Çeviri Belleği: Nedir, Nasıl Çalışır ve Yapay Zeka Yerelleştirmesi İçin Neden Önemlidir?

Ekibiniz ürün içerikleri, destek makaleleri, dokümantasyon, kampanyalar veya yazılım metinleri çeviriyorsa sürekli aynı sorunla karşılaşıyorsunuz:

• aynı ifadeler tekrar tekrar karşınıza çıkıyor,
• buna rağmen her seferinde bunların çevrilmesi, incelenmesi ve onaylanması hâlâ vakit alıyor.

Çeviri belleği tam olarak bu sorunu çözmek için tasarlanmıştır.

Bir çeviri belleği ya da kısaca TM, ekibinizin halihazırda onayladığı satırların çeviri sisteminizde saklandığı yerdir. Kaynak metin sisteme girer, nihai çeviri de hemen yanına kaydedilir; böylece benzer bir ifadeyle tekrar karşılaştığınızda her şeye sıfırdan başlamazsınız.

Eski çeviri araçları bunu zaman kazanmak için kullanıyordu. Yapay zeka ile bu konu çok daha kritik bir hâl alıyor: Modele çeviri standartlarınızın ne olduğunu ve kendisinden hangi tercihlerin beklendiğini gösteriyor. Getirisi ise muazzam:

• Daha hızlı teslimat (kalıplaşmış metinlerin, yasal uyarıların veya yinelenen arayüzlerin tekrar çevrilmesiyle vakit kaybedilmez)
• Daha düşük maliyet; üstelik sadece satırları yeniden kullanabildiğiniz için de değil. Transept olarak, yeterli ÇB verisiyle desteklediğimizde, 4 kat daha ucuz bir modelin performansını premium bir modelin seviyesine çıkarmayı başardık
• Tutarlı bir üslup (yıllar önce onayladığınız kararlar, her yeni özellikte aynen korunur).

Peki yapay zeka ile çeviri yaparken çeviri belleği süreci nasıl işler?

• Sözlükler ve üslup kılavuzları ÇB kapsamında değerlendirilir mi? Bunlar nasıl güncel tutulur?
• Hangi segmentlerin ÇB için 'alakalı' sayılacağına nasıl karar verilir?
• Yapay zekanın ne kadar bağlama ihtiyacı var? Ne kadarı az, ne kadarı çok gelir?
• Bir müşterinin telifli ve hassas bilgilerinin asla başka müşterilere sızmamasını nasıl sağlarsınız?

Transept'te tam olarak bunu çözmemiz gerekiyordu. Çevirmen artık sadece insandan ibaret değilse, çeviri belleği ne ifade etmeli? Peki, insanın bu bellekle çalışmasını, sadece niteliksiz bir veri yığınını ayıklamak yerine nasıl anlamlı kılabiliriz?

Bizi o derin ve karmaşık arayışa sürükleyen de işte bu soruydu.

Yapay zeka çevirisinde çeviri belleği nedir?

Geleneksel olarak çeviri belleği, çevrilmiş metin çiftlerinden oluşan yapılandırılmış bir veri tabanıdır. Her bir çift genellikle şunları içerir:

• Kaynak segment (orijinal metin).
• Hedef segment (çeviri).
• Meta veriler — çeviriyi kimin yaptığı, ne zaman onaylandığı ve çevresindeki bağlam.

Bir çevirmen yeni bir belge açtığında ÇB yazılımı metni tarar, veri tabanıyla karşılaştırır ve bir eşleşme bulduğunda önceki çeviriyi önerir.

