Çok dilli ürün kataloğunda ilk kontrolüm çevirinin akıcılığı değil, iki dilin aynı ürünü anlatıp anlatmadığı olur. Başlık değişebilir; ürün kimliği, ölçü, malzeme ve kutu içeriği değişmemeli. Yapay zekâyı metin önerisi hazırlamak için kullanırım; eksik ürün bilgisini tamamlamasına izin vermem. Aşağıdaki akış benim önerdiğim çalışma yöntemidir; gerçekleşmiş bir müşteri projesinin sonuçlarını anlatmıyor.
Her dili aynı ürün kaydına bağlarım
Ürün ve varyant için sabit kimlik kullanırım. Başlığı eşleştirme anahtarı yapmam: aynı ürün iki dilde farklı isim taşıyabilir, benzer isimler de farklı varyantlara ait olabilir. Kaynak kaydında değer, birim, belgenin yeri ve son kontrol tarihi bulunmasını isterim.
Çevrilecek metinle doğrulanacak olguyu ayırırım. “Mavi” için yerel ifade seçmek başka, ölçüyü dönüştürmek başka iştir. Beden etiketlerini yalnız kelime benzerliğiyle eşlemem. Hangi ülkenin ölçü tablosuna bağlı olduğunu önce belirlerim. Kategori yapısı için de ürün kategori eşleme rehberindeki sabit kimlik yaklaşımını kullanırım.
Belirsizliği bir inceleme kuyruğuna alırım
| Durum | Örnek | Kararım |
|---|---|---|
| Eksik bilgi | Malzeme belirtilmemiş | Bilgiyi bilinmiyor olarak tutar, kaynak isterim |
| Çelişki | İki belgede farklı genişlik | Doğru kaydı ürün sorumlusuna doğrulatırım |
| Yerel terim | Aynı kelime iki kategoriye uyuyor | Onaylı sözlük ve kullanım bağlamını incelerim |
| Birim | Santimetreden başka birime dönüşüm | Hesabı ayrı yapar, sonucu kontrol ederim |
| İddia | Çeviride dayanıklılık sözü güçleniyor | Kaynağın desteklediği ifadeye dönerim |
Sözlüğü malzeme, uyumluluk, bakım ve kutu içeriği gibi satın alma kararını etkileyen alanlardan başlatırım. Her terimde tercih edilen ifade, kaçınılacak anlam ve örnek bulunur. Sözlük değiştiğinde hangi ürünlerin yeniden inceleneceğini kaydederim.
Örnek: “pamuk hissi” nasıl yanlış vaade dönüşür?
Varsayımsal bir üründe kaynak yalnız “pamuk hissi veren yüzey” diyor olsun. İngilizce öneride “cotton fabric” yazılması, dokunuş tarifini malzeme bilgisine dönüştürür. Ben bu öneriyi yayımlamam. Malzemeyi üretici kaydından doğrular; kanıt yoksa pamuk bileşimi iddiasını kaldırırım. Bu örnek gerçek bir ürünün bileşimi hakkında bilgi vermez.
Kontrol tablomda ürün kimliği, kaynak ifade, TR önerisi, EN önerisi, sorun türü, inceleyen kişi ve karar bulunur. “Akıcı” olmak kabul için yeterli değildir. Sayılar, olumsuzluklar ve “dahil değildir” ifadeleri de iki dilde aynı anlamı korumalıdır.
Yapay zekâdan metin ve açık sorunları ayrı isterim
İstediğim çıktı üç parçadır: önerilen açıklama, kullanılan kaynak alanları ve çözülemeyen sorular. Eksik değerin tahmin edilmesini istemem. NIST'in üretken yapay zekâ risk profili, yanlış içeriğin kendinden emin biçimde üretilebilmesini bir risk olarak ele alır. Bu nedenle olgusal kontrolü dil kalitesinden ayrı değerlendiririm.
Yayın ve sonraki değişiklikleri birlikte düşünürüm
Önce sınırlı bir örnek grubunu iki dili bilen bir okuyucuya inceletirim. Benzer model isimleri, farklı birimler, aksesuarı hariç ürünler ve boş alanlar bu grupta yer alır. Kaynağı yetersiz üründe sistemin durabildiğini de kontrol ederim.
Yayından önce ürün-varyant eşleşmesini, sayıları, vaatleri, dil bağlantılarını ve müşterinin göreceği açıklamayı birlikte gözden geçiririm. Kaynak bilgi değişince yalnız bir cümleyi değil, etkilenen bütün dilleri inceleme kuyruğuna alırım. Kaynak sürümü, onay kararı ve yayımlanan metin birbirine bağlı kalır. Böylece hatayı bulduğumda hangi metni geri alacağım belli olur.