Твоє агентство щойно залучило фармацевтичного клієнта з 2 мільйонами слів технічної документації спеціалізованої терапевтичної галузі. Звичайний машинний переклад спотворює назви препаратів, термінологію дозування та регуляторну мову - перекладачі витрачають 4+ години на день на виправлення очевидних помилок, які МТ взагалі не повинен робити. Клієнт питає: “Чи можемо ми побудувати двигун перекладу, який справді розуміє нашу галузь?”
Питання звучить так, ніби тобі потрібен масивний інженерний проект. Насправді, у 2026 році у тебе є чотири практичних варіанти - і тільки один з них коштує як п’ять років тому.
Місконцепція: Будувати з нуля vs все інше¶
Перше, що треба вбити: будувати машинний переклад з нуля не економічно для спеціалізованої роботи. Коли люди чують “власний МТ двигун”, вони уявляють тренування моделі з сирих даних - як це роблять Google та Meta для глобального розгортання. Цей процес коштує десятки мільйонів і займає місяці.
Натомість те, що насправді відбувається у професійній перекладацькій роботі у 2026 році - це domain adaptation - взяття існуючої, попередньо тренованої моделі та спеціалізація її для специфічної термінології, стилю та типу контенту клієнта. Це цілком інше.
Як зазначено в останньому аналізі вартості:
Fine-tune попередньо тренованих моделей коштує на 60-90% менше ніж тренування з нуля, при цьому fine-tune моделі досягають виробничої якості на спеціалізованих завданнях за дріб традиційної вартості тренування.
Різниця не маргінальна. Тренування state-of-the-art моделі перекладу з нуля коштує $78M-$191M (контекст: це GPT-4 та Gemini масштаб). Fine-tune тієї ж моделі на даних фармацевтичного клієнта коштує $5K-$50K. Це не інкрементальне покращення - це інша категорія зовсім.
Реальні варіанти: Чотири підходи з реальною вартістю¶
Варіант 1: Fine-Tune існуючої LLM (Claude, GPT, DeepL)¶
Що це: Ти даєш паралельні переклади клієнта (джерело + ціль) провайдеру LLM. Вони коригують ваги моделі використовуючи твої дані. Модель вивчає твою термінологію, стиль та domain конвенції.
Вартість: $5K-$50K залежно від обсягу даних та провайдера
Таймлайн: 2-4 тижні від підготовки даних до інференції
Плюси: - Найдешевший серйозний варіант - Працює з меншими датасетами (10K-50K сегментів достатньо) - Можна швидко ітерувати (запустити тренування, протестувати, уточнити дані, перетренувати) - Якість зазвичай досягає 80-90% від того, що роблять люди
Мінуси: - Потрібне поділення пропріетарних даних з провайдером - Модель живе на інфраструктурі провайдера - Місячні витрати на інференцію (платити за використання) - Менше контролю над архітектурою моделі
Краще для: Агенцій з існуючими TM даними та записами перекладів для galuzi.
Реальний приклад: Локалізаційне агентство fine-tune GPT-4 на 25 000 ігрових UI рядках (EN-ES-FR). Загальна вартість: $18K. Результат: час редагування перекладача впав з 2 годин на 1000 слів до 30 хвилин. ROI: окупився за 3 місяці.
Варіант 2: Open-Source framework (OpenNMT, Fairseq)¶
Що це: Ти завантажуєш OpenNMT або Fairseq, готуєш свої дані, запускаєш тренування на своєму обладнанні або хмарній інфраструктурі, та розгортаєш результуючу модель самостійно.
Вартість: $1K-$15K (інфраструктура, обчислення, час інженера)
Таймлайн: 3-8 тижнів (довше якщо у тебе немає ML експертизи на штаті)
Плюси: - Ти повністю власник моделі - жодного vendor lock-in - Можна fine-tune багато разів без щотижневих платежів за інференцію - Інтегруй з твоєю TMS/CAT програмою напряму - Повна прозорість поведінки моделі
Мінуси: - Потрібна ML експертиза або найм контракторів - Управління інфраструктурою (оренда GPU, зберігання, моніторинг) - Debug production проблем падає на тебе - Ти займаєшся безпекою та бекапами
Краще для: Агенцій з повним контролем, високим обсягом виробництва, або пропріетарними воркфлоу.