Bu, klasik BDÇ tanımıdır. Büyük dil modelleri (LLM) ve otonom çeviri sistemleriyle çalışmaya başladığınızda, sürece çok daha fazla veri ögesi dahil olur:

• Yapay zekanın kullandığı terminolojiyi tutarlı kılmak için çeviri süreciyle birlikte oluşturulan sözlükler.
• Yapay zeka aracılarının işi birbirlerine devrederken hazırladıkları devir notları ve özetler.
• Çeviri, düzenleme ve son okuma sırasında aracıların oluşturduğu düşünce izleri; yani her kararın ardındaki gerekçeler.
• Aracılar ve insanlar arasındaki iletişim bağlamı: sohbetler, yanıt dizileri, arama geçmişleri, Slack/Teams verileri.

Figure 2 · Anatomy of a TM record

What a translation memory stores now

Traditional CATAI-era (agentic)

just the pair

SourcePure steel rejects lacquers and paints

Target«Чиста сталь відкидає лаки та фарби»

Metadataapproved by · date · file & context

…and what the agents also kept

Thinking trace

weighing  "rejects lacquers and paints"
  ├ literal    «відкидає лаки та фарби»   keeps the metaphor ✓
  ├ smoother   «не приймає покриття»      clearer, but flattens it
  └ decision   go literal, the bluntness is the point

Glossary

steel → сталь🔒paints → фарби

Handoff note

translator → editor

“Kept the steel metaphor literal. Check it reads naturally in UK.”

Discussion

Maria is «відкидає» too harsh for a product line?

Literess It mirrors the source’s bluntness. I’d keep it.

Switch to AI-era to see what an agentic pipeline adds →

Bu bilgiler insanlar için hâlâ faydalı olsa da yapay zekâlar için hayati önem taşıyor. Bu sayede model; insan çevirmenlerin dokümanlarında, zihinlerinde ve diyaloglarında barındırdığı bağlamı yeniden kurgulayabiliyor. İşin ilginç yanı, LLM tabanlı çeviri süreçleri ÇB ve BDÇ araçlarına insanlardan çok daha fazla ihtiyaç duyuyor; zira bir insan sadece bir kalem, kâğıt ve sözlükle de pekâlâ çeviri yapabilir.

Çeviri belleği eşleşmelerinin işleyişi

ÇB yazılımı, içeriği segment adı verilen daha küçük parçalara (genellikle bir cümle, başlık veya buton etiketi) ayırır. Ardından eşleşme aramaya başlar. ÇB'nin bu eşleşmeleri nasıl aradığı, tüm bu alanın en kritik uzmanlık konusudur.

• Tam eşleşmeler: Yeni segment, veritabanındaki bir kayıtla %100 aynıdır. Yazılım, bu durumda çeviriyi otomatik olarak doldurabilir.
• Bulanık (fuzzy) eşleşmeler: Benzerdir ancak özdeş değildir. Bir insanın gözden geçirmesi, güncellemesi veya referans alması için işaretlenir. Genellikle "seyrek arama" (sparse search) mantığıyla çalışır; cümledeki her kelime veya kök aranır, ardından veritabanındaki segmentler ortak öğe sayısına göre puanlanır.
• Anlamsal eşleşmeler: Kelimeler birebir örtüşmese bile, veritabanındaki bir segmentin benzer bir anlam taşımasıdır. Burada yoğun arama (dense search) yani vektör gömmeleri (embeddings) ve veri getirme (retrieval) yöntemleri kullanılır. Bildiğimiz klasik RAG kurgusu.

Geleneksel TM'ler tam ve benzer eşleşmelere dayanırdı. LLM'ler ise işin içine semantik katmanı kattı. Ancak yüksek performans için tek başına semantik arama hala yeterli değil.

Edebi çeviride, özel isimlerin ve kurgusal evrenin tutarlılığını korumak için benzer terim eşleşmeleri kritiktir. Sağlık alanında ise aynı durum pek çok farklı şekilde ifade edilebildiğinden semantik aramanın yardımcı olması beklenir; ancak bu durum bazen ters teper. Genel amaçlı bir gömme modeli (embedder) için ileum ve ilium arasındaki mesafe, crimson ve scarlet arasındaki mesafe kadar azdır.

