1082 fordítás tartalmazott rossz ábécébeli szót. Az ellenőrzéseink mindegyikét jóváhagyták.
Nyelvek
Október 31-én az egyik oldalunkon egy magyar mondatban kínai szavakat találtunk. Megvizsgáltuk az összes általunk üzemeltetett oldal tárolt fordításait az adott nyelvhez nem tartozó betűk után kutatva, és 1082 ilyen fordítást találtunk, közülük 581 közzétett oldalon szerepelt. Mindegyik átment az ellenőrzéseinken.
Ami találtunk
Mindezt a helyi modellek írták, amelyek az oldalainkat fordítják, és mindegyik ugyanaz a hiba: egy-két szó másik nyelven. A tárolt fordításokból, és az azóta elutasítottakból:
- Kínai más nyelvekben: az „ők vannak” mint 它们是 egy thai mondat közepén; a „track” kínai megfelelője, 跟踪, magyar toldalékkal („támadók跟踪ására”); hasonló szavak lengyel és görög szövegben.
- Orosz görögben, örményben, héberben és szlovénben: a „full house” görögül „φουλ хаус” lett, a második szó cirill betűkkel.
- Hasonló betűk: cirill „о” vagy „а” egy finn vagy cseh szó végén. Az oldalt olvasó senki nem venné észre; egy keresőmotor vagy képernyőolvasó igen.
- Szomszédos írásrendszerek: bengáli betű egy kannada szóban, devanágari kannada szövegben.
- Egész sorok thaiul khmer oldalakon: két oldal khmer nyelvű oldalainak címei, címkéi és táblázatcellái egyszerűen thaiul voltak írva.
Az üzletünkben volt hét ilyen sor. Az egyikben a „planted values” románul „valori植入” lett.
Miért hagyták jóvá az ellenőrzések
Az írásrendszer-ellenőrzés azt kérdezte, hogy a fordítás betűinek legalább 45%-a az adott nyelv írásrendszerébe tartozik-e. Ez megfogja a helyben maradt angolt, amire ki is találták. Két kínai betű egy száz betűs magyar mondatban nem változtatja meg az arányt, és egyetlen cirill betű még kevésbé.
A rövid szövegeknél más szabály volt. 25 angol betű alatt az ellenőrzés csak azt nézte, hogy a válasz nem maradt-e angolul. Egy thaiul írt khmer táblázatcella egyáltalán nem tartalmaz angolt, így átment.
A szabály, amely megfogja őket
Hiba az a betű, amely olyan írásrendszerbe tartozik, amelyet az adott nyelv nem használ, és amely nem szerepel az angol forrásban. Három kivétel akadályozza meg, hogy a szabály hiába riogasson:
- A latin betűk mindig megengedettek: márkanevek, kódok és mértékegységek minden nyelvben előfordulnak.
- A kínai, a japán és a koreai nincs ellenőrizve, mert a japán vegyesen használ kana és kanji írásjeleket, a koreai pedig használhat hanja karaktereket.
- A szerb és a pandzsábi, amelyek mindegyike két írásmódban írható, csak a kínai, japán és koreai karakterek szempontjából kerül ellenőrzésre.
Átfuttattuk a szabályt minden olyan adaton, amelyet webhelyeink tároltak, és minden olyan sor, amelyet a rendszer jelölt és amelyet elolvastunk, hibás volt. Október 31. óta 1652 fordítást utasított el a készítésük pillanatában, közülük 1549 khmer nyelvű volt: a modell nem hagyta abba a thai szöveg generálását khmer nyelvre, de most újra kéri a fordítást, ahelyett hogy közzétenné.
Tisztítás
A tárolt fordítások csak akkor kerülnek ismét ellenőrzésre, ha a nyelvük újra lefordításra kerül, ezért minden érintett nyelvet újra lefordítottunk: 61 nyelvet tizenegy webhelyen. Két sor tért vissza másodszor is ugyanazzal a hibával: a román „valori植入” és egy görög sor, amelyben szerepel a 面向. Ezt a két sort kézzel írtuk meg. November 2-án egyetlen közzétett oldalunkon sem volt más írásmódhoz tartozó karakter.
Hol él most a szabály
A translation-checks 1.1.0 verziójában található, ingyenesen a GitHubon, egy új ellenőrzés mellett, amely biztosítja, hogy minden szám visszatérjen, és tudja, hogy a „3 million” japánul 300万. Webhelyeink 568 574 elfogadott fordításán futtatva az új ellenőrzések nem adtak téves riasztást. A Polyglot 1.1.0 verziója is tartalmazza őket. Arról, hogy a checks először volt a hiba forrása, egy korábbi jegyzetben írtunk.