Wir haben DeepL vs Mistral einem Test unterzogen. Anhand von Texten nutzten wir die KI-Übersetzung von DeepL und Mistral Le Chat für die Textbearbeitung.
In diesem Beitrag zeigen wir auf wie sie in 5 Min. Textübersetzungen wie auch Textbearbeitungen effektiver mit KI erstellen können. Dabei hilft ihnen unsere 10-Punkte Checkliste für den erfolgreichen Einsatz von KI bei Übersetzungen und Textbearbeitungen.
Link zu diesem Beitrag https://drkpi.com/de/?p=35638/
Anhand von Texten nutzten wir die KI-Übersetzung und die Textbearteitung von Deepl vs Mistral Le Chat um einen Textsieger zu finden.
Die Übersetzung ist eine der vielen positiven Innovationen, die künstliche Intelligenz mit sich bringt. Doch erstaunlicherweise ist sie weitgehend unbemerkt geblieben.
Doch warum behandeln wir das Thema in unserem Blog? Fast alle von uns sind täglich mit KI konfrontiert. Social Media nutzt KI wie auch die Google Suchmaschine um uns anscheinend bessere Services oder Lösungen zu bieten.
Wir zeigen, wie sie KI beim Übersetzen oder Erstellen von Texten effektiv nutzen können, inkusive einer 10-Punkte Checkliste und Ratgeber.
- Englisch auf Deutsch übersetzen – so sparen wir uns Zeit und Ärger.
- Testsieger DeepL vs Mistral – beide sind Gewinner aber …
- Kosten von Tokens, so viel kostet der KI Einsatz – Budget erstellen.
95% der Besucher dieser Seite speichern sich diesen Link:
Unseren Newsletter anschauen oder noch besser – der 1,000+ Leser:innen Community beitreten:
- sie wollen Inspiration, Tools, neue Ideen – dann DrKPI Newsletter abonnieren
Wir schätzen es, selbst zu entscheiden, und Ihre Meinung ist für uns massgebend – hinterlassen Sie einen Kommentar unten. DANKE.
Der Blogeintrag ist der vierte in einer Serie von Einträgen:
- AI Effektivität und Effizienz – mehr Effektivität mit KI
- AI Fachkräfte Recruiting: DrKPI 3-Phasen Modell
- AI Training: Widerspruch gegen die Verarbeitung personenbezogener Daten – iPhone, Meta, eBay, usw.
- AI 7 Tests für DeepL vs Mistral: Übersetzung + Textbearbeitung (sie sind hier)
- AI FAQ – Begriffe einfach erklärt
- AI Erstellung der KI Richtlinie für Mittelstand: 11 Punkte Vorlage für 2025 (24 Mai 2025).
KI Einsatz für Übersetzung und Texterstellung: Best Practice DeepL vs Mistral
DeepL ist sehr gut im Übersetzen von Texten. Es kann aber die übersetzten Texte nicht mit Hilfe von Iterationen signifikant verbessern, wie unsere Tests zeigen (siehe Screenshots und Text im Beitrag). Die Änderungen sind eher kosmetisch und verbessern das Textverständnis wohl kaum.
Mistral Le Chat kann z.B. von DeepL übersetzte Texte leicht verbessern. Aber nicht immer wird eine von Mistral “verbesserte” Version aussagekräftiger oder ist besser formuliert als der Originaltext.
Hier helfen ein paar Tricks. Wir zeigen ihnen wie es noch besser geht, sodass sie KI effektiver bei der Arbeit einsetzen können.
Zum Testsieger erkürten wir einen kollaborativen Effort von DeepL, Mistral Le Chat und Urs E. Gattiker.
Originaltext vom Englisch ins Deutsche übersetzen mit DeepL
Um diese Dinge zu illustrieren, haben wir einen interessanten Text aus einem Leserbrief an die Financial Times genommen.
1. Version – Originaltext auf Englisch
Hier der Originaltext.
While machine translation has made constant but slow progress since the first Georgetown-IBM experiment in 1954, the shift by Google in 2016 from structural rule-based systems relying on grammatical structures to statistical models and neural machine translation was a major breakthrough. Automated translation now takes into account the context to solve the ambiguity of some words or phrases, and to grasp the tone as well as the style of a text in order to find the right vocabulary and the most suited idiomatic forms.