(İleum ince bağırsağın son bölümüdür; ilium ise kalça kemiğinin üst kısmındaki geniş kemiktir. Bunlar, genel kapsamlı semantik uzayda 'sağlık meselesi' denilip aynı kefeye konan, aslında birbiriyle tamamen alakasız terimlerdir.)

Yani güvenlik bariyerlerine ihtiyacınız var. Dolayısıyla 2026'da çeviri belleklerinden beklenen varsayılan standart şudur:

• Çeviri geçmişinden en alakalı sonuçları elde etmek için tam, bulanık ve anlamsal eşleşmelerin birleştirildiği hibrit arama.
• Adayların alaka düzeyini belirlemek için gerçek bağlama göre yeniden puanlandığı yeniden sıralama.
• Bir insanın veya ajanın veritabanını keşfetmek için bir eşleşmeden en yakın komşularına geçebildiği ağaç gezintisi.

Piyasanın geri kalanı çeviri belleğini nasıl ele alıyor

Her ciddi yerelleştirme aracı geçmiş çevirileri saklayabilir ve bunları tekrar önerebilir. Asıl önemli sorular şunlardır: Sistem neyi hatırlar, bu belleğe ne zaman güvenir ve bu belleği bir sonraki aşamada nerede kullanır?

Bu açıdan bakıldığında piyasa üç seviyeye ayrılır: tekrar kullanım olarak bellek, yönetişim olarak bellek ve yapay zeka yakıtı olarak bellek. Transept'in iddiası ise dördüncü bir seviyedir: karar bağlamı olarak bellek.

Seviye 1: Yeniden kullanım olarak bellek

Klasik CAT araçları, TM dünyasının en eski sorusuna yanıt verir: "Bunu daha önce çevirmiş miydik?"

Bu araçlar hiç de ilkel değil; birçoğu bağlama duyarlı eşleştirme, parça geri çağırma, MT eklentileri, ekip sunucuları ve güçlü editör iş akışları gibi özellikler sunuyor. Ne var ki bellek, burada daha çok editörün yanı başında duran bir öneri kaynağı işlevi görüyor. Çevirmenin eski işlerini tekrar kullanmasını sağlasa da, bir çevirinin neden diğerine tercih edildiğine dair arka plan bilgisini genellikle saklamıyor.

• Trados / RWS, klasik CAT araçları için temel referans noktasıdır; tam eşleşme, bulanık eşleşme, konkordans ve bağlam içi tam eşleşmelerde oldukça güçlüdür. Geniş Trados ekosistemi artık yapay zeka ve Language Weaver iş akışlarını da kapsıyor. Yine de TM söz konusu olduğunda, temel mantık hâlâ bir CAT ortamı içinde segmentlerin yeniden kullanılmasından ibaret.
• memoQ, klasik TM yaklaşımını özellikle bağlam konusunda epey ileriye taşıyor. %101 ve %102 eşleşme özelliği, aynı segmentin aynı noktada geçip geçmediğini tespit etmeye çalışır ki bu durum yazılım metinleri, tekrarlanan etiketler ve yapılandırılmış dosyalar için kritiktir. Geri çağırma yöntemi akıllıca olsa da, belleğe alınan nesne nihayetinde yine bağlam içindeki segmentten ibarettir.
• Wordfast, TM kullanımını taşınabilir ve pratik hale getiriyor. Wordfast Anywhere; çevirmenlere tarayıcı tabanlı paylaşımlı TM'ler, sözlükler, QA ve MT imkanı sunuyor. Buradaki asıl değer, kararlara dair daha derin bir bellek değil, erişilebilirlik ve yeniden kullanımdır.
• OmegaT ve CafeTran, kapsamlı yeniden kullanımın sadece kurumsal araçlara mahsus olmadığını gösteriyor. Ücretsiz ve açık kaynaklı bulanık eşleşme, eşleşme yayma, çoklu TM ve sözlük desteğinin yanı sıra ileri düzey kullanıcılar için ekip odaklı TM sunucuları sunuyorlar.

