Translating LHCb's Documentation: First experiences and ensuring maintenance

De Large Hadron Collider, de krachtigste deeltjesversneller ter wereld, bevindt zich onder de grens van Frankrijk en Zwitserland en laat protonen op elkaar botsen om de omstandigheden van het universum vlak na de Big Bang te recreëren. Een van de experimenten die daar gehuisvest is, bekend als LHCb, richt zich op het begrijpen van de vraag waarom het universum uit materie bestaat in plaats van antimaterie. Om dit te doen, moeten duizenden wetenschappers van over de hele wereld samenwerken, waarbij ze complexe software gebruiken om door miljarden botsingsgebeurtenissen te zeven. Deze software is echter niet statisch; het verandert voortdurend naarmate de machine zelf wordt geüpgraded. Voor nieuwe onderzoekers die het team komen versterken, was het leren van dit voortdurend veranderende digitale landschap traditioneel een steile klim, waarbij men moest vertrouwen op een reeks online tutorials en jaarlijkse workshops in Genève. Terwijl het experiment een nieuwe fase van operationele werking inging, werd het team geconfronteerd met een praktische uitdaging: hoe houden zij deze vitale trainingsmaterialen accuraat, actueel en toegankelijk voor een groeiend aantal collaborators die andere talen spreken dan het Engels, met name die in China.

Het verhaal over hoe de LHCb-collaboratie dit probleem oploste, begint bij het besef dat hun bestaande trainingsmateriaal, bekend als de Starterkit, een volledige revisie nodig had. Het experiment had zojuist een enorme upgrade ondergaan, en de software die werd gebruikt om gegevens te analyseren, was zo drastisch veranderd dat de oude lessen niet langer nuttig waren. Het team schreef een nieuwe versie van deze lessen, maar erkende ook een demografische realiteit: China huisvest de grootste groep LHCb-wetenschappers buiten Europa. Veel van deze onderzoekers konden vanwege de afstand en visumvereisten niet gemakkelijk naar Zwitserland reizen voor de jaarlijkse fysieke workshop. Om ervoor te zorgen dat deze wetenschappers niet werden achtergelaten, besloot het team een parallel trainingsprogramma in China te organiseren, wat vereiste dat de gehele nieuwe set lessen naar het Mandarijn werd vertaald.

Het vertalen van honderden pagina's aan hoogtechnische natuurkundige documentatie is een ontmoedigende taak, vooral wanneer de tekst complexe code en gespecialiseerde jargon bevat die standaard vertaaltools vaak foutief interpreteren. De onderzoekers ontdekten dat als ze simpelweg een kunstmatige intelligentie vroegen om de tekst te vertalen, het resultaat vaak onnauwkeurig was, waarbij de machine ongeveer 20 procent van de tijd technische termen verzon of natuurkundige concepten verkeerd interpreteerde. Om dit op te lossen, bouwden ze een eigen systeem dat de snelheid van AI combineerde met de precisie van menselijke experts. Ze trainden eerst een lokaal AI-model op een geverifieerd woordenboek van natuurkundige termen, om er zeker van te zijn dat de machine de specifieke vocabulaire van het experiment begreep. De AI genereerde vervolgens een conceptvertaling, maar dit concept werd nooit direct gepubliceerd. In plaats daarvan werd het gerouteerd naar een panel van tweetalige natuurkundigen die het werk beoordeelden, eventuele subtiele fouten corrigeerden en ervoor zorgden dat de flow van de taal natuurlijk aanvoelde voor een moedertaalspreker.

Om dit systeem in de loop van de tijd soepel te laten verlopen, ontwierp het team een onderhoudswerkflow die voorkwam dat de Chinese versie achterliep op het Engelse origineel. Ze realiseerden zich dat als de Engelse lessen werden bijgewerkt, de Chinese versie onmiddellijk zou moeten veranderen om bruikbaar te blijven. Ze stelden een proces vast waarbij elke wijziging in de Engelse tekst automatisch een melding triggerde naar een speciale liaison in China. Deze persoon zou vervolgens de AI-ondersteunde tools gebruiken om het nieuwe materiaal te vertalen en te verifiëren. Cruciaal was dat het team de computercodevoorbeelden scheidde van de tekst zelf. Door de code in aparte bestanden op te slaan die automatisch in de lessen werden ingevoegd, zorgden ze ervoor dat de code in beide talen identiek bleef. Dit stelde hen in staat om bij elke wijziging automatische tests op de code uit te voeren, wat garandeerde dat de voorbeelden daadwerkelijk zouden werken voor een student die de lessen volgt, ongeacht welke taal zij lazen.

Het succes van deze aanpak werd gemeten door bij te houden hoeveel mensen de vertaalde materialen gebruikten. Nadat de Chinese lessen werden gelanceerd, observeerde het team dat ongeveer 22 procent van alle bezoeken aan de Starterkit-website betrokken was bij een gebruiker die ten minste één pagina in het Mandarijn raadpleegde. Dit constante gebruik gaf aan dat de vertaling niet slechts een formaliteit was, maar een vitale bron voor een aanzienlijk deel van de collaboratie. De gegevens toonden ook een duidelijk patiek van betrokkenheid, met een merkbare daling in het verkeer tijdens de Lunar New Year-vakantie, wat de real-world ritmes van de wetenschappers die de site gebruiken weerspiegelde. Het project bewees dat het mogelijk was om gelijktijdig twee versies van een complex technisch document te onderhouden zonder een bottleneck te creëren, waardoor de Chinese sprekende gemeenschap volledig kon deelnemen aan de training en analyse van het experiment.

Deze inspanning heeft de weg vrijgemaakt voor de eerste "sibling" workshop die volledig in het Mandarijn wordt gegeven in China, als aanvulling op de traditionele gebeurtenis in Europa. Het systeem dat het team heeft gebouwd, is flexibel genoeg zodat als andere groepen wetenschappers, zoals die in Brazilië, hun eigen lokale trainingssessies willen houden, hetzelfde vertaal- en onderhoudskader voor hen kan worden aangepast. Door geautomatiseerde tools te combineren met menselijk toezicht, heeft de LHCb-collaboratie ervoor gezorgd dat taal niet langer een barrière vormt voor nieuwe wetenschappers, waardoor het wereldwijde team effectiever samen kan werken terwijl zij doorgaan met het verkennen van de fundamentele aard van het universum.