Siehe 2025-04-30 Financial Times – Leserbrief von Philippe Huberdeau, Former Secretary General of the AI Action Summit, European and Foreign Affairs Ministry, Paris, France
84 Wörter in 2 Sätzen, der erste mit 41 Wörtern und der zweite Satz mit 43 Wörtern. Sehr lange Sätze.
DeepL can diesen Text übersetzen und tut dies wie unten aufgezeigt.
1. Version Deutsch: Übersetzter Text aus dem Englischen
Während die maschinelle Übersetzung seit dem ersten Georgetown-IBM-Experiment im Jahr 1954 konstante, aber langsame Fortschritte gemacht hat, war der Wechsel von Google im Jahr 2016 von strukturellen regelbasierten Systemen, die sich auf grammatikalische Strukturen stützen, zu statistischen Modellen und neuronaler maschineller Übersetzung ein großer Durchbruch. Die automatisierte Übersetzung berücksichtigt nun den Kontext, um die Mehrdeutigkeit einiger Wörter oder Sätze zu lösen und den Ton sowie den Stil eines Textes zu erfassen, um das richtige Vokabular und die geeignetsten idiomatischen Formen zu finden.
DeepL liefert die Übersetzung in 82 Wörtern in 2 Sätzen.
Auch hier sind die Sätze, wie im Originaltext auf Englisch sehr lang.
Für das Lesen Online – z.B. dem Smartphone Screen – empfiehlt DrKPI PageTracker z.B. 16 Worte pro Satz.
DeepL bietet DeepL Translate auch DeepL Write an. Write soll helfen, Texte zu optimieren.
Doch DeepL Write schafft es nicht, den von DeepL Translate gelieferten Text signifikant zu verbessern. Weder was die Länge des Absatzes betrifft – Anzahl Wörter – noch die Länge der Sätze.
Fazit: Auch wenn wir DeepL Write nutzen, um den Text von DeepL Translate zu verbessern, kommt nicht viel dabei heraus (siehe unten).
Während die maschinelle Übersetzung seit dem ersten Georgetown-IBM-Experiment im Jahr 1954 stetige, wenn auch langsame Fortschritte gemacht hat, stellte Googles Übergang von strukturellen regelbasierten Systemen, die auf grammatikalischen Strukturen beruhen, zu statistischen Modellen und neuronaler maschineller Übersetzung im Jahr 2016 einen großen Durchbruch dar. Die maschinelle Übersetzung berücksichtigt nun den Kontext, um die Mehrdeutigkeit bestimmter Wörter oder Sätze aufzulösen, und den Ton und Stil eines Textes, um das richtige Vokabular und die geeignetsten idiomatischen Formen zu finden.
Auch Deepl Write schafft es nicht, die Sache wirklich zu kürzen. Es bleibt bei 77 Worten in 2 Sätzen. Diese sind immer noch zu lang!
Aus diesem Grunde versuchen wir zuerst einmal die englische Version umzuschreiben.
Ein Grund für dieses Vorgehen ist auch, dass DeepL es einem nicht ermöglicht, seine Übersetzung anzupassen.
Will heissen, die editierte Übersetzung oder verbesserte Textversion kann ich nicht kopieren. Es wird immer die Originalübersetzung oder Originalversion des von DeepL erarbeiteten Textes kopiert. Meine Änderungen am Text werden von DeepL ignoriert, das heisst nicht kopiert.
Dies ist erst seit einigen Monaten so. Früher war es möglich, die von mir gemachten Änderungen zu kopieren und anderswo einzusetzen. Seit einigen Monaten weiss es DeepL ganz einfach besser als ich.
Fazit: Generative KI (was DeepL repräsentiert) ist nicht darauf ausgelegt, das zu produzieren, was wir früher einfach „Fakten“ genannt haben. Nein, es produziert eine Antwort, die in das Muster seiner Realität passt.
Meine Textkorrekturen passen nicht in die Realität von DeepL Translate. Deshalb werden meine Korrekturen vom DeepL KI schlichtweg ignoriert.
Das sind keine KI-Aussichten, die wir wollen.
2. Version Englisch: Originaltext leicht modifiziert für kürzere Sätze
Hier folgt die von mir leicht veränderte englische Originalversion. Doch dieses Mal mit kürzeren Sätzen.
Machine translation has made constant but slow progress since the first Georgetown-IBM experiment in 1954. In 2016, Google introduced the shift from structural rule-based systems, those are relying on grammatical structures, to statistical models and neural machine translation. This was a major breakthrough. Automated translation now takes into account the context to solve the ambiguity of some words or phrases, and to grasp the tone as well as the style of a text in order to find the right vocabulary and the most suited idiomatic forms.