Yani çıta zaten oldukça yüksek. Düşük maliyetli ve bağımsız araçlar bile çevirileri gayet iyi hatırlıyor ve yeniden kullanıyor. Ticari rekabet, yeniden kullanımdan sonra ne yapıldığı noktasında başlıyor.

Seviye 2: Yönetişim olarak bellek

Bir sonraki grup farklı bir soru soruyor: "Bu müşteri, ekip, proje veya iş akışı için hangi belleğe güvenilmeli?"

• Phrase TMS, belleği; TM, terim bankaları, MT motor profilleri, Phrase Language AI, kalite puanlama ve QA gibi araçları barındıran daha geniş bir platform içindeki yönetilen bir kaynak olarak ele alır. Kapsamı geniştir ancak TM'nin kendisi hâlâ esas olarak yeniden kullanılabilir segmentleri saklamaktan ibarettir.
• Crowdin, belleği proje ölçeğinde kullanışlı hale getirir: Otomatik oluşturulan proje TM'leri, sadece onaylanmış çevirileri saklama seçeneği ve düz %100 eşleşmeler ile "Kusursuz" (metin ve bağlam) eşleşmeler arasındaki ayrım. Metin dizilerini önceden doldurur ancak kararların arkasındaki mantığı değil, sadece onaylanmış metni hatırlar.
• Smartcat, belleği ilişkiler (müşteriler, departmanlar, çalışma alanları, Yapay Zeka Çeviri Profilleri) etrafında organize eder; ilgili bellekleri ve sözlükleri otomatik olarak bağlayıp bir TM'yi yazmaya açık tutarken diğerlerini salt okunur yapar. Güçlü yanı yönlendirme ve sahipliktir.
• XTM Cloud, belleği bir statüye ve korumaya ihtiyaç duyan bir unsur olarak ele alır: Girişler onaylı veya onaysız olabilir, ham makine çevirisi (MT) otomatik olarak kaydedilmez, değişiklik takibi yapılan segmentler kabul edilene veya reddedilene kadar bekletilir ve ayarlar onaylanmamış belleklerin önerilip önerilmeyeceğine karar verir. Buradaki asıl mesele güven denetimidir.
• Wordbee, kalıcı Çeviri Belleklerini (TM) geçici Proje Belleklerinden ayırır. Proje Belleği canlı çalışmayı yakalar ve işlem sırasında segment önerileri sunabilir; sonrasında ise kullanışlı kısımlar bir ana TM'de birleştirilir. Canlı belge bağlamına yakındır ancak nihayetinde hâlâ bir segment deposudur.
• Bureau Works kontrole odaklanır; departmanlara bağlı bellekler, okuma/yazma izinleri (operasyonel çevirmenler bunları kullanabilir; sadece yerelleştirme liderleri bunlara ekleme yapabilir) ve TM, LLM, klasik makine çevirisi ile sözlükleri harmanlayan tek bir öneri akışı sunar. Güçlüdür, yer yer bunaltıcı olabilir ve nihai karar hâlâ önerileri okuyan insana aittir.
• MateCat, TM için MyMemory'ye ve MT için ModernMT'ye bağlı bir web CAT editörüdür. Genel ve özel bellekler makine çevirisi önerilerini besler ve çevirmen çalıştıkça yapılan canlı düzeltmeler çıktıyı iyileştirir; bu durum, MT'nin yanındaki basit bir TM'den ziyade "uyarlanabilir MT'yi besleyen TM" yaklaşımına daha yakındır. Yine de bellek; segmentler, eşleşmeler ve düzeltmeler anlamına gelmeye devam eder.

