Agentic AI Translate: An Agentic Translator Prototype for Translation as Communication Design

Technische Samenvatting: Agentic AI Translate

Probleemstelling
Het artikel identificeert een fundamentele verschuiving in het vertaal landschap, gedreven door Large Language Models (LLM's). Waar statistische en neurale systemen het "wat" van vertaling (lexicale en grammaticale getrouwheid) grotendeels hebben opgelost, is het bereiken van hoge vloeiendheid en idiomatiek nu een basisvereiste ("Must-Be") kwaliteit. De grens van waarde is verschoven naar het "hoe": register, publieksontwerp, stem, houding en culturele framing. Huidige machinevertaalparadigma's behandelen deze communicatieve dimensies doorgaans als impliciet of passen ze toe via naschrijven. Het artikel betoogt dat de vocabulaire van de Vertaalwetenschap (TS) – concepten als skopos, register en equivalentie – is uitgegroeid tot een instructiecode voor generatieve AI, terwijl bestaande systemen een architectuur missen die deze theoretische kaders operationaliseert als expliciete, gestructureerde invoer in plaats van ongestructureerde tekstconversie.

Methodologie
De auteurs presenteren Agentic AI Translate, een onderzoeksprototype dat de these operationaliseert dat vertaling "communicatieontwerp" is in plaats van tekstconversie. Het systeem vervangt het standaard paradigma van tekst-in/tekst-uit door een gestructureerde, vierfasige agentische cyclus, voorafgegaan door een interactieve specificatiefase.

1. Interactieve Specificatiefase: Voordat er gegenereerd wordt, engageert de gebruiker zich in een door het model ondersteund dialoog om een gestructureerd vertaalaanvraag (translation brief) samen te stellen. Deze brief is gegrondvest in TS-concepten (skopos, publiek, register, genre) en behandelt tien canonieke secties (bijv. "Te behouden zaken", "Te localiseren zaken"). Het systeem dwingt een "vergrendelings"-mechanisme af, zodat geen enkele vertaling plaatsvindt zonder een expliciete, door de gebruiker goedgekeurde specificatie.
2. De Vierfasige Agentische Cyclus:
   • Identificatie: Een LLM-call haalt situational analyse (skopos, publiek, register, enz.) uit de brontekst en zet deze om in een gestructureerd JSON-formaat.
   • Prompting: Een deterministisch Python-script assembleert de definitieve prompt, waarbij de vergrendelde specificatie van de gebruiker, de identificatie-JSON, referentiematerialen en documentniveau-geheugen worden geïntegreerd.
   • Generatie: Een enkele LLM-call (temperatuur 0,3) produceert de conceptvertaling.
   • Verificatie: Een LLM als rechter evalueert de output tegen dezelfde vergrendelde specificatie met behulp van het GEMBA-MQM-protocol. Het identificeert foutsegmenten, wijst MQM-categorieën toe (Nauwkeurigheid, Vloeiendheid, Terminologie, enz.) en ernstniveaus, en berekent een deterministische score. Als de score onder een drempelwaarde valt, wordt de foutenlijst teruggevoerd als actieerbare instructies voor een verfijningsslus (beperkt tot twee iteraties).
3. Documentniveau-Coherentie: Om lange invoer te hanteren, maakt het systeem gebruik van een "DelTA-lite" geheugensysteem. Dit onderhoudt een lopend register van eigennamen, een tweetalige samenvatting van de voortgang van het document en directe context uit het vorige chunk, en injecteert deze in daaropvolgende generatie-prompten om terminologische en toon-consistentie te waarborgen.
4. Referentiematerialen: Het systeem accepteert vier categorieën referentie-invoer (Glossaria, Gekoppelde Voorbeelden, Parallelle Teksten, Stijlgidsen), die worden geïnjecteerd in de specificatievoorstel-, generatie- en verificatiefasen.

Belangrijkste Bijdragen
De primaire bijdrage van het artikel is architecturaal en conceptueel, niet empirisch.

• Uitvoerbare Belichaming van Theorie: Het systeem biedt een werkende codebase die de metataal van de Vertaalwetenschap (specifiek de kaders van Reiss, Nord, House en Vermeer) vertaalt naar machine-leesbare instructies. Het demonstreert dat theoretische concepten kunnen dienen als directe operationele beperkingen voor LLM's.
• De "Spec-gedreven" Architectuur: Het prototype dwingt een workflow af waarbij de vertaler optreedt als "ontwerper" (het definiëren van voorwaarden) en "verificateur" (het beoordelen van functionele geschiktheid), in plaats van als handmatige opsteller. De scheiding van de situationele analyse (Fase 1) van de generatie maakt inspecteerbare, leesbare artefacten mogelijk, waardoor het vertaalproces transparant wordt.
• Open-Source Implementatie: Het systeem is vrijgegeven als een open-source Python-prototype (ongeveer 1.200 regels) met gebruik van de Anthropic SDK en Streamlit, zonder noodzaak voor fine-tuning, vector-databases of GPU-resources. Het is volledig afhankelijk van prompt engineering en stroomcontrole.

Resultaten
Het artikel stelt expliciet dat geen enkele empirische validatie is uitgevoerd.

• De auteurs presenteren geen vergelijkende MQM-scores, gebruikersstudies of kwantitatieve data die aantonen dat deze architectuur betere vertalingen produceert dan ongestructureerde prompting of standaard MT.
• De "resultaten" zijn beperkt tot informele observaties op meerparagraafstest-invoer, waarbij het DelTA-lite-geheugen succesvol consistentie handhaafde voor eigennamen (bijv. Natsume Soseki versus Kushami-sensei) over verschillende chunks heen.
• Het artikel erkent dat de huidige verificatiefase, die dezelfde modelfamilie gebruikt voor zowel generatie als beoordeling, een beperking is vanwege potentieel zelf-preferentie bias.

Betekenis en Beweringen
Het artikel claimt betekenis als een conceptueel proof-of-concept. Het betoogt dat de "automatiseringsparadox" (waarbij het genereren van tekst makkelijk is, maar het waarborgen dat het een specifiek doel vervult moeilijk is) kan worden opgelost door de vocabulaire van de Vertaalwetenschap te behandelen als de instructie-set voor AI.

• Filosofische Verschuiving: Het systeem operationaliseert het inzicht dat de rol van de vertaler in het GenAI-tijdperk het ontwerpen van voorwaarden (stem, register, publiek) en het verifiëren van het communicatieve doel is, in plaats van zins-voor-zins opstellen.
• Transparantie: Door het proces te ontleden in distincte, gelogde fasen (Identificatie, Prompting, Generatie, Verificatie), maakt het systeem de "black box" van LLM-vertaling leesbaar en inspecteerbaar, wat wordt gepresenteerd als een pedagogische en onderzoeks-noodzaak.
• Toekomstige Richting: De auteurs positioneren dit prototype als de basis voor toekomstig onderzoek, specifiek de behoefte aan gecontroleerde vergelijkende studies om te valideren of expliciete specificatie leidt tot meetbare winst in "aantrekkelijke kwaliteit" (stijl, toon, culturele geschiktheid) en de ontwikkeling van gestructureerde JSON-schema's ter vervanging van vrije markdown-specificaties.