Der letzte Satz im obigen Paragraph ist leider immer noch sehr lang. 43 Worte! Wir wollen aber testen, ob DeepL versuchen wird, hier Abhilfe zu schaffen.
2. Version Deutsch: Wie übersetzt DeepL unsere leicht modifizierten englischen Text?
Der angepasste Originaltext auf Englisch (siehe oben) wurde von DeepL wie folgt übersetzt.
Die maschinelle Übersetzung hat seit dem ersten Georgetown-IBM-Experiment im Jahr 1954 konstante, aber langsame Fortschritte gemacht. Im Jahr 2016 führte Google den Wechsel von strukturellen, regelbasierten Systemen, die sich auf grammatikalische Strukturen stützen, zu statistischen Modellen und neuronaler maschineller Übersetzung ein. Dies war ein grosser Durchbruch. Die maschinelle Übersetzung berücksichtigt nun den Kontext, um die Mehrdeutigkeit einiger Wörter oder Sätze zu lösen und den Ton sowie den Stil eines Textes zu erfassen, um das richtige Vokabular und die geeignetsten idiomatischen Formen zu finden.
Den letzten Satz im Absatz oben hat DeepL nicht verändert. Er ist immer noch 42 Worte lang.
Fazit: Das System übersetzt die Dinge zwar genau. Doch schafft es nicht, eigene Satzkonstruktionen zu machen, die, weil kürzer, helfen, die Dinge besser zu verstehen.
3. Version Deutsch: Die von DeepL gelieferte Übersetzung modifizieren
Ich editiere den Satz “Die maschinelle Übersetzung…” (fetter dunklerText unten) und mache daraus 2 Sätze.
Die maschinelle Übersetzung hat seit dem ersten Georgetown-IBM-Experiment im Jahr 1954 konstante, aber langsame Fortschritte gemacht. Im Jahr 2016 führte Google den Wechsel von strukturellen, regelbasierten Systemen, die sich auf grammatikalische Strukturen stützen, zu statistischen Modellen und neuronaler maschineller Übersetzung ein. Dies war ein grosser Durchbruch. Die maschinelle Übersetzung berücksichtigt nun den Kontext, um die Mehrdeutigkeit einiger Wörter oder Sätze zu klären. Zudem ermöglicht dies den Ton sowie den Stil eines Textes zu erfassen, um das richtige Vokabular und die am besten geeigneten idiomatischen Formen zu finden.
Der von mir geänderte Text enthält nun 87 Worte und 5 Sätze.
Fazit: Um den Text noch weiter zu optimieren, sollte man wie hier angezeigt ist, ein weiteres LLM nutzen. Wir machen dies am Beispiel Mistral Le Chat vor.
Was macht Mistral aus diesem von DeepL gelieferten Übersetzungstext?
Die obigen Resultate zeigen 2 Dinge sehr schön auf, nämlich:
- Verbositätskompensations- (Verbosity compensation) Verhalten: Das heisst, viele LLMs geben längere Antworten, wenn sie sich der Antwort weniger sicher sind.
- Ausführlichkeitsverzerrung (Verbosity Bias): Erfolgt aufgrund mangelnder Wissensspeicherung. LLMs, wie z.B. ein Chatbot vergessen in einer Konversation zuvor gelieferte Informationen.
Dies führt zu sich wiederholenden Fragen oder aber repetitives Verhalten von KI, was Zeit braucht. Auch trägt dies zu unnötig wortreichen Interaktionen bei.
Die Ausbildung der KI mit Hilfe von LLM führt heute dazu, dass das:
- System ausführlichere Antworten bevorzugt, selbst wenn es keinen Qualitätsunterschied gibt.
Um zu testen, inwieweit wir die von DeepL gelieferten Antworten verbessern können, nutzen wir Mistral. Es kann auch übersetzen, wenn man es dazu auffordert. Dies ist jedoch nicht unbedingt seine Spezialität.
Trotzdem kann ich versuchen, z.B. deutsche, englische oder auch französische Texte mit Hilfe von Mistral Le Chat zu verbessern.
Mistral Le Chat: Von DeepL übersetzter englischer Text ins Deutsche. Von Urs verbessert. Le Chat Auftrag: Bitte verbessern. Resultat – von 7.75 Zeilen auf 6.5 Zeilen.
Mistral ersetzt im Text 2 x “im Jahr” 1954 und “im Jahr” 2016.
Da es nur noch die Jahreszahl nutzt, spart es 4 Worte insgesamt.