Seviye 3: Yapay zeka yakıtı olarak bellek

En yeni grup, yapay zeka çeviri ürettiğinde, düzenlediğinde veya çeviriden bir şeyler öğrendiğinde neler olacağını sorguluyor. Makine çıktısı belleğe dönüşebilir mi? Önce bir incelemeden geçmesi mi gerekir? Kalite puanı insan onayının yerini alabilir mi? TM, motorun kendisini yönlendirebilir mi?

• Lilt, TM'yi uyarlanabilir makine çevirisi (MT) için bir yakıt olarak ele alır; onaylanmış çeviri birimleri ve terim bankası verileri zamanla tahmine dayalı önerileri geliştirir. Buradaki asıl yaklaşım, motorun içindeki uyarlanabilir tahmindir; yorumları, reddedilen alternatifleri ve inceleme mantığını kapsayan daha geniş bir bellek değildir.
• Smartling kaynak bilgisini net bir şekilde ortaya koyar: Yapay zeka çıktıları ayrı bir Makine Tarafından Oluşturulan Çeviri Belleği'ne aktarılabilirken, insan ürünü veya insan tarafından doğrulanmış çalışmalar normal TM'de tutulur. Güçlü bir güven modeli; yapay zeka çıktısı yeniden kullanılabilir ancak asla fark ettirilmeden insan onaylıymış gibi sunulmaz.
• Lokalise, inceleme sürecini bir güven eşiği olarak kullanır: Yapay zeka veya makine çevirileri, incelemeci metne dokunmasa bile bir İnceleme görevi sırasında onaylandığında TM'ye girebilir. Yapay zeka çıktıları kalıcı bellek statüsü kazanabilir ancak bu sadece bir insan adımıyla mümkündür; bu da süreci yavaşlatır ve kararların sahada anlık olarak verilip kaydedilmesi gereken küçük ekipler için ideal değildir.
• Transifex, TQI'yı bir otomasyon eşiği olarak kullanır. Normal şartlarda üretilen çeviriler inceleme görmeden TM'ye girmez; ancak Transifex AI, bir çeviriyi Çeviri Kalite Endeksi (TQI) ile puanlayabilir ve belirlenen eşiğin üzerindeki çeviriler otomatik olarak eklenebilir. Buradaki pürüz şu: Bu tescilli endekse güvenmeniz gerekir.
• Phrase Language AI, işleri farklı motorlar ve ajan tabanlı iş akışları arasında yönlendiren, kalite tahminini kullanan, sözlükleri uygulayan, MT profillerini yöneten ve kendi motorunu getir (BYO) desteği sunan bir orkestrasyon katmanıdır. Sistem tasarımı güçlüdür ancak TM; MT, sözlük, QA ve yönlendirme arasındaki girdilerden biri olmaya devam eder.

Piyasada tespit ettiğimiz boşluk

Tüm bu alanlarda piyasa; nihai çeviriyi saklama, insan ve makine çıktılarını birbirinden ayırma, doğru belleği yönlendirme ve yapay zeka çıktısının ne zaman yeniden kullanılabileceğine karar verme konularında giderek ustalaşıyor. Biz tüm bunları halihazırda olması gereken standartlar olarak kabul ettik.

Hâlâ nadir görülen şey, çeviri sürecine eşlik eden emeğin belleğidir. Çok az araç; reddedilen alternatifleri, yorumları, inceleme geçmişini, arama bağlamını, onay mantığını ve bir versiyonun neden tercih edildiğini açıklayan karar yolunu muhafaza eder. Çeviri süreci bu "mühendislik cevherini" doğal bir şekilde üretse de neredeyse hiç kimse onu gün yüzüne çıkarmaya zahmet etmedi.

Bundan daha da nadir olanı ise, bu geçmişi yetkin bir LLM'e geri besleyerek bir sonraki çevirinin sadece nihai çıktıyı değil, o sonuca varan muhakemeyi de kullanmasını sağlamaktır.

