RAG-Architektur für KI-Übersetzung mit Translation Memory, Terminologie und Unternehmenssprache

KI-Übersetzung mit RAG:
Unternehmenssprache für KI nutzen

KI-Übersetzung mit RAG verbindet generative KI mit dem individuellen Sprachwissen eines Unternehmens. Translation Memories, Terminologiedatenbanken, Styleguides und bestehende Übersetzungen dienen dabei als Wissensquellen.

Denn ein allgemeines KI-Modell kennt zwar sehr viel Sprache – aber nicht automatisch die Begriffe, Formulierungen und Übersetzungsentscheidungen, die ein Unternehmen über Jahre aufgebaut hat. Mit Retrieval Augmented Generation (RAG) wird dieses Wissen bei der Übersetzung gezielt miteinbezogen.

Warum allgemeine KI die Unternehmenssprache nicht kennt

Generative KI bzw. ein Large Language Model (LLM) kann Texte übersetzen. Für eine wirklich kundenspezifische KI-Übersetzung reicht allgemeines Sprachwissen jedoch nicht immer aus.

Denn Unternehmen haben häufig ihre eigene Sprache:

Fachbegriffe und bevorzugte Übersetzungen
Produkt- und Markennamen
wiederkehrende Formulierungen
Schreibstil und Styleguide-Vorgaben
geprüfte Übersetzungen und branchenspezifisches Fachwissen

Das Wissen darüber steckt typischerweise in Translation Memories, Terminologiedatenbanken, Glossaren, Styleguides, bestehenden Übersetzungen oder Publikationen und Dokumentationen.

Eine KI oder ein LLM berücksichtigt dieses Wissen jedoch nur, wenn es ihr vorgängig als Trainingsmaterial zur Verfügung gestellt wurde. Und selbst wenn bestimmte Informationen irgendwann für das Training verwendet wurden, bedeutet das nicht, dass das Modell auch die aktuell gültige (geänderte) Unternehmenssprache kennt.

RAG-Übersetzung:
Unternehmenswissen als Kontext

RAG steht für Retrieval Augmented Generation. Gemeint ist ein Ansatz, bei dem eine generative KI nicht nur auf ihr allgemeines Modellwissen zurückgreift, sondern gezielt relevante Informationen aus externen Wissensquellen abruft und als Kontext verwendet.

Das Prinzip ist relativ einfach:

Ein Unternehmen verfügt über relevante Sprachressourcen.
Bei einer Übersetzung sucht das System nach den Informationen, die für den konkreten Text relevant sind.
Diese Informationen werden der generativen KI als Kontext übergeben.
Die KI erstellt die Übersetzung unter Berücksichtigung dieses Kontextes.

Die Unternehmensdaten müssen dafür nicht fest in das Sprachmodell integriert oder das Modell aufwendig neu trainiert werden. Relevante Informationen werden stattdessen bei Bedarf abgerufen und als Kontext bereitgestellt.

Architektur-Vorteil: Warum RAG dem Fine-Tuning überlegen ist

Unternehmen wollen und können ihre sensiblen Translation Memories und Glossare nicht ständig in riesige LLMs eintrainieren. Dies scheitert an hohen Kosten, Datenschutzrisiken und einer schnellen Veralterung der Daten. RAG löst dieses Problem elegant, indem das Unternehmenswissen modular, aktuell und datenschutzkonform als dynamischer Kontext angedockt wird.

Genau darin liegt der besondere Mehrwert einer RAG-Übersetzung.

Was bringt RAG für KI-Übersetzungen von Unternehmen?

