DE 
EnglishStandard
Українська
Polski🌐 Übersetzungsqualitäts-Schätzer — Embedding-Ausrichtung live
Bewerten Sie maschinell übersetzte Satzpaare hinsichtlich Qualität mit echter sprachübergreifender Embedding-Ausrichtung und beobachten Sie, wie der Konfidenzwert subtile Bedeutungsverschiebung in Echtzeit verfolgt.
Über diese Simulation
Maschinelle Übersetzungssysteme liefern Ergebnisse in Millisekunden, doch zu wissen, ob dieses Ergebnis vertrauenswürdig ist, ist ein separates, schwierigeres Problem — meist gelöst durch Übersetzungsqualitätsschätzung (QE), die eine Übersetzung bewertet, ohne eine menschliche Referenz zu benötigen. Diese Simulation baut eine kleine, vollständig transparente QE-Pipeline: Quell- und übersetzte Wörter werden in einen gemeinsamen synthetischen Embedding-Raum platziert, in dem echte Übersetzungspaare nah beieinander liegen, Satzvektoren werden durch Mittelung von Wort- (und Wortpaar-)Embeddings gebildet, und der Qualitätswert ist die echte Kosinusähnlichkeit zwischen den beiden Satzvektoren — genau der Vergleich, den echte embeddingbasierte QE-Metriken durchführen.
🔬 Was gezeigt wird
Sechs Quell-/Übersetzungssatzpaare, jedes Wort auf einen deterministischen 20-dimensionalen Vektor abgebildet. Ein Wort und seine korrekte Übersetzung sind verrauschte Kopien desselben gemeinsamen „Konzept“-Vektors — ein Spielzeug-Stellvertreter für sprachübergreifende Embedding-Ausrichtung. Das Live-PCA-Streudiagramm projiziert jeden Wortvektor auf seine zwei Richtungen größter Varianz; die gestrichelte Linie zwischen den zwei größeren Zentroid-Punkten ist die Ausrichtungsdistanz auf Satzebene, und das untere Diagramm verfolgt den resultierenden Qualitätswert von 0–100 über die Zeit.
🎮 Bedienung
Wählen Sie ein Satzpaar, ziehen Sie dann den Verschiebungsbetrags-Regler, während ein Verschiebungsmodus — Ersetzen, Umordnen oder Weglassen — ausgewählt ist, und beobachten Sie, wie Qualitätswert, Kosinusähnlichkeit und PCA-Streudiagramm sofort reagieren. „Verschiebungsmuster neu würfeln“ randomisiert neu, welche Wörter auf jeder Verschiebungsstufe betroffen sind; „Verschiebung animieren“ fährt den Betrag automatisch auf und ab, sodass Sie eine vollständige Historie im Trenddiagramm aufbauen können.
💡 Wussten Sie schon?
Da der Satzvektor ein Bag-of-Embeddings-Mittelwert ist, verschlechtert reines Umordnen (jedes Wort behalten, aber die Positionen mischen) den Wert weit weniger als das Ersetzen oder Löschen von Inhaltswörtern — dieselbe Asymmetrie, die bei echten embeddingbasierten MT-Metriken zu beobachten ist, die weit besser darin sind, falsch übersetzte Bedeutung zu erkennen, als Wortreihenfolge allein zu bestrafen.
Häufig gestellte Fragen
Was ist Übersetzungsqualitätsschätzung (QE)?
Übersetzungsqualitätsschätzung sagt vorher, wie gut eine maschinelle Übersetzung ist, ohne Zugang zu einer menschlichen Referenzübersetzung. Echte QE-Systeme (wie COMET-QE oder OpenKiwi) führen den Quellsatz und die maschinelle Übersetzung durch einen mehrsprachigen Encoder und vergleichen die resultierenden Embeddings — Sätze mit derselben Bedeutung landen nah beieinander im gemeinsamen Embedding-Raum, während Fehlübersetzungen auseinanderdriften. Diese Simulation baut eine kleine, transparente Version derselben Idee: synthetische Wort-Embeddings, ein gemeinsamer sprachübergreifender Konzeptraum und ein echter Kosinusähnlichkeitswert.
Wie funktioniert der synthetische Embedding-Raum hier?
Jedes Wortkonzept erhält einen deterministischen 20-dimensionalen Vektor, erzeugt aus einem geseedeten Hash seines Namens. Ein Wort der Quellsprache und seine korrekte Übersetzung werden beide erzeugt, indem unabhängiges kleines Rauschen zu demselben gemeinsamen Konzeptvektor addiert wird — das ahmt nach, wie echte sprachübergreifende Embedding-Ausrichtung (z. B. MUSE, LASER oder eine über ein zweisprachiges Wörterbuch induzierte Abbildung) echte Übersetzungspaare nah beieinander platziert, obwohl es unterschiedliche Oberflächenwörter sind. Ein unabhängiges Ablenkerwort erhält seinen eigenen unabhängigen Vektor, sodass das Ersetzen durch das falsche Wort den Übersetzungsvektor vom Quellvektor wegdriften lässt.