Що ти насправді робиш:
- Зібрати паралельні дані (10K+ сегментів мінімум)
- Очистити та токенізувати використовуючи BPE (byte-pair encoding) або SentencePiece
- Конфігурувати модель: encoder-decoder архітектура, attention механізм, розмір словника
- Тренувати 20-40 epoch (один epoch = один проход через усі дані)
- Валідувати проти held-out тестового набору
- Розгорнути використовуючи CTranslate2 (inference engine оптимізований для Transformers)
Fairseq підхід стандартний. Як викладено в setup tutorials, pipeline: підготовка даних → токенізація → словник → тренування → оптимізація інференції.
Варіант 3: Управлювані сервіси (Google AutoML, Azure Custom Translator)¶
Що це: Хмарний провайдер займається інфраструктурою, тренуванням, розгортанням. Ти завантажуєш дані, налаштовуєш параметри, клікаєш “train”. Модель готова в хмарі провайдера.
Вартість: $39-45/годину на тренування (Google AutoML) + інференція платежі (Google: $20/млн символів стандартно, $60-80/млн для custom моделі)
Таймлайн: Можна ітерувати від завантаження до перших результатів за 3-5 днів
Плюси: - Жодного управління інфраструктурою - Auto-scaling для інференції - Built-in моніторинг та версіонування - Підтримка від інженерів провайдера - Легке A/B тестування (спробуй кілька тренованих моделей)
Мінуси: - Vendor lock-in (модель живе в їх хмарі) - Платежі за інференцію накопичуються у масштабі - Менша прозорість моделі - Тренування - чорна скринька (ти не можеш коригувати архітектуру)
Краще для: Підприємств з великими датасетами, бюджетом, та нульовим бажанням керувати інфраструктурою.
Реальний приклад: Фінансова команда перекладу використала Azure Custom Translator на 500K регуляторного документа сегментів. Вартість тренування: $180. Місячна інференція: ~$2K. Якість: 85% зменшення редагування проти базового. ROI: 18 місяців.
Варіант 4: Гібридний (LLM + нейронний МТ + глосарій)¶
Що це: Cutting edge у 2026. Використовуй fine-tune LLM для більшості тексту, але шаруй спеціалізовану нейронну МТ модель для високо-термінологічних секцій, плюс глосарій/термінологічний constraint слой щоб змусити правильну термінологію незалежно від чого.
Вартість: $8K-$35K (fine-tune LLM + тренування focused NMT модуля + глосарій setup)
Таймлайн: 4-6 тижнів
Плюси: - Найкраща якість: LLM займається плинністю, NMT - консистентністю, глосарій - точністю - Вимірно краще ніж будь-який одинарний підхід - Термінологія 100% гарантовано правильна - Краще редагування для людських перекладачів
Мінуси: - Найскладніше реалізувати - Потрібен оркестраційний слой щоб маршрутизувати текст до правильного двигуна - Важче відділювати коли виникають проблеми
Краще для: High-stakes галузей (юридична, медична, регуляторна) де помилки термінології дорогі.
Дані для тренування: Скільки, який тип, та чому якість переважає кількість¶
Ти не маєш безмежного бюджету, тому практичне питання: яка мінімальна кількість даних тобі потрібна?
Консенсус: мінімум 10K паралельних речень, ідеально 15K+.
Але ось що важливіше за число: кожне речення повинно бути автентичним domain контентом, правильно перекладено, та репрезентативним від реального використання.
Фармацевтична компанія з 5K ручно перекладених клінічних протоколів здолає конкурента з 50K auto-перекладених web-скрейплених речень. Domain-специфічна термінологія, регуляторна мова та медична точність у меншому датасеті переважають сирий об’єм.
Коли готуєш дані тренування, чек-лист якості: - Консистентність термінології: Назви препаратів, процедури, анатомічні терміни завжди перекладені однаково - Стиль: Це формально/неформально? Медичний жаргон vs пацієнт-friendly? Дані повинні відповідати цільовому стилю клієнта - Довжина сегменту: Дуже короткі (<5 слів) та дуже довгі (>100 слів) плутають модель; спрямуй на 15-40 слів середнього - Баланс мовних пар: Уникай змішування кількох мовних пар в одній моделі (тренуй EN→DE окремо від EN→FR) - Без auto-перекладів: Кожен сегмент повинен бути людино-перевірено
В документації Azure Custom Translator, Microsoft зазначає:
High-quality дані тренування - найважливіший фактор якості моделі. Менший набір старанно підібраних in-domain речень переважить великий, шумний датасет.
