Maschinelles Übersetzen ist wie Tesla fahren. Ein Erfahrungsbericht

In vielen Bereichen ist die zunehmende Automatisierung immer mehr zu einem Gesprächsthema geworden. In privaten Gesprächen werden etwa die Erfahrungen mit der Fahrassistenz im Auto ausgetauscht, während wiederum in meinem beruflichen Bereich vor allem die Errungenschaften der automatischen Übersetzungssysteme besprochen werden. Obwohl ich beim Thema Fahrzeug-Autopiloten eine absolute Laiin bin, griff ich sofort zu, als ich privat die Gelegenheit bekam, den neuesten, teuersten Tesla als Mitfahrerin zu probieren. Dabei dachte ich zuerst gar nicht an die möglichen Parallelen zu den „Fahrhilfen“ des Übersetzens – ich hatte einfach Lust auf Abenteuer und freute mich schon auf die flotte Tour mit dem Autopiloten. Während der dann doch teils recht turbulenten, gar nicht so smoothen Fahrt beschlich mich langsam das Gefühl, dass ich einige der Erfahrungen mit der Automatik schon aus dem Übersetzungsbusiness kenne. Ich möchte daher über meine Tesla-Fahrt berichten und sie mit meinen Erfahrungen mit dem maschinellen Übersetzen vergleichen.

Ich muss schon zugeben: Der erste Eindruck vom Tesla war ein Wahnsinn. Die Türklinken des nagelneuen, schnittigen Wagens reagierten wie auf meinen bloßen Wunsch, die Tür zu öffnen. Der große Bildschirm, die eleganten Ledersitze und die luxuriösen Einrichtungsdetails ließen mich schwärmen. Dementsprechend hoch waren meine Erwartungen an den Autopiloten. Wir würden uns zurücklehnen und uns kutschieren lassen. Als der Fahrer den Motor startete und auf Automatik schaltete, ließ ich mich mit halb geschlossenen Augen und einem Mona-Lisa-Lächeln auf den Lippen tief in den Sitz fallen. K.I.T.T., hol mich hier raus!

So oder so ähnlich klingen auch die Erwartungen an maschinelle Übersetzungssysteme: Wir werden uns zurücklehnen können und einfach alles in unserer eigenen Sprache lesen und hören, während die Maschine im Hintergrund völlig autonom übersetzt. Insbesondere nach der Umstellung auf neuronale Systeme aus der Künstliche-Intelligenz-Forschung entstand ein Hype, der wohl viele ÜbersetzerInnen um ihre berufliche Zukunft zweifeln ließ und lässt. Der rasante Fortschritt der letzten Jahre ließ Microsoft 2018 gar posaunen, dass ihre maschinellen Übersetzungssysteme so gut wie Menschen übersetzen können – sie hätten „human parity“ erreicht. Seitdem wurde eine beachtliche Anzahl an Gegendarstellungen publiziert und ernsthaft in Frage gestellt, nach welchen Maßstäben und für welche Texte und Sprachen diese Aussage gültig sei. Dennoch ist klar, dass maschinelles Übersetzen hier ist um zu bleiben, und dass sich maschinelle Übersetzungssysteme sowohl im beruflichen als auch im privaten Bereich immer stärkerer Nutzung erfreuen (s. z.B. Cadwell, O’Brien & Teixeira 2018, Sakamoto 2019). Insofern herrscht in der Übersetzungsbranche ein ähnlicher Stand der Dinge wie in vielen anderen Bereichen, die gerade starke Automatisierungstendenzen durchleben. Es ist daher ein guter Zeitpunkt, einen Vergleich anzustellen (s. auch Paulsen Christensen et al. 2021): Haben sich die Erwartungen erfüllt? Können wir in diesen Bereichen auf Autopiloten schalten? Wie ist die „user experience“ dabei?

Unser Selbsttest beim Tesla-Fahren fiel eindeutig aus: Unsere Erwartungen waren zu hoch. Der tiefe Fall ließ nicht lange auf sich warten. Um einige Beispiele zu nennen: Bei jedem Verdacht auf eine Frontalkollision – und sei es nur mit einem im Wind flatternden Blatt Papier – wurden wir in Richtung Windschutzscheibe geschleudert. Wenn ein geparktes Auto seine Scheinwerfer zu den unsrigen richtete, gab es fast eine Vollbremsung. Dazwischen wurde beschleunigt, was das Zeug hält. Das vom Hersteller so gelobte „autonome“ Fahren begann, nach einer Drohung zu klingen – da würden wir doch lieber selber autonom fahren als mit Herzrasen und Schweißausbruch diesem Choleriker ausgesetzt zu sein. (Ein Freund beschrieb mal das Gefühl beim Fahren mit Fahrassistenz als „eingesperrt sein“, „im engen Korsett“ agieren zu müssen.)