Ein RAG-System in Verbindung mit KI-Übersetzungen bringt zahlreiche Vorteile:

konsistentere Terminologie
Nutzung bestehender Übersetzungen
Berücksichtigung der Corporate Language
weniger manuelle Vorgaben im Übersetzungsprozess
skalierbare KI-Übersetzungsprozesse

Retrieval, Augmentation, Generation (RAG)

Der Begriff Retrieval Augmented Generation beschreibt drei Schritte:

Retrieval
Relevante Inhalte werden aus Translation Memory, Terminologiedatenbank, Styleguide und weiteren Quellen abgerufen.
Augmentation
Die gefundenen Informationen werden als Kontext für die konkrete Übersetzungsaufgabe aufbereitet und der generativen KI bereitgestellt.
Generation
Das generative KI-Modell erstellt auf Basis von Ausgangstext und zusätzlichem Kontext die Übersetzung.

Weiterführende technische Details dazu liefert die AWS-Dokumentation zu RAG.

Welche Unternehmensdaten
kann RAG nutzen?

Für eine kundenspezifische KI-Übersetzung kommen unterschiedliche Wissensquellen infrage.

Translation Memory

Terminologiedatenbank und Glossare

Styleguide

Bestehende Unternehmenstexte

RAG und Unternehmenssprache: vom Sprachmodell zum Unternehmenskontext

Der entscheidende Unterschied zwischen «KI» und «KI mit RAG» lässt sich vereinfacht so darstellen:

	Generative KI	Generative KI mit RAG
Sprachwissen	Allgemeines Modellwissen	Allgemeines Modellwissen + Unternehmenskontext
Terminologie	Allgemeines Sprach-/Fachwissen	Zusätzlich unternehmensspezifische Terminologie
Frühere Übersetzungen	Nicht automatisch verfügbar	Relevante TM-Inhalte können abgerufen werden
Unternehmensstil	Nicht automatisch bekannt	Styleguide und bestehende Texte können berücksichtigt werden
Beispiel	Wie könnte man diesen Begriff übersetzen?	Wie verwendet dieses Unternehmen diesen Begriff?

Das ist ein wichtiger Perspektivwechsel: Die KI muss nicht das gesamte Unternehmenswissen «auswendig» kennen. Sie bekommt vielmehr die Informationen, die sie für die konkrete Übersetzungsaufgabe benötigt.

Damit schlägt RAG die Brücke zwischen allgemeiner generativer KI und individueller Unternehmenssprache.

RAG-Übersetzung, generative KI und maschinelle Übersetzung im Vergleich

Ansatz	Grundlage	Unternehmenswissen	Typischer Vorteil
Klassische maschinelle Übersetzung	trainiertes Übersetzungsmodell	teilweise über Zusatzsysteme	Geschwindigkeit
Generative KI	LLM	allgemeines Modellwissen	Kontext, Flexibilität
Generative KI + RAG	LLM + externe Wissensquellen	gezielt abrufbar	Unternehmenskontext
RAG + TM + Terminologie + Post-Editing	LLM + Unternehmensressourcen + Fachprüfung	umfassend	Qualität + Konsistenz + Kontrolle

Translation Memory und generative KI: Wie RAG beides verbindet

RAG-Übersetzung für Unternehmen: Geeignete Einsatzbereiche

Eine RAG-Übersetzung ist nicht automatisch eine gute Übersetzung

So vielversprechend der Ansatz ist: Eine RAG-Übersetzung allein garantiert keine hohe Übersetzungsqualität. Eine RAG-Architektur ist nur so gut wie ihr Retrieval und die zugrunde liegende Wissensbasis.

Wenn das System falsche Informationen findet, wichtige Informationen übersieht oder veraltete Übersetzungen als relevant einstuft, kann auch die anschliessende generative KI zu einem falschen Ergebnis kommen.

Entscheidend sind deshalb unter anderem:

die Qualität der zugrunde liegenden Sprachdaten
eine saubere Terminologie
die Aktualität der Ressourcen
die Strukturierung und Aufbereitung der Daten
die Qualität des Retrievals
die Auswahl des passenden Kontextes
die fachliche und sprachliche Kontrolle der Ergebnisse

Bei unternehmensinternen Daten kommen zudem Datenschutz- und Sicherheitsanforderungen hinzu. Welche Daten für ein RAG-System verwendet werden dürfen und wo sie verarbeitet werden, sollte deshalb Teil der technischen und organisatorischen Konzeption sein.

