Texte übersetzen, interpretieren und selbst erstellen – Künstliche Intelligenz beherrscht all dies bereits. Large Language Models (LLM) gehen hier noch einen bedeutenden Schritt weiter: Unter Einsatz von Deep Learning sollen die Ergebnisse nicht mehr von menschlich generierten Texten unterscheidbar werden. Die Sprachmodelle sind sehr weit gediehen und geraten doch an ihre Grenzen – die Grenzen der menschlichen Kultur. Wie Sprachdienstleister auf die maschinellen Sprachmodelle reagieren.
Das Österreichische kennt zum Beispiel eine Form des Superlativs, die in Deutschland völlig unbekannt ist. Macht der Nachbar Lärm, ist es „laut“. Macht er viel Lärm, ist es „zu laut“. Macht er aber richtig Krach, ist es nun „ein bisserl sehr laut“. Das typisch österreichische Relativieren massiver Kritik ist grammatikalisch nicht zu erfassen – man muss die Bedeutung kennen und vor allem fühlen. Das berühmte Bonmot, Österreicher:innen und Deutsche würden durch die gemeinsame Sprache getrennt, stammt zwar nicht von Karl Kraus, wie meist kolportiert wird, es hätte dem Meister aber wohl gefallen.
Large Language Models: wie sie sich anfühlen
Wer regelmäßig mit Programmen wie ChatGPT arbeitet oder zumindest damit gespielt hat, kennt den Effekt: Die Ergebnisse sind beeindruckend, echte Fehler werden immer seltener. Doch immer wieder generiert die Künstliche Intelligenz Phrasen, die sich eigenartig anfühlen, die einfach nicht zu stimmen scheinen, ohne dass man den Finger auf die konkrete Textwunde legen könnte. Kein Zufall daher, dass man von Lehrenden an Schulen oder Universitäten immer häufiger die gleiche Aussage hört: Sie würden KI-generierte Texte bereits beim ersten Anlesen erkennen. Hier liegt auch die Gefahr für Übersetzungen: wenn die Quelle schon sprachlich holpert, wird das durch die abermalige Übersetzung durch die Künstliche Intelligenz eher schlimmer als besser.
Dem Menschen auf der Spur?
ChatGPT gehört in den Bereich der Large Language Models, und die verfolgen das Ziel, genau diesen Effekt zu eliminieren. Die Grundlage dafür bilden Techniken des Deep Learning und künstlicher neuronaler Netzwerke. LLM sollen die Künstliche Intelligenz letztlich dazu befähigen, so zu kommunizieren, dass Menschen den Unterschied nicht mehr erkennen – etwa im Zusammenhang mit Chatbots. Dazu gehört auch die Vision, die KI werde eines Tages die Stimmungslage des menschlichen Gegenübers erkennen und adäquat darauf reagieren können. Noch aber sind die Sprachmodelle nicht so weit.
Der Mensch ist das beste Sprachmodell
Die Basis von LLM ist die Berechnung von Vorhersagen: Wie wird ein Text mit der höchsten Wahrscheinlichkeit fortgesetzt? Dafür werden die LLM mit Unmengen an Texten „gefüttert“ und im Anschluss trainiert. Ein Training, das meist dem gleichen Ablauf folgt: Während des unsupervised Learnings wird das Modell mit unstrukturierten Daten trainiert – es durchforstet also eigenständig Texte aus Quellen wie Wikipedia, Medien oder öffentlich zugänglichen Büchern. Im zweiten Schritt, dem self-supervised Learning, werden unstrukturierte Daten eliminiert und strukturierte Daten eingespielt. Und schließlich kommt es zum Feintuning, etwa in Form positiven oder negativen Feedbacks. Mit anderen Worten: Am Ende legen Menschen Hand an den Algorithmus beziehungsweise dessen Ergebnisse.
Die unüberwindliche Hürde: Zwischentöne und Emotion
Dieser Schritt ist es, der den Menschen noch lange nicht aus der Gleichung nehmen wird. So beeindruckend die Ergebnisse maschineller Übersetzungs- und Textgenerierungs-Technologien auch sind: Das eigentliche Sprachverständnis, die Zwischentöne und die Emotion, die in Texte verwoben sind, können sie nicht abdecken. Hinzu kommt, dass sich Sprache permanent verändert. Als Sprechende und Schreibende formen wir sie jeden Tag neu. Eine andauernde Metamorphose, die nur gefühlt und nicht berechnet werden kann. Ein Beispiel dafür: Während sich in deutschen Texten das Gendern längst als Norm etabliert hat, liefern die meisten Übersetzungs-Tools ausschließlich maskuline Formen. Die immer wieder befürchteten massiven Auswirkungen von LLM auf das eigenständige Arbeiten von Schüler:innen und Student:innen scheinen – siehe oben – am Sprachgefühl der Lehrenden zu zerschellen. Gleiches gilt im Business-Umfeld, auch hier müssen Menschen nach wie vor Hand an den Text legen.
Übersetzungen von Mensch und Maschine
Die Entwicklung der Sprachmodelle vom Typ LLM hat selbstverständlich auch Auswirkungen auf Sprachdienstleister. Dass die Technologie immer häufiger bessere Ergebnisse liefert als die Machine Translation (etwa durch DeepL), ist mittlerweile unumstritten. Was jedoch im Falle interner Kommunikation oder Produkt-Informationen ausreicht, kann im Zusammenhang mit Marketing, mit Verträgen oder gar medizinischen Produktinformationen schnell sehr kritisch werden. LLM sind dabei keineswegs die „Gegner“ der Sprachdienstleister – im Gegenteil: Sie erweitern deren Palette um Angebote wie Post Editing, die im ersten Schritt eine automatisierte Übersetzung bieten, die dann im zweiten Schritt von Profis überarbeitet, auf Kontext und kulturelle Unterschiede überprüft und entsprechend angepasst und optimiert wird. Die Kund:innen erhalten somit das Beste aus beiden Welten. Ein weiteres Zitat, das Karl Kraus zugeschrieben wird, lautet: „Am unverständlichsten reden die Leute daher, denen die Sprache zu nichts anderem dient, als sich verständlich zu machen.“ Falls er es wirklich so gesagt hat, hat er es gut gesagt.