Wir beschlossen, den automatischen Fahrstil von „flott“ auf „lässig“ zu wechseln (nach meiner Terminologie – die Optionen hießen in Original wohl anders). Fortan wurden wir nicht mehr ganz so arg gebeutelt. Bedenklich ließ uns aber stimmen, dass uns der Teslapilot weiterhin 80km/h mitten im Zentrum fahren gelassen hätte, wenn wir das Zieltempo auf 80km/h eingestellt hatten und ins Stadtgebiet einbogen. Dabei hatte er sehr wohl automatisch wahrgenommen, dass ein 50er-Tempolimit gültig wurde.

Bei diesen Erfahrungen fielen mir Parallelen zum Übersetzen ein: Ähnlich wie ÜbersetzerInnen und ProjektmanagerInnen in Übersetzungsagenturen schätzten wir die Möglichkeit, einzugreifen und die Kontrolle über die Geschehnisse zu übernehmen bzw. zu behalten (s. Cadwell, O’Brien & Teixeira 2018; Sakamoto 2019). Und ähnlich wie manche maschinellen Übersetzungssysteme ignorierte der Autopilot den veränderten Kontext. Insbesondere die frei zugänglichen, generischen Übersetzungssysteme schaffen es noch nicht, einen kontextuellen Unterschied zu machen. Um ein aktuelles, banales Beispiel zu geben: Die schwedische Amazon-Website gab noch vor Kurzem „rapeseeds“ (Raps) als „valdtäkt blomma“ (Vergewaltigungsblume), Calvin Kleins „trunks“ (Unterhosen) als „bagageutrymme“ (Gepäckraum) und „tie-down straps“ als „knark-spännband“ (Drogenriemen) wieder (Amazon 2020). Sie können sich sicherlich vorstellen, was die süßen handgestrickten „chicken/hen“ bzw. „cocks“ als Eierwärmer wurden: ja, Penisse für den Frühstückstisch.

In manchen Fällen würde man sich allerdings wünschen, dass maschinelle Übersetzungssoftware so reagieren würde wie der Tesla-Autopilot: Wenn es bei unserer Probefahrt eng wurde und das System nicht ganz eindeutige Informationen erhielt, übergab es uns die Führung sofort. Nur eine kleine Vorwarnung wäre nett gewesen – wir waren nämlich ziemlich überrascht, als die Unterstützung plötzlich und scheinbar grundlos wegfiel. Da waren wir froh, dass wir nicht in vermeintlicher Sicherheit in Gespräche oder eigene Gedanken vertieft waren, sondern immer noch aufmerksam mitgefahren sind.

Eigentlich hatte ja der Autopilot eine Funktion eingebaut, die ständig überprüfte, ob der Fahrer noch wach war: Der Fahrer musste regelmäßig kurz die Steuerung übernehmen und so dem System eine Rückmeldung geben, wenn er eine Zeit lang nicht aktiv gewesen war. Leider führte diese Sicherheitsmaßnahme aber dazu, dass der Fahrer immer wieder völlig sinnlos am Lenkrad rütteln musste, bis die Automatik ihn wahrgenommen hatte, was auch für mich als Mitfahrerin als Slalomfahren spürbar war. Dieses Problem teilen wohl viele digitale Helfer: In der Praxis müssen die BenutzerInnen ihnen dienen, statt dass sich die Technik auf die BenutzerInnen einstellen würde.

Mein Fazit der Spritztour mit dem Automaten-Auto: Von einem echten selbstfahrenden System, auf das wir uns hätten vollständig verlassen können, war der Wagen noch weit entfernt (s. auch DerStandard 2020). Es ist sogar anstrengender, das System ständig zu kontrollieren und zu bedienen als selbst „manuell“ zu fahren. Dies entspricht der Einstellung vieler ÜbersetzerInnen gegenüber maschinellem Übersetzen (MT): „a strong trend (…) was the perception that post-editing MT output actually slows them down in their translation tasks, that it requires more concentration, and that MT should be avoided as a result” (Cadwell, O’Brien & Teixeira 2018:311). Die WissenschaftlerInnen sind diesbezüglich optimistischer: Sie meinen, dass es eigentlich klar ist, dass maschinelles Übersetzen viele Vorteile hat, aber das sei noch nicht ausreichend bis zur Praxis durchgedrungen.