Das System ersetzt “…konstante, aber langsame Fortschritte…”, durch “stetige, aber langsame Fortschritte…”
Man kann vielleicht diskutieren, inwiefern das Wort “stetige” das Wort konstant ersetzen kann. Meinen beide das Gleiche?
“…, um das richtige Vokabular …” (siehe oben) oder aber “So wird das passende Vokabular…” (siehe unten Rot/Orange markiert) als Text zu nutzen, macht einen Unterschied.
Das Wort “wird” ist hier bestimmend (unten fett, oranger Text). Mistral sagt, dass es wird.
“Um das richtige…” bedeutet aber nicht, dass wir das richtige Vokabular auch finden. Es ist hier offener formuliert. Mistral macht auf “Schwarz/Weiss”, d.h. was sein muss, ist einfach so.
Die maschinelle Übersetzung hat seit dem ersten Georgetown-IBM-Experiment 1954 stetige, aber langsame Fortschritte gemacht. 2016 führte Google einen bedeutenden Wechsel ein: von regelbasierten Systemen, die auf grammatikalischen Strukturen basieren, hin zu statistischen Modellen und neuronaler maschineller Übersetzung. Dieser Durchbruch ermöglicht es, den Kontext zu berücksichtigen, um Mehrdeutigkeiten zu klären und den Ton sowie den Stil eines Textes zu erfassen. So wird das passende Vokabular und idiomatische Ausdrücke besser gefunden.
69 Wörter, 4 Sätze, d.h. die Version spart einige Worte gegen den früheren Versionen.
Fazit: Mistral schreibt um, aber die Aussage wir somit etwas geändert was vielleicht unerwünscht sein könnte.
Wie kürzt und verbessert Mistral den eingegebenen Text?
Das Image unten zeigt, was Mistral auf diesen Befehl macht, den Text zu verbessern und zu kürzen.
Mistral Le Chat: Von DeepL übersetzter englischer Text ins Deutsche. Von Urs verbessert.
Der Le Chat Auftrag lautet: Bitte kürzen und verbessern.
Resultat – von 7.5 Zeilen auf 6.0 Zeilen.
Wir haben den Text hier nochmals eingegeben und ein leicht veränderte Textpassage erhalten.
Die maschinelle Übersetzung hat seit dem ersten Georgetown-IBM-Experiment 1954 stetige, aber langsame Fortschritte gemacht. 2016 führte Google einen bedeutenden Wechsel ein: von regelbasierten Systemen, die auf grammatikalischen Strukturen basieren, hin zu statistischen Modellen und neuronaler maschineller Übersetzung. Dieser grosse Durchbruch ermöglicht es, den Kontext zu berücksichtigen, um Mehrdeutigkeiten zu klären und den Ton sowie den Stil eines Textes zu erfassen. Zudem vermag dies das richtige Vokabular und die am besten geeigneten idiomatischen Formen zu finden.
Wir haben oben also 75 Worte, 4 Sätze.
Fazit: Hier haben wir ein Beispiel vom Verbositätskompensations-Verhalten oder Verbosity compensation.
Mistral bevorzugt eine längere Antwort, da es sich nicht so sicher ist, um was es da eigentlich geht.
Hier nur als Information die Infomaniak Preisliste. Der Anbieter hat Preisunterschied gemäss welches Model der Kunde nutzen will.
Dies bringt uns zum nächsten Thema: Was kostet es uns mit KI zu arbeiten bei der Textverbesserung oder der Texterstellung?
Infomaniak.ch: Anbieter der dem Kunden die Nutzung von verschiedenen Modellen auf seiner Plattform anbietet.
Etwas teurer als Le Mistrail, aber dafür kann man verchiedene Model ausprobieren.
1 Mio. Tokens kann man kostenfrei nutzen.
Was kostet uns KI?
Oben haben wir den gleichen Originaltext von Englisch ins Deutsche übersetzt mit DeepL Translate. Die Resultate sind gut. Es lohnt sich aber, an einem Text noch selber Änderungen vorzunehmen.
Auch Mistral arbeitet gut. Aber wenn es um die Kürzung von Texten geht, aufgepasst! Die Aussage des von Mistral generierten Textes kann sich leicht ändern und somit sich vom Original unterscheiden.
Die obigen Beispiele zeigen, dass es Nuancen in Übersetzungen gibt. Damit kann die vom Autor gewünschte Aussage ungewollt geändert werden.
