Als vertaalmachines kunnen denken, gooi ik de handdoek in de ring

Hoe vaak ik dat al niet gehoord heb. Zeker nu met ChatGPT . Het is waar, het ziet er ogenschijnlijk zeer goed uit, maar als het zo simpel was, dan hoefde je niet meer te studeren om teksten te vertalen (of te schrijven).  Ik zal niet beweren dat je artificiële intelligentie niet kan inzetten als hulpmiddel – het kan je een zetje geven als je vastzit of je een op idee brengen waar je zelf nooit op zou komen. Maar het moet altijd met een korrel zout worden genomen, dat wil zeggen, altijd minstens gedubbelcheckt. En zeer kritisch bekeken.

Elk jaar doe ik een soortgelijke proef met DeepL (*). Ik probeer hiervoor altijd een soortgelijke tekst te nemen om goed te kunnen vergelijken. Dit jaar deed zich de kans voor met een Franse vertaling rond arbeidsveiligheid. Het ging om een reeks Franse Powerpoints, dus het moest beknopt maar duidelijk zijn (leg dat maar eens uit aan DeepL). Omdat er daarna weer een technische Franse vertaling binnenkwam, waar ik mijn tanden op stuk heb gebeten, was ik wel benieuwd of artificiële intelligentie, nl. DeepL misschien in dit geval een meerwaarde kon zijn, of de machinevertaalsoftware misschien een aanzet richting de vertaling kon geven of met nog betere voorstellen dan mijn vertaling kwam.

Hieronder lees je mijn bevindingen. Links zie je het origineel. Rechts zie je de machinevertaling.

Vertaald met www.DeepL.com/Translator (gratis versie)

Gek genoeg blijft DeepL bij zeer algemene terminologie vaak de bal misslaan, of maakt hij er telkens iets anders van. Zo spreekt hij eerst van ‘machinist operator’ en later van ‘machinist’, terwijl het operator of machineoperator moet zijn. Of – als je naar de context kijkt – gewoon chauffeur.

Ook ‘ Une conduite éco-défensive’ lijkt mij een zeer algemene term.

Daarnaast is de uitdrukking ‘niet medisch geschikt zijn’, maar ‘medisch geschikt bevonden zijn’ (de operator/chauffeur moet medisch gekeurd zijn).

Over ‘fluoscerend vest’ zou je kunnen twisten, maar aangezien het een Powerpoint is, zou ik voor het kortere ‘fluohesje’ gaan. Dan loop je na de vertaling het minst risico dat je lay-outaanpassingen moet doen.

DeepL weet niet dat dit een Powerpoint is wat er onder het vetgedrukte staat een opsomming is. Dit zorgt ervoor dat je vaak heel wat werk hebt om zinsconstructies te verbeteren. Ik vraag me af wat het snelste is: het zelf typen of het corrigeren. Bovendien is DeepL niet consequent in hoofdlettergebruik.

‘ Conduit un équipement de travail’ vertalen als ‘bedient een arbeidsmiddel’ is bijzonder gek. Bij ‘conduire’ zou je op z’n minst verwachten dat DeepL weet dat het een voertuig is, temeer omdat je weet dat er op de prentjes een wiellader staat. ‘Het besturen van dergelijke apparatuur’ valt hier ook onder.

Daarnaast legt hij geen verbanden tussen de zinnen: ‘son image de marque’ slaat op de ‘entreprise’ en niet op de machinist. Het moet hier dus bedrijfsimago zijn.

Veel zinnen zijn voor verbetering vatbaar en zou ik persoonlijk niet zelf zo schrijven, omdat ze stroef aanvoelen.

“Een vertaling pas goed is als je niet ziet dat het een vertaling is”

Dat is mijn motto maar dat is bij machinevertalingen onbegonnen werk. Dan heb je heel veel correctiewerk – en nogmaals, wat is sneller, het zelf typen of het corrigeren.

Toch zijn er registerfouten die niet door de beugel kunnen: ‘bekleden’ is in deze context heel stroef, net zoals ‘Handhaaf orde en netheid’

In sommige gevallen zit er maar één ding op: de hele vertaling wissen en opnieuw beginnen:

Zeg nu zelf: ‘ Met dergelijke machines rijden betekent dat u een job uitvoert met de nodige verantwoordelijkheid ’ klinkt toch veel beter dan ‘Het besturen van dergelijke apparatuur betekent dat u zich in een positie bevindt van een verantwoordelijke positie’?

En dan nu een echt pittig stukje…

Vertaald met www.DeepL.com/Translator (gratis versie)

Waar artificiële intelligentie – machinevertaling – een voordeel zou kunnen zijn, is bij minder gebruikelijke terminologie die je zelf ook moet gaan opzoeken. Van een goede machinevertaalsoftware zou ik verwachten dat hij de frequentie van de mogelijke vertalingen aftoetst en kiest voor de meest gebruikelijke. Dan zou hij op dezelfde conclusies zijn gekomen als ik:

Andere voorbeelden waar ik toch beter had verwacht, zijn:

Als professionele vertaler reflecteer je je vertaling. Dat wil zeggen dat als je verder in de vertaling ineens tot een inzicht komt, dat je dan aanpast in het reeds vertaalde stuk.

– programme de 8 logements : project van 8 wooneenheden (het gaat hier om twee gebouwencomplexen, dus geen losse ‘woningen’). ‘ Programme’ klinkt mij hier heel vertaald, in de context past ‘project’ duidelijk beter.

Ik blijf nog steeds bij mijn standpunt dat op z’n minst DeepL (ik heb nog geen ervaring met andere machinevertaaltools) nog steeds heel vaak de bal compleet misslaat en dan maar letterlijk gaat vertalen zonder na te denken. Dat is iets wat je bij startende vertalers ook heel vaak merkt, maar dat er langzaamaan uitslijt. Maar als ze vertrekken van artificiële intelligentie die ze dan moeten verbeteren, dan vrees ik dat dit er niet op gaat verbeteren. Dan krijg je zinnen zoals:

Een professionele vertaler die van scratch begint, maakt er iets van zoals:

Wil je weten of artificiële intelligentie nuttig kan zijn om te besparen op copywriting en vertalingen? Lees dan zeker volgend artikel: ChatGPT for copywriting and transcreation.

(*) Kleine voetnoot: aangezien ik na een jaar de betalende versie DeepLPro aan de kant heb geschoven, gebeuren mijn tests altijd met de gratis versie. Het is best mogelijk dat de betalende versie beter is, maar ik stel me zeer grote vragen bij hoe dat komt: aangezien het bedrijf achter DeepL beweert dat in de DeepLpro-versie je vertalingen niet worden opgeslagen, hoe kan DeepL dan leren van zijn fouten? Hoe kan het dan beter worden? Alleen als het echt effectief leert van zijn eigen fouten – van jouw correcties dus – kan het verbeteren, maar daarvoor heb je binnen de CAT-tool (Computer Aided Translation Tool) een andere mogelijkheid: een automatisch geheugen dat je traint met je eigen werk (‘Muse’).