RAG ist somit kein Ersatz für einen professionellen Übersetzungsprozess. Es ist vielmehr eine Architektur, mit der vorhandenes Sprachwissen gezielter in einen KI-Prozess eingebunden werden kann.

Die wichtige Rolle von Fachübersetzer:innen und Post-Editing

Der grösste Nutzen entsteht bei kundenspezifischen Übersetzungen nicht zwangsläufig durch ein Entweder-oder zwischen KI und Mensch. Vielmehr können beide Seiten unterschiedliche Aufgaben übernehmen.

Die KI kann grosse Mengen an Informationen verarbeiten, relevante Inhalte aus Unternehmensressourcen abrufen und daraus schnell einen Übersetzungsvorschlag erzeugen.

Im Post-Editing beurteilen Fachübersetzer:innen und Lektor:innen, ob Terminologie, Kontext, Fachlichkeit, Stil und Aussage tatsächlich stimmen.

Besonders interessant ist dabei der Rückkopplungseffekt: Geprüfte Übersetzungen können wiederum in Translation Memory und Terminologiedatenbank einfliessen. Dadurch verbessert sich die Datenbasis für zukünftige Übersetzungen.

Aus dem einmaligen Übersetzungsvorgang kann so ein fortlaufender Lern- und Qualitätssicherungsprozess entstehen – ohne dass das generative Modell selbst ständig neu trainiert werden muss.

KI-Übersetzung und Post-Editing

RAG-Übersetzung als nächste Entwicklungsstufe

Die Entwicklung der KI-Übersetzung geht damit in eine neue Richtung.

Maschinelle Übersetzung
Die erste Phase bestand vor allem darin, Übersetzungen schneller und in grösserem Umfang zu erstellen.
Generative KI
Mit generativer KI kam eine Technologie hinzu, die Texte stärker kontextbezogen formulieren und unterschiedliche sprachliche Anforderungen berücksichtigen kann.
RAG-Übersetzung: Unternehmenswissen als Kontext
Die wichtigste Entwicklung liegt darin, generative KI systematisch und unkompliziert mit dem individuellen Sprachwissen eines Unternehmens zu verbinden. RAG bietet dafür einen interessanten Ansatz.

Die entscheidende Ressource ist damit nicht nur das Sprachmodell selbst, sondern seine Verbindung mit dem spezifischen Sprachwissen des Unternehmens.

Fazit: Unternehmenssprache
wird zur KI-Ressource

Eine kundenspezifische KI-Übersetzung mit RAG muss nicht bedeuten, ein eigenes Sprachmodell für jedes Unternehmen zu trainieren. Mit Retrieval Augmented Generation lässt sich relevantes Unternehmenswissen bei Bedarf abrufen und der generativen KI als Kontext bereitstellen.

Translation Memory, Terminologiedatenbanken, Styleguides und bestehende Übersetzungen werden damit zu wichtigen Bausteinen einer KI-gestützten Übersetzungsarchitektur. RAG ist damit insbesondere dort interessant, wo Unternehmen bereits über umfangreiche und hochwertige Sprachressourcen verfügen. Das ist beispielsweise dann der Fall, wenn ein Unternehmen bereits mit einem professionellen Übersetzungsdienstleister arbeitet. Im Rahmen solcher Übersetzungsprozesse entstehen häufig kundenspezifische Translation Memories und Terminologiedatenbanken, die später als wertvolle Wissensquellen für KI-gestützte Übersetzungen dienen können.

Die entscheidende Frage lautet künftig also nicht mehr nur: Welches KI-Modell übersetzt am besten? Sondern: Welche KI kann das Sprachwissen meines Unternehmens am besten nutzen?