个作业的最佳语言专家来进一步增强内容管理系统。使用语言大数据，ML可以（客观地）识别谁对某些类型的内容有更多经验并且谁更好地翻译它们。
这些ML算法可用于完整质量周期的所有步骤。从QA开始，ML不仅可以识别正确的人力资源，还可以识别正确的语言资源（翻译风格指南和词汇表，MT定制等），并向具有潜在可译性问题（如模糊性和复杂性）的区域提供翻译。通过这种方式，一切都可以从一开始就准备好，以确保最佳的质量。ML支持的质量控制组件还可以帮助修复翻译错误，可读性问题或源和翻译内容之间的语言注册级别。
预测分析
ML不仅仅是翻译。它还可以帮助本地化专业人员通过在项目承诺之前预测项目的结果，将他们的想法出售给执行团队。今天的技术使我们能够将关于一段内容的数十个数据点提供给系统，并将这些数据点与所有过去的项目进行比较，发现适当的工作流程和翻译，潜在的问题以及项目的成本。
正如许多组织所知，本地化投资的回报很难量化。然而，决策者必须了解本地化战略的价值。使用预测分析以及非财务ROI指标（如客户满意度，客户保留和品牌分析），本地化团队可以更轻松地获得以后提供硬数据的项目的批准。
展望未来
今天，ML是将语言工作流程带到良好开端并优化其后每个步骤的关键。业内人士相信，在未来五年内，这个工作流程将由大数据驱动。未来属于利用AI，ML，NMT和预测分析等尖端技术制定数据支持的业务决策和更准确的客户档案的企业。
与此同时，需要大量数据来培训技术。希望与自然，准确，相关和直观的解决方案保持同步的组织在不获得克服它们所需的第三方功能的情况下面临重大挑战。语言服务提供商提供生成高质量全球数据所需的语言操作，将技术与全球用户体验测试相结合，以不断改善人类体验。更重要的是，它们深深植根于当地文化。
制定正确的本地化合作伙伴关系和市场战略将对2018年的业务增长潜力产生显着影响。不确定您应该从哪里开始？获得在我们驾驶的本地化值提示白皮书。
