Lyft 使用 AI 和人機協同擴展了全球范圍內的本地化能力

作者 | Leela Kumili

譯者 | 張衛濱

Lyft 實現了一套 AI 驅動的本地化系統，用以加速其應用與網頁內容的翻譯工作，它能夠在支撐全球化擴張的同時兼顧翻譯質量與文化適配性。系統通過批量翻譯流水線來處理約 99% 的面向用戶的內容，針對 95% 的翻譯任務設定了 30 分鐘作為服務等級目標。像行程聊天等實時翻譯則采用獨立的低延遲優化流程。

此前，Lyft 嚴重依賴人工翻譯流程，隨著公司進入新市場且產品迭代速度加快，這一模式逐漸成為瓶頸。新系統將大語言模型（LLM）與自動評估、人工審核相結合，在大幅縮短交付周期的同時，保持語氣、風格與法律文本的一致性。

批量翻譯流水線采用雙路徑架構，源文本會同時提交至翻譯管理系統（TMS）進行人工監管，并交由基于 LLM 的工作模塊快速生成譯稿。這一模式使得 AI 生成譯文可立即投入使用，保障版本發布不受阻，同時翻譯管理系統仍然會保留系統記錄。語言專家異步審核譯文，通過后的版本將替換初始輸出，確保質量與一致性。

該流水線支持多條文本并行處理，并可進行多輪迭代優化。系統將職責劃分為 Drafter 與 Evaluator 兩個角色：Drafter 會產出多個版本的候選譯文，Evaluator 則從準確性、流暢度、品牌契合度等維度進行評判，選出最優方案，或對較低置信度的結果發起重試。這種生成與評估解耦的設計，提升了錯誤檢出能力并能夠減少偏差。系統還會注入上下文信息，包括 UI 元數據、占位符、地區差異考量等因素，以保障翻譯質量，同時通過確定性約束規則，嚴格把控安全、法律與風格的要求。

批量翻譯流水線的組件（來源：Lyft 博客文章）

Lyft 的工程師表示，該系統已將大部分內容的翻譯周期從數天縮短至分鐘級，提升了各語言版本的發布效率。該架構還支持提示詞分批上線，可在小批量測試新的 AI 翻譯策略后再全面部署，從而保證生產環境的穩定性。

像行程聊天消息這樣的實時翻譯采用另一套專注于低延遲的架構。批量翻譯可依托更豐富的上下文信息與迭代評估，而實時翻譯模型則優先保證用戶即時反饋。

迭代式本地化工作流程（來源：Lyft 的博客文章）

Lyft 的本地化系統將 AI 融入批量與實時翻譯流程。大語言模型負責首輪翻譯，減輕人工審核人員工作量；審核人員對結果進行校驗，確保準確性、風格合規與文化適配。系統持續采集翻譯質量、模型表現、審核一致性等指標，用于模型調優與后續翻譯的優化。

約 95% 的譯文經人工審核后僅需少量修改即可上線。剩余 5% 為復雜場景，如地區習慣用語、法律聲明、品牌專屬用語等，必須依靠人工把控以確保準確性和一致性。通過對這些結果的追蹤，Lyft 能夠量化翻譯質量、優化 AI 模型，并在多語言環境下維持穩定可靠的生產級譯文。

查看英文原文：

Lyft Scales Global Localization Using AI and Human-in-the-Loop Review

聲明：本文為 InfoQ 翻譯，未經許可禁止轉載。