Analysis of Numerical Localisation in LLM Translations

تخيل أنك تحاول إرسال بطاقة بريدية إلى صديق في بلد آخر. كتبت التاريخ كـ "07/04/2024". بالنسبة لك، هو الرابع من يوليو. أما بالنسبة لصديقك في المملكة المتحدة، فهو السابع من أبريل. إذا كنت ترسل وصفة طعام، أو تحويلاً بنكياً، أو صيغة علمية، فإن الخطأ في الأرقام والتواريخ ليس مجرد خطأ مطبعي؛ بل هو كارثة. هذا هو عالم التوطين (Localisation). بينما الترجمة (Translation) تشبه استبدال الكلمات (تغيير "dog" إلى "Hund")، فإن التوطين يشبه تغيير الزي الكامل للمعلومات ليتناسب مع الثقافة المحلية. إنه قرار ما إذا كنت سترتدي بدلة رسمية أم "تاكسيدو"، أو في هذه الحالة، ما إذا كنت ستستخدم فاصلة أو نقطة لفصل الأرقام العشرية.

دخلت نماذج اللغات الكبيرة (LLMs) على الخط. فكر في هذه النماذج كأنها روبوتات ذكية للغاية وسريعة جداً قرأت كل شيء تقريباً على الإنترنت. هي بارعة في كتابة القصص وترجمة الجمل، لكنها تتعثر أحياناً عندما يتعلق الأمر بالقواعد الصارمة للأرقام والتواريخ. قد تعرف أن "1,000" تعني ألفاً، لكنها قد تنسى أن هذا الرقم نفسه يُكتب في ألمانيا كـ "1.000". يبحث هذا البحث في زاوية محددة من علوم الذكاء الاصطناعي: هل يمكن لهذه العقول الروبوتية ألا تكتفي بترجمة الكلمات فحسب، بل أن تقوم أيضاً بـ "إلباس" الأرقام والتواريخ بشكل صحيح لتناسب بلداً جديداً؟ إنه سؤال حيوي لأنه إذا أخطأ الذكاء الاصطناعي في التوطين، فقد يحول جرعة طبية آمنة إلى جرعة خطيرة، أو ربحاً صغيراً إلى خسارة فادحة.

عملية التجميل الكبرى للأرقام

في هذه الدراسة، وضعت باحثة تُدعى باتريزيا كاي خمسة نماذج ذكاء اصطناٍ مختلفة للاختبار. لم تكن هذه النماذج ضخمة بحجم الحواسيب العملاقة التي تكلف الملايين لتشغيلها؛ بل اختارت خمسة نماذج "سلعية" أصغر يمكن تشغيلها على أجهزة عادية، مثل حاسوب ألعاب قوي. أرادت معرفة ما إذا كانت هذه النماذج تستطيع التعامل مع المهمة الصعبة المتمثلة في ترجمة النصوص من الإنجليزية إلى الألمانية (والعكس) مع ضبط الأرقام والتواريخ والأوقات بدقة وفقاً للقواعد المحلية.

وللقيام بذلك، صممت تجربة صغيرة. أخذت 700 جملة تحتوي على تواريخ وأوقات وأرقام من مصادر واقعية مثل سجلات البرلمان الأوروبي والوثائق الطبية. ثم طلبت من نماذج الذكاء الاصطناعي ترجمتها باستخدام أربعة "استراتيجيات" أو طرق مختلفة:

1. الترجمة المباشرة: مجرد سؤال الذكاء الاصطناعي: "ترجم هذه الجملة".
2. التعلم في السياق (ICL): إعطاء الذكاء الاصطنال مرجعاً في المطالبة (Prompt)، مثل قول: "تذكر، في الألمانية نستخدم نقطة للآلاف وفاصلة للأرقام العشرية".
3. سلسلة الأفكار (CoT): طلب من الذكاء الاصطناعي أن "يفكر بصوت عالٍ" ويشرح خطواته قبل إعطاء الإجابة.
4. ما بعد التحرير (Post-Editing): ترك الذكاء الاصطناعي يترجم أولاً، ثم استخدام نص برمجي منفصل للبحث عن الأرقام وتصحيحها يدوياً.