Ein Unterschied zwischen Tesla-Fahren und maschinellem Übersetzen ist, dass die meisten von uns schon Erfahrung mit dem Autofahren haben, die Risiken im Straßenverkehr einschätzen können und dann vielleicht wie wir dieses unbehagliche Gefühl haben, wenn wir die eigenen Interventionsmöglichkeiten plötzlich nicht mehr ganz einschätzen können. Beim maschinellen Übersetzen haben diese Erfahrung nur bestimmte NutzerInnen, aber nicht die breite Masse. Für die nicht-übersetzungserfahrene Userin ist es also leichter, sich auf die Verwendung von maschinellem Übersetzen einzulassen und dem Output zu vertrauen als für eine berufliche Übersetzerin, die sich über die Risiken und die Relevanz von Kontext etc. bewusst ist. Wie meine Kollegin Regina Rogl sagte, braucht Risikobewusstsein im Zusammenhang mit einer neuen Technologie eine gewisse Erfahrung mit einer vergleichbaren Praxis.

Ein weiterer wichtiger Unterschied zwischen der Auto- und der Sprachindustrie ist, dass die Fahrzeughersteller gerne ihre Automatik als ein autonomes System preisen, während im beruflichen Bereich das maschinelle Übersetzen nur als ein Werkzeug unter vielen anderen verstanden wird. Beim professionellen Übersetzen ist immer noch der „human in the loop“ wichtig, der den Text in seinem Kontext versteht und ihn für den neuen Kontext bei Bedarf adaptieren kann, wenn auch mit immer mehr maschineller Hilfe. Wie brauchbar die maschinellen Übersetzungssysteme sind, hängt dann nicht nur von der Textsorte und dem Verwendungszweck der Übersetzung ab, sondern auch von der Technikaffinität und der Persönlichkeit der ÜbersetzerInnen (s. auch Ruokonen & Koskinen 2017): Manche freuen sich über die Unterstützung maschineller Assistenten, andere ärgern sich über die vielen Fehler, die die dummen Systeme machen und die sie nachträglich korrigieren müssen. Ich freue mich jedenfalls trotz des holprigen ersten Eindrucks auf meine nächste Tesla-Fahrt – die dann hoffentlich eher dem Spaß auf der Hochschaubahn als dem Horror in der Geisterbahn entsprechen wird.

Literatur

Amazon (2020): https://www.amazon.se/ (28.10.2020) (s. auch https://www.thelocal.se/20201028/translation-fails-on-amazons-new-swedish-site/)

Cadwell, Patrick; O’Brien, Sharon & Teixeira, Carlos S. C. (2018) Resistance and accommodation: factors for the (non-) adoption of machine translation among professional translators. Perspectives. Studies in Translation Theory and Practice 26:3, 301-321. DOI: 10.1080/0907676X.2017.1337210

DerStandard (2020): Vergleichstest: Teslas Autopilot fährt schlechter als der von General Motors. https://www.derstandard.at/story/2000121288599/teslas-autopilot-faehrt-schlechter-als-der-von-general-motors/DerStandard 29.10.2020. (29.10.2020)

Paulsen Christensen, Tina; Bundgaard, Kristine; Schjoldager, Anne & Dam Jensen, Helle (2021): What motor vehicles and translation machines have in common – a first step towards a translation automation taxonomy. Perspectives: Studies in Translation Theory and Practice. DOI: 10.1080/0907676X.2021.1900307

Ruokonen, Minna & Koskinen, Kaisa (2017): Dancing with technology: Translators’ narratives on the dance of human and machinic agency in translation work. The Translator 23 (3), 310–323.

Sakamoto, Akiko (2019): Unintended consequences of translation technologies: from project managers´ perspectives. Perspectives. Studies in Translation Theory and Practice 27:1, 58-72. DOI: 10.1080/0907676X.2018.1473452

von Prof. Hanna Risku
Wien, Juni 2021

Beitragsbild: Photo by Bram van Oost auf Unsplash

• Energie und kollektive Intelligenz bei der Vorstandsklausur
• Mehrsprachigkeit in Krisenzeiten – eine Zwischenbilanz