Нейросетевой переводчик ошибается в 50% случаев реже, чем профессиональный переводчик.

Современные нейросетевые переводчики, основанные на архитектуре трансформеров, демонстрируют парадоксальный результат: они ошибаются на 50% реже, чем средний профессиональный переводчик. Это открытие стало возможным благодаря масштабному обучению на миллиардах текстов из интернета и параллельных корпусов. Системы вроде DeepL (основана на исследованиях европейских лингвистов в 2017 году) и нейросетевые модели Google Translate используют механизм внимания, позволяющий учитывать контекст на всей длине текста одновременно, в отличие от ранних рекуррентных сетей. Этот прорыв имеет масштабные практические последствия. Профессиональные переводчики теперь всё чаще работают не с нуля, а редактируют машинный перевод — процесс называется постредактированием. Это ускорило локализацию программного обеспечения, медицинской документации и научных статей в несколько раз. Компании сокращают затраты на перевод примерно на 40%, сохраняя качество благодаря гибридному подходу. Однако цифра в 50% ошибок требует уточнения: речь идёт о метриках типа BLEU и TER, которые сравнивают переводы со стандартными эталонами. Нейросети по-прежнему спотыкаются на идиоматических выражениях, культурных аллюзиях и узконаучной терминологии. К примеру, в юридических текстах или художественной прозе машина часто теряет нюансы. Кроме того, нейросетевые системы могут «галлюцинировать» — добавлять информацию, которой нет в оригинале, особенно при переводе редких языков с малым объёмом тренировочных данных.