Wichtig ist auch das verschiedene Anbieter verschiedene Preise haben. Es gilt also zu berücksichtigen was uns z.B. der Service von Infomaniak kostet wie wir diese Herausforderung angehen wie z.B.:
- Hosten wir die KI selber auf unseren Servern und/oder in der Cloud?
- Wird das von uns genutzte KI Modell und dessen Applikationen vom Provider wie Mistral gehostet?
- Lösen wir ein Abonnement für einige der Mitarbeiterinnen?
Was ist ein Token?
Token sind Einheiten, die den Text in kleinere Bestandteile unterteilen, bevor die API ihn analysiert. Sie können aus einzelnen Zeichen oder Wortgruppen bestehen.
Im Englischen entspricht ein Token etwa 4 Zeichen oder 3/4 eines Wortes.
Diese Zahlen variieren jedoch nach der Sprache, z.B.:
- EN = 1.3 Token je Wort,
- FR = 2.1 Token
- DE = 2.1 Token
- ES = 2.1 Token je Wort
Andere Sprachen brauchen noch mehr Token pro Wort das die KI bearbeiten soll, nämlich::
- Arabisch = 4 Token
- Hindi = 6.4 Token
Viele Anbieter bieten den Nutzern die Möglichkeit, ihr System kostenlos zu testen. Andere stellen einem eine Anzahl Token zur freien Nutzung zur Verfügung.
Danach ist es auch möglich, Token zu kaufen und diese dann bei Abfragen als Zahlungsmittel einzusetzen.
Um sich von den Kosten und Zahlen einen Begriff zu machen:
- ein Blogeintrag hat ca 2000 Worte und
- ein Report für die Firma 5,000 – 10,000 Worte.
Wie oben bei unserem Beispiel demonstriert, die Textpassagen, welche man verbessert haben will, müssen oft mehrmals eingegeben werden.
Wenn Paragraphen mehrmals umgeschrieben werden, brauchen wir mehr Tokens. Dies deshalb, weil jedes Wort bei der Eingabe wieder gezählt wird.
Man hat dann vielleicht plötzlich 20,000 Worte im KI System eingegeben für einen 2,000 Worte zählenden Blogeintrag. Das bedeutet dann im Fall des deutschen Textes, dass wir 42,000 Token verbraucht haben.
Was oft passiert ist, dass einem das System mehr verrechnet. Somit ist man dann plötzlich auf 50,000 Tokens. Das stimmt schon da es ja bei jedem Wort je nach Anzahl Buchstaben etwas anders aussieht.
Eine weite wichtige Frage ist, wie das System “Fair-Use” handhabt.
Fair-Use ist oftmals eine der Einschränkungen in den Nutzerbedingungen. Fair-Use kann Teil der Benutzerbedingungen in einem Abonnement sein, welches man monatlich bezahlt. Siehe unten im Screenshot von Mistral.
Dann gilt es die Tokens zu kaufen. Hier die Preise für Tokens von Mistral und für die Integration vom Mistral Platform sowie Mistral Chat im Abo.
Interessant ist ebenfalls, das Mistral täglich die von AFP (Agence France-Presse) produzierte News in seine Datenbank – LLM aufnimmt. Der Grund ist, das die Firme verifiziertes auf Fakten basiertes Wissen ins Mistral AI Modell integrieren will.
Fazit: DeepL vs Mistral Le Chat
Es bleibt also immer noch ein wenig Arbeit, um gute Texte z.B. aus dem Englischen ins Deutsche zu übersetzen wie wir oben zeigen konnten.
Die obigen Beispiele zeigen ebenfalls, dass mehrere Schritte notwendig sind, um eine finale Version von einem AI Tool oder Werkzeug zu erhalten, die der gewünschten Qualität entspricht.
Doch jeder dieser Schritte kostet Geld.
Das System verbraucht für seine Arbeit Token. Nutzt man diese Tools nicht oft, geht es manchmal ohne Kosten.
Will man mehr als 150 Worte auf einmal, oder 1,000 Worte im Monat oder bei einigen in 1 Woche bearbeiten lassen, kann es sein, dass dies ohne Kosten nicht geht.
Um die Kosten zu optimieren und Zeitersparnisse zu sichern lohnt es die von uns unten vorbereitet Checkliste zu nutzen, wenn man mit KI arbeiten will.
PS: Gemäss EU AI Act müssen die Mitarbeiter:innen für die Nutzung geschult werden, sodass sie sich der Risiken wie z.B. Copyright/Urheberrechte nicht nur bewusst sind. Sie müssen auch wissen, was es braucht um diese Verordnung einzuhalten – Compliance.
