Was taugen maschinelle Übersetzungssysteme wie DeepL, Google Translate & Co.?

In den letzten Jahren hat sich die maschinelle Übersetzung dank enormer digitalte Datenbestände, sprachregelbasierter Systeme und dank neuronaler Netzwerke deutlich weiterentwickelt.
Für viele ist dadurch der Eindruck entstanden, dass damit ein Qualitätsniveau erreicht wird, das mit dem von Humanübersetzern übersetzten Texten vergleichbar wäre. 

Die Realität ist jedoch differenzierter zu betrachten: Die Texte sehen zwar auf den ersten Blick gut aus, doch stellten wir bei Tests fest, dass bei der Übersetzung häufig Satzteile nicht mitübersetzt werden, Füllwörter eingefügt oder unterschlagen werden. Laien, die die zwar beide Sprachen verstehen, dürften Schwierigkeiten haben, gravierende terminologische Fehler, falsche Bezüge und fehlerhafte kontextuelle Zuordnungen zu erkennen, da die Übersetzung ja eigentlich sprachlich (grammatikalisch) „gut und richtig“ klingt.

Hinzu kommt, dass bei maschinellen Übersetzungssystemen unternehmenseigene Fachterminologie, ein firmeneigener Styleguide und eigene TM-Fragmente nicht berücksichtigt werden. 
DeepL schlägt z. B. jedes Mal neue Terminologie vor und analysiert auch nicht wie ein Humanübersetzer den Gesamtkontext eines Textes, "denkt" also auch nicht satzübergreifend. Ergebnis: Den Texten fehlt es an Konsistenz.

Aspekt des Datenschutzes

Sämtliche Texte, die in maschinelle Systeme eingegeben werden, werden auf Servern irgendwo für die Verarbeitung gespeichert.
In Bezug auf personenbezogene Daten und das Urheberrecht kann dies kritisch sein, da damit Daten an Dritte weitergegeben werden.
Ein Verstoß gegen datenschutzrechtliche Bestimmungen kann Unternehmen teuer zu stehen kommen.

Der Schein trügt und der Teufel steckt bekanntlich im Detail

Weitere Informationen zu den Fallstricken von DeepL finden Sie unter:

https://www.linkedin.com/pulse/deepls-hidden-icebergs-example-andrea-bernard-the-spark/

https://dvud.de/2019/03/augen-auf-bei-maschinenuebersetzungen/