본문으로 건너뛰기

부분 번역 (사람 + 기계)

핵심 아이디어: 대표 샘플을 직접 번역하고, 해당 샘플에서 기계 번역 방식이 사람의 스타일과 일치함을 입증한 다음, 나머지 대량의 내용을 자동으로 번역하는 거예요. 사람의 품질과 기계의 확장성을 결합하는 방식으로, 사람이 기준을 정하고 기계가 그 기준을 따라가요.

:::info 이것은 완성된 구현이 아니라 쿡북이에요 이 가이드는 사람-기계 하이브리드 워크플로를 개략적으로 설명해요. 특히 번역 에이전시, 커뮤니티 언어 작업자, 그리고 교육 환경에 적합해요. :::

언제 사용하나요​

  • 유창한 화자에게 접근할 수 있지만 그들의 시간이 제한적일 때
  • 대량을 번역해야 하지만 일부만 완벽하면 될 때
  • 사람 번역으로 품질 기준선을 확립한 다음 MT로 확장하고 싶을 때
  • 일부에 대한 사람 검토가 가능한 교육 또는 커뮤니티 환경에서 작업할 때

작동 방식​

[Full corpus: 1,000 entries]
        │
        ├── [100 entries] ──→ Human translator ──→ Gold translations
        │                                              │
        │                                              ▼
        │                                    Train / prompt machine
        │                                    method to match style
        │                                              │
        └── [900 entries] ──→ Machine method ──→ Auto translations
                                                       │
                                                       ▼
                                              [Optional: human review
                                               of flagged entries]
  1. 대표 샘플 선택 — 다양한 문장 유형, 길이, 주제를 포괄해요
  2. 샘플을 사람이 번역 — 스타일, 격식, 용어에 대한 골드 스탠더드를 확립해요
  3. 기계 번역 방식 구성 — 사람의 번역을 코칭 데이터, few-shot 예시, 또는 파인튜닝 데이터로 사용해요
  4. 사람 샘플로 기계 채점 — 기계가 사람의 스타일과 일치하나요?
  5. 나머지 자동 번역 — 샘플에서 기계 품질이 허용 가능하다면요
  6. 선택적 사람 검토 — 신뢰도가 낮은 출력을 화자 검토를 위해 표시해요

품질 보증: 스타일 일치 테스트​

# Translate the human-translated sample with your machine method
python eval/baseline_experiment.py \
  --dataset data/human-sample.json \
  --condition coached-v3

# Compare: does the machine match the human translator's choices?
# Look at: chrF++ (similarity), FST acceptance (validity),
# and qualitative patterns (register, formality, terminology)

샘플 선택​

분포를 포괄하세요. 100개 항목에는 다음이 포함되어야 해요:

  • 짧은 구절(1~3 단어)과 완전한 문장
  • 일반 어휘와 도메인 특정 용어
  • 단순한 구조와 복잡한 구조
  • 여러 문법적 특징(의문문, 명령문, 조건문)

쉬운 것만 골라내지 마세요. 샘플에는 번역 방식이 어려움을 겪을 가능성이 높은 항목이 포함되어야 해요. 바로 그 지점에서 사람의 품질이 가장 중요해요.

커뮤니티 검토 워크플로​

원주민 언어 커뮤니티의 경우, 이 접근 방식은 화자의 시간을 존중해요:

  1. 화자가 50~100개 항목을 번역 (집중 작업 2~4시간)
  2. 기계가 나머지 900개를 번역 — 화자의 작업을 코칭 데이터로 사용해요
  3. 화자가 표시된 항목을 검토 — 기계가 가장 신뢰도가 낮았던 항목만 검토해요 (추가 1~2시간)
  4. 결과: 약 50시간이 아닌 약 5시간의 화자 시간으로 사람에 가까운 품질의 번역 1,000개를 얻어요

장단점​

✅ 사람의 품질과 기계의 확장성을 결합❌ 초기 사람 투자가 필요
✅ 제한적인 화자 가용성을 존중❌ 기계가 모든 스타일적 뉘앙스를 포착하지 못할 수 있음
✅ 자연스러운 품질 보증 워크플로❌ 샘플 선택이 전체 품질에 영향을 줌
✅ 커뮤니티/교육 환경에 적합❌ 표시된 항목에 대한 사람 검토 병목

함께 사용하면 좋은 방법​

참고 자료​