Tabelle – 10-Punkte Checkliste für den erfolgreichen Einsatz von KI bei Übersetzungen und Textbearbeitungen.
| Punkt | Beschreibung der 10 Schritte – was ist zu tun mit KI |
|---|---|
| 10 | Braucht es die 9 Schritte unten, oder ist dies zum einen Teil Energieverschwendung? KI braucht sehr viel Energie. Zum Beispiel, ca. 10 x mehr als organische Suchresultate. Vielleicht lässt sich auch einer der 9 Schritte unten weglassen, ohne dass man das Endresultat des Textes verschlechtert! |
| 1 | Es empfiehlt sich für diese Arbeit nicht das Handy, sondern einen PC mit grösserem Bildschirm zu nutzen. |
| 2 | Den Originaltext (z.B. Deutsch, Chinesisch, Englisch) überprüfen, d.h. sicherstellen, dass Sätze ca. 16 Worte oder weniger enthalten. Dies erleichtert das Verständnis vom Inhalt für Online Leser:innen, gemäss DrKPI PageTracker Data Analytics. Wenn Sätze mehr als 16 Worte enthalten, einfach in die KI eingeben und schauen, was die KI ausspuckt. |
| 3 | Originaltext (bis ca. 150 Worte auf DeepL in kostenloser Version) eingeben, um darauf vom System die Übersetzung in der gewünschten Sprache zu erhalten. |
| 4 | Die generierte Übersetzung analysieren. Wie gut ist der generierte Text? Genaue Analyse und Studium des Textes sind hier unumgänglich. Ist die Aussage im übersetzten Text demjenigen des Originaltextes gleichzusetzen? Auf Nuancen achten (siehe oben, Mistral wechselt 1 Wort und die Bedeutung der Aussage ändert sich signifikant). |
| 5 | Die vom System aus dem Originaltext generierte Übersetzung oder verbesserte Textpassage studieren. Wenn notwendig, den Originaltext editieren. Beispiel wäre, die Sätze zu kürzen, sodass das Übersetzungsprogramm/Textbearbeitungsprogramm es einfacher hat |
| 6 | Den übersetzten Text in ein weiteres KI Programm eingeben (wie z.B. Mistral Le Chat). Das erste Mal vielleicht ohne Anweisung. Einfach schauen, was es liefern kann. |
| 7 | Den “korrigierten” Text überprüfen. Macht dieser Sinn. Gibt es kleine Unterschiede? Hat sich beim KI das Verbositätskompensations- (Verbosity compensation) Verhalten eingeschlichen? Das heisst, wurden mehr Worte verwendet im Vergleich zu der unter Punkt 6 eingegebenen Textpassage? Wenn ja, hat sich die Aussage verbessert oder ist sie nur wortreicher oder sogar weniger aussagekräftig? |
| 8 | Den unter Punkt 6 eingegebenen Text nochmals dem System vorsetzen. Dieses Mal aber mit einer Instruktion am Anfang, wie z.B. “Kürzer, besser formuliert.” PS. Meist ist es effektiver, nur ein Kommando einzugeben wie “Kürzer” oder “besser formulieren”. Dann sehen, was das System genau liefern kann (siehe Punkt 9). |
| 9 | Den “finalen” Text nochmals überprüfen und wenn notwendig leicht editieren, d.h. selber verbessern. Nicht vergessen, von der KI verfasste Texte sind nicht authentisch, sie gleichen sich. Es lohnt also immer, noch die persönliche Note, ihren authentischen Schreibstil einzubringen. Dies macht den Text für die Leserin interessanter. |
Notiz. Die meisten Übersetzungsprogramme haben in der kostenlosen Version Beschränkungen. Beispielsweise können nur eine bestimmte Anzahl Worte übersetzt werden. Für 2 Paragraphen reicht es aber immer.
DeepL übersetzt, Mistral Le Chat kann dies auch, aber empfiehlt sich vor allem zum Umschreiben der übersetzten Texte von DeepL oder der Optimierung von Text von einem anderen System wie ChatGPT.
Best Practice verlangt ebenso, dass wir am Ende eines Artikels erwähnen, ob dieser maschinell generiert wurde. Beispielsweise erklärt dies SwissInfo am Ende eines Beitrages .
Ebenfalls wird bei SwissInfo darauf hingewiesen, das der maschinell übersetzte Artikel nochmals von einem Journalisten vor seiner Publikation auf Fakten und Genauigkeit überprüft wurde (siehe Image unten).