Wie wird der Satzvektor aus Wortvektoren berechnet?
Jeder Satzvektor ist ein gewichteter Mittelwert seiner Wortvektoren (80 %) und seiner benachbarten Wortpaar- bzw. Bigramm-Vektoren (20 %). Wortvektoren zu mitteln ist die klassische Bag-of-Embeddings-Satzdarstellung; das Hinzufügen von Bigramm-Vektoren verleiht der Darstellung etwas Empfindlichkeit gegenüber der Wortreihenfolge, da das Umordnen von Wörtern ändert, welche Bigramme auftreten, obwohl dieselben Wörter noch vorhanden sind. Das ist derselbe Kompromiss, den echte fastText- oder SIF-artige Satz-Embeddings zwischen Einfachheit und Reihenfolgenempfindlichkeit eingehen.
Was misst der Qualitätswert tatsächlich?
Der Qualitätswert ist die Kosinusähnlichkeit zwischen dem Quellsatzvektor und dem Übersetzungssatzvektor, neu skaliert von ihrem typischen Bereich von −0,5…0,9 auf eine 0–100-Skala. Kosinusähnlichkeit misst den Winkel zwischen zwei Vektoren unabhängig von ihrer Länge — genau das, was embeddingbasierte QE-Metriken verwenden, um Bedeutung zu vergleichen und dabei oberflächliche Skalenunterschiede zu ignorieren. Eine treue Übersetzung hält diesen Winkel klein (hoher Wert); genug Wörter zu ersetzen, wegzulassen oder umzuordnen weitet den Winkel, und der Wert fällt in Echtzeit, während Sie den Verschiebungsregler bewegen.
Warum beeinflussen Ersetzung, Umordnung und Weglassen den Wert unterschiedlich?
Das Ersetzen eines Wortes tauscht seinen Vektor gegen einen unabhängigen aus, was den Durchschnitt stark vom Quellvektor wegzieht — schon wenige Ersetzungen zeigen einen großen Abfall. Das Weglassen von Wörtern schrumpft den Satzdurchschnitt in Richtung dessen, was übrig bleibt, was den Wert ebenfalls verschlechtert, sobald genug Inhalt fehlt, aber ein einzelnes fehlendes funktionsartiges Wort spielt weniger Rolle. Umordnen lässt den Vektor jedes Wortes im Satzdurchschnitt unverändert, sodass es sich nur über die Bigramm-Komponente zeigt — eine echte Widerspiegelung dessen, warum Bag-of-Words-artige Metriken weniger empfindlich auf Wortreihenfolge reagieren als auf tatsächliche Fehlübersetzung von Inhalt.
Was zeigt die PCA-Projektion im oberen Panel?
Das obere Panel nimmt jeden Wortvektor in den aktuellen Quell- und Übersetzungssätzen (alle 20-dimensional) und projiziert sie mittels Hauptkomponentenanalyse, live berechnet per Potenzmethode auf der Kovarianzmatrix, auf die 2 Richtungen größter Varianz. Das ist dieselbe Dimensionsreduktionstechnik, die zur Visualisierung echter Wort- und Satz-Embeddings verwendet wird (z. B. beim Plotten von BERT- oder word2vec-Vektoren). Die zwei größeren Punkte sind die Satzzentroide; die gestrichelte Linie zwischen ihnen ist das visuelle Analogon zur im Statistikpanel gezeigten Ausrichtungsdistanz.
Funktionieren produktive QE-Systeme für maschinelle Übersetzung wirklich so?
Der Kernmechanismus — Quell- und Übersetzungs-Embeddings mit Kosinusähnlichkeit in einem gemeinsamen sprachübergreifenden Raum zu vergleichen — ist tatsächlich, wie referenzfreie QE- und sprachübergreifende Retrieval-Systeme arbeiten. Vereinfacht ist hier das Embedding selbst: Produktivsysteme nutzen tiefe mehrsprachige Transformer-Encoder, trainiert an Milliarden von Wörtern, während diese Simulation kleine deterministische Pseudozufallsvektoren verwendet, damit die gesamte Pipeline im Browser nachvollziehbar und reproduzierbar bleibt. Die Mathematik von Ausrichtung, Mittelung und Kosinusvergleich ist jedoch die echte.