Transept olarak ortaya koyduğumuz iddia tam da bu. Çeviri belleği, cümle ne kadar önemli olursa olsun, sadece o cümleyi hatırlamakla kalmamalı; cümleyi güvenilir kılan süreci de hafızasında tutmalıdır. TM; hem insanlar hem de yapay zekalar için ortak bir karar bağlamı haline gelmelidir.

Figure 7 · Memory as decision context

Transept remembers the work behind the sentence

The approved segment · EN → FR · idiom

It costs an arm and a leg

«Ça coûte les yeux de la tête»

Everyone stores this

Context fed to the next translationkept 1 / 7

+Rejected alternativesadd

✓«Ça coûte les yeux de la tête»· the French idiom, same idea and register

✗«Ça coûte un bras et une jambe»· a literal calque, reads as a translation

✗«C’est très cher»· accurate, but flattens the colour

+Thinking traceadd

"costs an arm and a leg": an idiom, translate the meaning
  · a literal calque would read as a translation
  · plain "très cher" is accurate but loses the colour
  → use the French idiom for the same idea

+QA findingsadd

✓idiom mapped, not calqued

✓register matches source (casual)

⚠length checked, fits the button

+Version logadd

v1machine«un bras et une jambe»

v2Literess«les yeux de la tête»

v3humanapproved · current ✓

+Discussionadd

Maria Keep the body-part image, or go fully idiomatic?

Literess French has its own: «les yeux de la tête». Same register, lands natively.

+Omnichannel contextadd

🔍web: “arm and a leg french equivalent”📖dictionary: coûter les yeux de la tête💬comment: matches our playful brand voice

Reveal all layers

Right now the next translation sees only the final sentence, the same memory the market keeps. It can copy the style; it can’t replay the logic.

Transept çeviri belleğini nasıl uyguluyor?

Transept olarak, LLM'lerle (Büyük Dil Modelleri) ulaşılabilecek çeviri kalitesinde çıtayı en üst seviyeye taşımayı hedefliyoruz.

Henüz yatırım almamış, bireysel yazar ve çevirmenler olduğumuz dönemde, yapay zeka erişebildiğimiz tek çözümdü. LLM'ler insan katkısı olmadan tam potansiyellerini sergileyemez; ancak bu katkı dünyadaki en değerli kaynaktır: bir insanın ömründen ayırdığı zaman. Bu yüzden belleği pasif bir veri tabanı olarak görmek yerine, onu iş akışının aktif bir katılımcısı olarak kurguladık. O, sürekli besleniyor ve sürekli karşılığını veriyor.

Hibrit arama ve ayrıntılı filtreleme

Transept'in çeviri belleği, benzerlik (fuzzy) ve vektör tabanlı erişimi birleştiren, hızlı ve isabetli bir hibrit arama sistemiyle çalışır. Ancak veriye erişmek işin sadece yarısıdır; diğer yarısı ise hangi verilerin getirileceği üzerinde kontrol sahibi olmaktır.

Belleğe nelerin dahil edileceğini tam olarak filtreleyebilirsiniz: İster tüm kurumun kütüphanesinden yararlanın, ister tek bir ekibin portföyüne odaklanın, isterseniz de kapsamı tek bir projeyle sınırlandırın. Sistem varsayılan olarak yalnızca TMS durumları üzerinden manuel onay almış belgeleri dahil eder, ancak bu tercihi ekip, belge veya proje düzeyinde değiştirebilirsiniz.

Hem insanlar hem de yapay zeka aracıları, reddedilen alternatifler ve nihai kararın ardındaki tartışmalar da dahil olmak üzere en alakalı geçmiş çevirileri görür. Sadece neyin seçildiğini değil, nedenini de görürsünüz.