Практично: витрачай 30% часу проекту на очищення даних, а не 10%. Це окупується.
Реальний розпад вартості: Два сценарії проектів¶
Сценарій 1: Budget проект (Управлюваний сервіс)¶
Середнього розміру юридичне агентство будує EN→DE custom двигун для клієнта з 250K історичних перекладених документів (8 років корпоративних юридичних контрактів).
| Компонент вартості | Сума |
|---|---|
| Підготовка даних (dedup, очищення, валідація) | $2,500 |
| Тренування через Google AutoML (6 годин) | $270 |
| Вихідний глосарій setup (100 ключових юридичних термінів) | $800 |
| TMS інтеграція (API setup, тестування) | $1,200 |
| Вихідна інвестиція | $4,770 |
| Місячна інференція (25M символів) | $800 |
| Квартальне перетренування (кожні 50K нових сегментів) | $90 за перетренування |
| Річне обслуговування + оновлення глосарію | $2,000 |
| Річна вартість | $11,650 |
Поліпшення продуктивності: Перекладачі тепер обробляють 2,500 слів/день (vs 1,000 без МТ). Для 50K слів/місяць проекту, це 4 тижні часу перекладача збереженого. По $60/час, це $12K/місяць або $144K/рік. Окупиться: менше ніж 1 місяць.
Сценарій 2: Premium проект (Open-Source + Гібридний)¶
Фармацевтична компанія будує гібридний EN→DE двигун для клінічних протоколів з 120K історичних двомовних сегментів. Вони хочуть on-premise розгортання та повний контроль моделі.
| Компонент вартості | Сума | Нотатки |
|---|---|---|
| ML інженер (12 тижнів @ $130/год) | $61,920 | Fine-tuning, NMT setup, оркестрація |
| Pharma domain експерт (4 тижні data prep) | $8,000 | Перегляд глосарію, навчання команди |
| GPU інфраструктура (4 місяці тренування + 6 міс) | $8,400 | AWS p3.2xlarge: $3.06/год × ~2,800 годин |
| База термінології + глосарій (2,800 термінів) | $4,200 | Екстракція, валідація, тестування |
| Тестування + QA (2 перекладачі × 4 тижні) | $6,400 | Real-world валідація |
| Документація + трансфер знань | $3,000 | |
| Вихідна інвестиція | $91,920 | |
| Річні inference сервери (2x GPU інстанцій) | $24,000 | ~6K/місяць для резервування |
| Річне перетренування/оновлення | $12,000 | Квартальні оновлення на нових протоколах |
| On-call підтримка (0.5 FTE) | $40,000 | Моніторинг, edge cases, перетренування |
| Річне повторення | $76,000 |
Це дорого на початку, але для великої pharma компанії обробляючи 500K+ слів/рік клінічного контенту, це виправдано. Продуктивність перекладача: 1.5 годин на 1,000 слів (vs 4 години без МТ). Річна економія: $240K в часі перекладача самого. Окупиться: 6 місяців.
Порівняння для 100K слів/місяць проекту¶
| Сценарій | Вихідна вартість | Річна вартість | Продуктивність перекладача | Річна економія | Період окупити |
|---|---|---|---|---|---|
| Без custom МТ | $0 | $0 | 4 год/1000 слів | $0 | N/A |
| Управлюваний сервіс (Google AutoML) | $5K | $12K | 2.5 год/1000 слів | $72K | 1 місяць |
| Open-source framework (Fairseq) | $15K | $36K | 1.5 год/1000 слів | $144K | 2 місяці |
| Гібридний (LLM+NMT+Glossary) | $92K | $76K | 1 год/1000 слів | $180K | 6 місяців |
Ключове розуміння: чим більше ти інвестуєш на початку, тим краще довгострокова економіка одиниці. Але тільки якщо ти маєш постійний високий об’єм (500K+ слів/рік). Для менших проектів, управлювані сервіси виграють.