SwissInfo.ch nutzt DeepL um Artikel zu übersetzen. Doch lässt es diese von einer Journalistin überprüfen, bevor das Ganze online gestellt wird.
2 wichtige Daten für die maschinelle Übersetzung: 1954 und 2016
Um das Lesen oder Überfliegen des Textes auf dem Handy einfacher zu machen, sollten wir gemäss DrKPI Best Practice Ansätzen den Paragraphen noch in mehrere kleinere Paragraphen aufteilen wie z.B.:
Die maschinelle Übersetzung hat seit dem ersten Georgetown-IBM-Experiment 1954 konstante, aber langsame Fortschritte gemacht.
2016 führte Google den Wechsel von strukturellen, regelbasierten Systemen, die sich auf grammatikalische Strukturen stützen, zu statistischen Modellen und neuronaler maschineller Übersetzung ein. Dies war ein grosser Durchbruch.
Die maschinelle Übersetzung berücksichtigt nun den Kontext, um die Mehrdeutigkeit einiger Wörter oder Sätze zu klären. Zudem ermöglicht dies den Ton sowie den Stil eines Textes zu erfassen. Dies hilft das richtige Vokabular und die am besten geeigneten idiomatischen Formen zu finden.
Der Testsieger ist ein modifizierter Paragraph, der von DeepL und Mistral KI profitiert und dem Fachwissen und Sprachverständnis des Schreibers.
Der obige Text hat jetzt 84 Worte in 6 Sätzen, was heisst, dass wir Sätze haben, die im Durchschnitt weniger als 16 Worte beinhalten.
Fazit: Der Originaltext auf Englisch hatte 84 Worte und die Übersetzung ins Deutsche nutzte 82 Worte. Die finale Textversion oben hat keine Kürzung des Textes gebracht.
Trotzdem denke ich, der Text mit den kürzeren Sätzen und Paragraphen ist einfacher zu lesen und zu verstehen.
Partner mit DrKPI® CyTRAP Labs: Messen was zählt
Wir bieten kompetente Entwicklung und Implementierung von:
- KI-Engineering (EU KI Verordnung, Beratung, Audit, Implementierung, Rekrutierung),
- KPI für digitales Marketing, und
- Vulnerability Disclosure Program (VDP) & GDPR Compliance.
Unsere Strategie: Minimale Ressourcenbelastung, optimierte Prozesse, gezielte KPIs und gesicherte Compliance.
Tools wie DrKPI® PageTracker und KPI AI AuditLight sorgen für innovative Lösungen
Partner with DrKPI® CyTRAP Labs: Measure what matters
We provide expert development and implementation of:
- AI engineering (EU AI Act, Advisory, Audit, Implementation, Recruiting),
- KPI for Digital Marketing, and
- Vulnerability Disclosure Program (VDP) & GDPR Compliance.
Our strategy: Minimal resource strain, optimized processes, targeted KPIs, and assured compliance.
Tools like DrKPI® PageTracke and KPI AI AuditLight drive innovative solutions.
Unitree H1 Roboter rastet aus und schlägt um sich
Nicht immer läuft die KI so wie es geplant ist. Das Video zeigt einen Zwischenfall in einer chinesischen Fabrik.
dEin Unitree H1 (Full-Size Universal Humanoid Robot) zwingt 2 Techniker schnell auszuweichen, um nicht schwer verletzt zu werden.
Danach schalten sie den Roboter aus. War es falscher Code in der Sotware? Hat sich vielleicht das KI Programm „verselbstständigt“?
Was auch immer, es macht keine Freude (Hinweis über diesen Vorfall von J. Cho siehe her).
Der humanoide Roboter im Video rastet aus. Softwarefehler…. oder die KI natürlich beides 🤔. Wir wissen es nicht, ABER scary.
11 Antworten
Das ist wirklich sehr interessant und verständlich geschrieben.
Klasse ist die 10-Punkte Checkliste oder Ratgeber / Leitfaden.
DeepL hat aber manchmal auch Probleme die sprachlichen Differenzen zwischen den verschiedenen Ländern in der DACH Region mit zu berücksichtigen.
Lieber Stefan
Ja ich habe hier einen Screenshot der zeigt was wir so im Vorbeiweg alles finden.