Kademeli çeviri belleği temellendirmesi

Otomatik yapay zeka iş akışları için, LLM'lerin performansını artırmak amacıyla "kademeli çeviri belleği temellendirmesi" adını verdiğimiz bir sistem geliştirdik:

• Gerçek zamanlı belge senkronizasyonu: Yapay zeka, çeviri yaparken sadece onaylı TM kaynaklarını değil, aynı belgedeki önceki segmentleri de tarar; böylece elinizde katı bir sözlük veya stil kılavuzu olmasa bile terim, üslup ve tercih tutarlılığını sağlar.
• Güvenli redaksiyon: Yapay zeka metinleri kontrol ederken veya geliştirirken, aynı belgeye ait segmentler ancak Yapay Zeka Editörü tarafından onaylandığı takdirde bağlam olarak kullanılır. Bu durum, modelin halüsinasyon görmesini veya eski hataları tekrar gün yüzüne çıkarmasını engeller.
• Paralel aracı senkronizasyonu: Çok büyük belgeler aynı anda birden fazla aracı tarafından çevrilirken, kararların metnin geneline yayılması için bellekleri sürekli olarak senkronize edilir. Bu büyük bir teknik engeldi, ancak 40.000 kelimelik bir belgenin çeviri süresini 8 saatten 50 dakikaya indirdi.

Genişletilmiş bağlam ve iş akışı kontrolü

Doğru kararları ve insan yeteneğini sisteme dahil etmenin bir yolunu bulduktan sonra, derin bağlam ve iş akışı kolaylığı konularında daha da ileriye gittik:

• Çok kanallı bağlam: Sohbetler, yorumlar ve belge aramaları, hem insanların hem de yapay zekanın bir çevirinin ardındaki bağlamı bulmasına yardımcı olur — web aramaları, sözlük sorguları, editör yorumları, ekip arkadaşları ve Literess ile yapılan görüşmeler.
• Ayarlanabilir iş akışları: Transept'in otomatik iş akışları, TM kullanarak da belgeleri iyileştirebilir. Ekipleri varsayılan bir davranışa zorlamak yerine, belleğin her adımda nasıl işleyeceğine ince ayar yapmalarına olanak tanıyoruz.
• Versiyon alternatifleri: Çeviri sürümü kayıtları, ekiplerin çok sayıda yapay zeka veya insan taslağı arasından hangisinin seçildiğini hatırlamasına yardımcı olur — böylece bellek, bir çevirinin sadece üslubunu değil, mantığını da yeniden üretebilir.
• İnceleme katmanında Literess: Literess, belleği doğrudan inceleme sürecine taşır. Belgeye yorum yapmak, sorunları açıklamak, düzeltmeler önermek ve insan incelemecinin son kararı vermesine yardımcı olmak için sözlük, üslup kılavuzu, belge bağlamı, önceki segmentler, kalite kontrol bulguları ve çeviri geçmişinden yararlanır.

İnsan-Yapay Zeka özellik eşitliği

Özellik eşitliği, Transept felsefesinin temel taşlarından biridir. Çevirmenlerin iş akışları büyük farklılıklar gösterdiğinden, her aracın, bellek katmanının ve bağlam penceresinin hem insan uzmanlar hem de yapay zeka temsilcileri için eşit derecede erişilebilir olmasını sağlıyoruz.

Sonuç, iş sürecine aktif olarak dahil olan bir bellek katmanıdır. Bir insanın eski dosyalarda bir kelimenin nasıl çevrildiğini manuel olarak kontrol etmesi yerine; sistem bu bağlamı taslak aşamasında yapay zekaya aktarır, kalite kontrol sırasında hataları işaretlemek için kullanır ve insan incelemecinin önüne getirir.

Ekip, tekrarlayan tutarlılık işlerini yönetmeyi bırakıp neyin kulağa daha doğru geldiğine karar vermeye geri döner. Yapay zeka hiçbir şeyin unutulmamasını sağlarken Transept, süreç boyunca alınan her yaratıcı veya hukuki kararı kayıt altına alır.