Оригінальний розпад вартості: Фармацевтичний приклад¶
Давай розберемо числа для реального проекту - фармацевтичне агентство будує custom legal/regulatory переклад для великого клієнта (EN→DE, EN→FR).
| Компонент вартості | Низька оцінка | Висока оцінка |
|---|---|---|
| Підготовка даних (очищення, dedup, валідація) | $2K | $5K |
| Анотація даних/екстракція термінології | $1.5K | $4K |
| Fine-tune моделі (3 ітерації) | $3K | $12K |
| Глосарій/база термінології setup | $1K | $3K |
| TMS інтеграція + розгортання | $2K | $5K |
| Тестування + QA | $1.5K | $4K |
| Перші 6 місяців разом | $11K | $33K |
| Місячна інференція/хостинг | $500 | $1.5K |
| Річне обслуговування моделі | $2K | $6K |
Для порівняння: найм виділеного перекладача на той же обсяг (50K слів/місяць) коштує $40K-$60K/місяць в Європі. Якщо custom двигун зменшує редагування з 2 годин до 45 хвилин на 1000 слів, ти окупуєш інвестицію за 2-3 місяці.
Domain-специфічні особливості: Юридична, медична, фінансова, технічна¶
Не всі домени рівні. Деякі драматично користуються від кастомізації; інші бачать мінімальні переваги.
Найвищі ROI домени: - Юридична: Контракти, комплайнс, регуляторні документи. Щільна термінологія, висока вартість помилок, значні варіації між юрисдикціями. Custom двигуни зменшують редагування на 35-50%. - Медична/фармацевтична: Назви препаратів, процедури, дозування, клінічна термінологія. Помилки - security-критичні. Custom двигуни зменшують редагування на 30-45%. - Фінансова: Регуляторна мова, бухгалтерська термінологія, правова точність. Вартість неправильного висловлення висока. Custom двигуни зменшують редагування на 25-35%.
Середні ROI домени: - Технічна: Манали, API docs, software UI. Термінологія консистентна але добре покривається general МТ. Custom двигуни зменшують редагування на 15-25%.
Нижчі ROI домени: - Креативна/маркетинг: Реклама, brand messaging. Потребує людської креативності незалежно. Custom МТ додає 5-10% ефективності. - Розмовна/загальна: Новини, блог-пости, соціальні медіа. Generic МТ добре це займається. Custom двигун не допомагає.
Дерево рішень: якщо домен має спеціалізовану термінологію, висока консистентність вимогам, та safety/legal імплікації, будуй custom. Якщо це general-purpose контент, не будуй.
Людська сторона: Редагування та досвід перекладача¶
Ось що насправді важливо операційно: чи custom двигун покращує досвід перекладача?
Добре тренований domain-специфічний двигун повинен: - Отримати термінологію 95%+ правильну на першому проході - Підтримати консистентний стиль та тон - Зменшити очевидні помилки (невірні імена, відсутні сегменти, спотворені речення) - Залишити важку роботу (нюанс, культурна адаптація, ідіоми) для людини
Ціль не - визначити перекладачів - це зробити їх роботу швидшою та приємнішою. Коли вимірюєш MTPE (machine translation post-editing) продуктивність, ти шукаєш перекладача витратити менше часу на механічні коригування та більше на справжню перекладацьку роботу.
Benchmark: добрий custom двигун повинен дозволити перекладачам обробити 3K-5K слів на день (vs 1K-2K з generic МТ або 500-1K без МТ).
Коли використовувати ChatsControl, коли ні¶
ChatsControl - документ-переклад інструмент - відформатовані документи (DOCX, PDF, PowerPoint) з двомовним перегляду та built-in QA перевірками. Працює добре для специфічних use cases та ні для інших.
Добрий fit: - One-off юридичні документи для імміграції (документи для візи, контракти) - Scanned документи що потребують OCR + переклад + формат збереження - Low-volume B2C переклад (5-20 документів на клієнта на місяць) - Коли тобі потрібен bilingual перегляд + automatic QA як частина воркфлоу
Не добрий fit: - High-volume виробництво (1M+ слів/рік) - API-based bulk переклад більш ефективний - Fine-tuning custom двигуна - ChatsControl використовує pre-trained моделі, не платформа тренування - Інтеграція в TMS для щоденних агентствених воркфлоу - purpose-built API endpoints краще - Будування competitive advantage через пропріетарний МТ - ChatsControl - general tool, не твоя IP
Якщо твій фармацевтичний клієнт потребує production-grade custom двигуна обробляючи 100K+ слів/місяць, ти будував би з OpenNMT або Azure Custom Translator, не ChatsControl. ChatsControl - для разового документа що потребує уваги + AI допомога, не для тренування domain-специфічних систем.