الفائز المفاجئ

كانت النتائج بمثابة تحول في الحبكة. في دراسة سابقة حول ترجمة الأرقام بين الإنجليزية والصينية، وجد الباحثون أن طريقة "ما بعد التحرير" (تصحيح الأرقام لاحقاً) كانت الأفضل. ولكن عندما اختبرت باتريزيا هذا على الإنجليزية والألمانية، كانت طريقة "ما بعد التحرير" هي الأسوأ فعلياً، حيث سجلت غالباً دقة أقل من 30%. يبدو أنه عندما يرتبك الذكاء الاصطناعي، فإن محاولة إصلاح الأرقام لاحقاً تؤدي فقط إلى إحداث فوضى.

كما أن طريقة "سلسلة الأفكৰ" (حيث يشرح الذكاء الاصطناعي منطقه) لم تساعد كثيراً؛ إذ أدت غالباً إلى جعل النماذج تعطي إجابات خاطئة أثناء محاولتها الظهور بمظهر الذكي في شرح كيفية وصولها للنتيجة.

أما البطل الحقيقي فقد تبين أنه التعلم في السياق (In-Context Learning). فعندما أضافت الباحثة ببساطة بعض التعليمات الواضحة إلى المطالبة — بإخبار الذكاء الاصطناعي بالضبط كيفية تنسيق الأرقام والتواريخ — أدت النماذج أداءً أفضل بشكل ملحوظ. وبالنسبة لأفضل نموذج أداءً (Qwen3-4B-Instruct-2507)، فقد عزز هذا "المرجع" البسيط الدقة إلى 91.7% للأرقام في اتجاه الإنجليزية إلى الألمانية، وهو تحسن طفيف عن نسبة 92.2% التي حققتها الترجمة المباشرة وحدها. ووجدت الدراسة أن هذا التحسن لم يكن مجرد تخمين محظوظ؛ فقد أكدت الاختبارات الإحصائية أن إضافة هذه القواعد إلى المطالبة أحدثت فرقاً حقيقياً وقابلاً للقياس مقارنة بالاستراتيجيات الأخرى.

ماذا عن العقول الأكبر؟

قد تعتقد أن نموذج ذكاء اصطناعي أكبر (بعدد أكبر من المعلمات/Parameters) سيؤدي دائماً وظيفة أفضل. ومع ذلك، وجدت الورقة البحثية أن الحجم لا يعني دائماً النجاح. تراوحت النماذج المختبرة بين 2 مليار و7 مليارات معلمة. ومن المثير للدهشة أن النموذج الذي يحتوي على 4 مليارات معلمة تفوق في كثير من الحالات على النماذج ذات الـ 7 مليارات معلمة. وهذا يشير إلى أنه بالنسبة لهذه المهمة المحددة، فإن امتلاك التعليمات الصحيحة أهم من امتلاك أكبر عقل.

اختبرت الدراسة أيضاً ما إذا كان إخبار الذكاء الاصطناعي بالضبط أي نسخة من الإنجليزية أو الألمانية يجب استخدامها (مثل "الإنجليزية البريطانية" مقابل "الألمانية من ألمانيا") يساعد في المهمة. لقد ساعد ذلك قليلاً، ولكن ليس بقدر ما فعل تقديم قواعد التنسيق في المطالبة.

الخلاصة

تشير هذه الورقة إلى أنه إذا كنت تريد من الذكاء الاصطناعي التعامل مع الأرقام والتواريخ بشكل صحيح عند الترجمة، فلا تكتفِ بطلب "بذل قصارى جهده". لا تعتمد عليه لإصلاح أخطائه لاحقاً، ولا تجبره على شرح تفكيره. بدلاً من ذلك، أعطه مجموعة واضحة من القواعد منذ البداية. من خلال دمج مبادئ التوطين مباشرة في المحادثة، يمكنك تحويل الروبوت المرتبك إلى مترجم دقيق. وبينما تعد النتائج خاصة بالنماذ والأزواج اللغوية التي تم اختبارها، إلا أن الطريقة تقدم وسيلة قابلة للتكرار لجعل ترجمات الذكاء الاصطناعي أكثر أماناً ودقة لأي شخص يتعامل مع المال أو العلوم أو الجداول الزمنية عبر الحدود.