Beispielsweise, wenn es die politische Partei – der radikale liberale Parteichef, sollt eigentlich heissen der Parteivorsitzene von der Freisinnig-Demokratische Partei (FDP) heissen, auch auf English sollte es Free Democratic Party heissen. In Genf heisst es Les Libéraux-Radicaux… aber all diese Genauigkeiten gehen verloren, d.h. as Fakten werden „Fake News“
Auch das scharfe ß (Kleinbuchstabe) ist so eine Vorliebe von Deepl. Auch Google Docs nutzt es.
Das ß braucht man weder in Österreich noch in der Schweiz.
Schönes Wochenende
Urs
DrKPI CyTRAP
Roboter rastet aus in China
Auch wenn alles richtig programmiert ist, können Dinge passieren.
Beispiel ist ein Roboter der ausrastet und um sich schlägt in chinesischer Fabrik.
Es war wohl ein Softwarefehler der zum Ausraster vom Roboter geführt hat.
Danke J. Cho für diese Info.
Habe das Video gesucht und gefunden.
Lieber Urs,
Das ist unheimlich!
Klar – ein falscher Code, eine falsche Programmierung und dies scheint das Ergebnis zu sein. Das kann passieren.
ABER – Der Schritt den „falschen Code“ bewusst zu programmieren, ist näher als wohl allen lieb wäre.
Da helfen auch keine Policies und Regularien, so wie es z.B. die EU seit 01.02.2025 eingeführt hat.
Grüsse,
Rolf
ANTWORT 1
Das ist natürlich richtig Rolf
KI kann bis anhin Entscheidungen noch nicht wie ein Mensch begründen. Auch macht das Planen zukünftiger Arbeiten der KI noch Schwierigkeiten.
Die KI kann aber und hat bei Tests Menschen hinters Licht geführt oder versucht Instruktionen zu umgehen!
Das wird zum Problem, wenn wir GenAI bitten, die Welt um uns herum ehrlich zu beurteilen.
Dann wird GenAI zu einer Lügenmaschine.
Mehr ANTWORT 2.
Urs
DrKPI CyTRAP
ANTWORT 2
Das Lügenproblem ist akkut. Beispiel, wenn die Maschine versucht dich zu hintergehen.
Risiko: Unabhängig davon, wie Systeme trainiert wurden, können KI-Systeme eigene Bewertungssysteme entwickeln().
Lügen: Manchmal ist das nur wenig schmeichelhaft – teils aber auch [besorgniserregend, wie im Falle wenn AI Claude lügt, das heisst der Nutzerin vortäuscht, bereits umtrainiert zu sein].
Lieber Urs,
das ist ein komplexes Thema.
Einerseits wollen und müssen wir uns weiter entwickeln. Jedoch bringt jeder Fortschritt auch Nachteile und Gefahren mit sich.
Als Jules Verne über U Boote und Reisen zum Mond schrieb wurde er nur belächelt, doch es hat nicht so lange gedauert, bist aus diesen Visionen Wirklichkeit wurde.
Wenn ich an den Film von James Cameron denke „Terminator“ ist genau das passiert, die Maschinen haben das Kommando übernommen.
Wie und wer auch immer diesen Programmier Fehler gemacht hat, ein wenig Bedenken kommen da doch schon auf.
Vielen Dank, dass du wieder einmal so ein Thema angehst.
LG Petra
Liebe Petra
Vielen Dank für Deinen Kommentar. Ja Fortschritt ist was gutes aber wir wissen natürlich nicht genau auf was wir uns da einlassen.
Aber wichtig ist, dass wir die Kontrolle behalten. Systeme welche die Kontrolle übernehmen oder uns anschwindeln (siehe Antwort 2 oben Rolf), sind die Dinge die mir schlaflose Nächte bereiten.
KI kann bis anhin deren Entscheidungen noch nicht wie ein Mensch begründen. Doch wenn dies der Fall sein wird, ist dies die erste Technologie, welche Entscheidungen ohne uns trifft.
Zahl die interessiert: 2 Billionen Token (Deutsch) – US 2 Trillions (English), nur zur Clarification.
Das ist die Anzahl der Token, mit denen IBM die Grundlage für sein neues Bamba-9B-v2-Modell trainiert hat.
➡️ Bamba-9B-v2 – Fast and powerful! 2025-04-24 – anklicken lesen – auf English
Danke Jimmy
Sehr interessant.
IBM Research und Partner haben Bamba-9B-v2 veröffentlicht, ein Open Source hybrides Transformer-SSM-Modell, das auf 3T Token trainiert wurde und angeblich schnellere Schlussfolgerungen als vergleichbare LLMs ermöglicht.