Таймлайн впровадження: Реалістичний vs теоретичний¶
Сценарій 1: Fine-tune існуючої моделі (найшвидше) - Тиждень 1: Збір та очищення даних тренування - Тиждень 2: Завантаження, конфігурація, запуск тренування - Тиждень 3: Тестування результатів, ітерація на якості даних - Тиждень 4: Розгортання, інтеграція з TMS - Разом: 4 тижні, $8K-$20K
Сценарій 2: Open-source framework (найбільше контролю) - Тижні 1-2: Setup інфраструктури, підготовка даних - Тижні 3-4: Тренування моделі та валідація - Тижні 5-6: Інтеграція, розгортання, monitoring setup - Тижні 7-8: Production тестування, уточнення - Разом: 8 тижнів, $5K-$15K (нижча вартість, більш зусиль)
Сценарій 3: Управлювані сервіси (компроміс) - Тиждень 1: Підготовка даних - Тижні 2-3: Кілька ітерацій тренування - Тижні 4-5: Production розгортання - Разом: 5 тижнів, $10K-$25K
Сценарій 4: Гібридний підхід (найкращі результати, найбільш зусиль) - Тижні 1-2: Підготовка даних + визначення глосарію - Тижні 3-4: LLM fine-tuning + NMT тренування паралельно - Тижні 5-6: Інтеграція та оркестраційний слой - Тижні 7-8: Тестування та уточнення - Разом: 8 тижнів, $15K-$35K
Більшість агенцій роблять сценарій 1 або 3 - найшвидше time-to-value.
ЧАПи¶
Як я дізнаюся чи мому клієнту насправді потрібен custom двигун?¶
Запитай: “Який відсоток generic МТ output потребує людського виправлення?” Якщо >30%, custom двигун ROI твердий. Якщо <10%, ймовірно не варто.
Що якщо мої дані тренування мають помилки?¶
Модель вучить помилки. Garbage in, garbage out. Це чому очищення даних займає 30% часу проекту. Завжди маї людське QA на сампл (1K+ сегментів) перед тренуванням.
Чи я можу перетренувати модель після розгортання?¶
Так. Більшість підходів дозволяють неперервне перетренування як ти зібраєш більше клієнтських даних. Кожне перетренування коштує менше (ти уточнюєш, не тренуєш з нуля) та покращує якість.
Що якщо мій клієнт переключається мовні пари (наприклад, додає FR→DE)?¶
Ти перетренуєш. Нова мовна пара = нове тренування. Вартість: 50% від оригіналу (ти вже знаєш домен). Таймлайн: 2-3 тижні.
Як я вимірюю якість custom МТ?¶
Використовуй BLEU score (автоматизований, технічний), але важливіше: вимірюй продуктивність перекладача (слова на годину до/після), редакційне зусилля (натискання клавіш), та rate помилок на тестовому наборі. BLEU добрий для досліджень; досвід перекладача краще для бізнесу.
Чи мені потрібно сказати клієнту що його дані були використані щоб тренувати модель?¶
Так. Ти будуєш на його пропріетарних перекладах. Деякі клієнти турбуються, деякі ні. Будь прозорим з початку - “Ми тренуватимемо двигун на твоїх даних що тільки перекладає твій домен” vs “Твої дані один датасет серед багатьох.”
Що якщо я хочу переключитися провайдерами пізніше?¶
Залежить від варіанта. Fine-tune LLM: важче portativ (модель живе в format провайдера). OpenNMT: тривіально (ти власник моделі, експорт як є). Управлювані сервіси: можеш експортувати дані, перетренувати потім, займе 2-4 тижні.
Чи мені слід open-source мою custom модель?¶
Зазвичай ні. Це твоя IP та competitive advantage клієнта. Тримай це внутрішнім або ліцензовано.