مرّرنا 1,082 ترجمة كانت تحتوي على كلمة من أبجدية خاطئة. نجحت جميع عمليات الفحص لدينا في كل واحدة منها.
اللغات
في 31 أكتوبر، وجدنا جملة مجرية على أحد مواقعنا تحتوي على كلمات صينية في منتصفها. بحثنا في الترجمات المخزنة لكل المواقع التي نشغّلها عن أحرف لا تنتمي إلى لغتها، ووجدنا 1,082 ترجمة مثلها، منها 581 على صفحات منشورة. كانت كل واحدة منها قد اجتازت عمليات الفحص لدينا.
ما وجدناه
كلها كُتبت بواسطة النماذج المحلية التي تترجم مواقعنا، وكلها نفس الخطأ: كلمة أو كلمتان بلغة أخرى. من الترجمات المخزنة، ومن تلك التي رُفضت منذ ذلك الحين:
- صينية داخل لغات أخرى: "they are" كـ 它们是 في منتصف جملة تايلاندية؛ الكلمة الصينية لـ "track"، 跟踪، مع لاحقة مجرية ("támadók跟踪ására")؛ كلمات مشابهة في البولندية واليونانية.
- روسية داخل اليونانية والأرمينية والعبرية والسلوفينية: "full house" في اليونانية خرجت كـ "φουλ хаوس"، حيث كانت الكلمة الثانية بالحروف السيريلية.
- أحرف متشابهة: حرف سيريلي "о" أو "а" في نهاية كلمة فنلندية أو تشيكية. لن يلاحظها أحد يقرأ الصفحة؛ لكن محرك بحث أو قارئ شاشة سيفعل.
- نصوص متجاورة: حرف بنغالي داخل كلمة كانادية، وديفاناغاري داخل كانادية.
- أسطر كاملة بالتايلاندية على صفحات الخميرية: العناوين والتسميات وخلايا الجدول على صفحات الخميرية لموقعين كُتبت ببساطة بالتايلاندية.
كان لمتجرنا سبعة أسطر من هذا النوع. في أحدها، خرجت "planted values" بالرومانية كـ "valori植入".
لماذا اجتازت عمليات الفحص هذه الأخطاء
كان فحص النص يسأل ما إذا كان 45% على الأقل من أحرف الترجمة ضمن نص لغة تلك الترجمة. هذا يلتقط الإنجليزية المتروكة كما هي، وهو ما بُني من أجله. حرفان صينيان في جملة مجرية من مئة حرف لا يغيران النسبة، وحرف سيريلي واحد يغيرها أقل من ذلك.
كان للنص القصير قاعدة مختلفة. تحت 25 حرفًا إنجليزيًا، كان الفحص يتأكد فقط من أن الإجابة لم تبقَ بالإنجليزية. خلية جدول خميرية مكتوبة بالتايلاندية لا تحتوي على أي إنجليزية، لذا اجتازت الفحص.
القاعدة التي تلتقطها
الحرف الذي ينتمي إلى نص لا تستخدمه اللغة، ولا يحتويه المصدر الإنجليزي، هو خطأ. ثلاثة استثناءات تمنع القاعدة من الإنذار الكاذب:
- الأحرف اللاتينية مسموح بها دائمًا: تظهر أسماء العلامات التجارية والأكواد والوحدات في كل لغة.
- لم تُفحص الصينية واليابانية والكورية، لأن اليابانية تخلط بين الكانا والكانجي، وقد تستخدم الكورية الهانجا.
- تُفحص الصربية والبنجابية، اللتان تُكتب كل منهما بنصّين مختلفين، بحثًا عن أحرف الصينية واليابانية والكورية فقط.
طبّقنا القاعدة على كل ما خزّنته مواقعنا، وكل سطر علّمته كان خاطئًا فعلًا عندما قرأناه. منذ 31 أكتوبر، رفضت القاعدة 1,652 ترجمة فور إنشائها، منها 1,549 ترجمة بالخميرية: لم يتوقف النموذج عن كتابة التايلاندية بدلًا من الخميرية، لكنه يُسأل من جديد الآن بدلًا من النشر.
التنظيف
تُفحص الترجمات المخزنة مرة أخرى فقط عند ترجمة لغتها مرة أخرى، لذا تمت ترجمة كل لغة متأثرة مرة أخرى: 61 لغة عبر أحد عشر موقعًا. عاد سطران بنفس الخطأ في المرة الثانية: السطر الروماني "valori植入" وسطر يوناني يحتوي على 面向. كتبنا هذين السطرين يدويًا. في 2 نوفمبر، لم يكن أي صفحة منشورة لدينا تحتوي على حرف من نص آخر.
مكان القاعدة الآن
هي موجودة في translation-checks الإصدار 1.1.0، متاحة مجانًا على GitHub، بجانب فحص جديد يتأكد من عودة كل رقم ويعرف أن "3 million" هي 300万 باليابانية. عند تشغيلها على 568,574 ترجمة مقبولة في مواقعنا، لم ترفع الفحوصات الجديدة أي إنذار كاذب. يتضمن Polyglot الإصدار 1.1.0 هذه الفحوصات أيضًا. المشكلة الأولى التي سببتها فحوصاتنا موضحة في ملاحظة سابقة.