Diakonia-ammattikorkeakoulun (Diak) osatoteuttamassa Monikielinen yhteiskuntaorientaatio -hankkeessa käännetään suomalaiseen yhteiskuntaan liittyvää materiaalia viidelle kielelle. Materiaalit käsittelevät esimerkiksi viranomaisasiointia, oikeuksia ja velvollisuuksia, palvelujärjestelmää sekä arjen toimintaa Suomessa. Tällaisissa teksteissä käännöksen on oltava paitsi sujuva myös sisällöllisesti tarkka, terminologisesti johdonmukainen ja kohderyhmälle ymmärrettävä. Tekoäly voi olla tehokas väline tällaisten tekstien kääntämisessä, muokkaamisessa ja oikoluvussa. Samalla on kuitenkin tärkeää kysyä, mihin tekoäly ei pysty?
Tekoälyä käytetään yhä useammin erilaisissa työtehtävissä. Vaikka tekoälyn hyödyt ja vaikutukset ovat monilla aloilla vielä osittain epäselviä, kääntäminen ja tulkkaus kuuluvat niihin ammatillisiin alueisiin, joihin tekoälyn kehityksellä arvioidaan olevan erityisen suuri vaikutus. (Azpúrua, 2026.)
Konekääntämistä on tutkittu jo pitkään ja sen vaikutusta käännöstyön nopeuteen, laatuun ja työnkuvaan on tarkasteltu monissa kielialan tutkimuksissa (Hutchins, 2001). Siksi kääntäminen on yksi niistä aloista, joilla käännösprosessin osittainen automatisoituminen ei ole enää vain tulevaisuus, vaan osa ammattikääntäjän arjen työprosesseja. Erityisesti suurten kielimallien kehitys eli LLM on vaikuttanut siihen, että tekoälyä voidaan hyödyntää paitsi varsinaisessa kääntämisessä, vaihtoehtoisten muotoilujen etsimisessä sekä editoinnissa ja oikoluvussa. Samalla tekoälyn käyttö edellyttää kriittistä arviointia, sillä koneellisesti tuotettuihin käännöksiin voi sisältyä mm. merkitysvirheitä, poistoja ja lisäyksiä, hallusinaatioita, terminologisia ja tyylillisiä epätarkkuuksia. (Ataman ym., 2025.)
Kääntäminen siirtää sanojen lisäksi merkityksiä
Käännös ei ole pelkkää sanojen siirtämistä kielestä toiseen, vaan siihen liittyy merkityksen, kontekstin, tyylin, ja sekä kohde- että lähdekielen kulttuuristen viittausten ja tekstilajin ymmärtämistä. Ammattikääntäjien työssä ensimmäiset keskeiset teknologiset työvälineet, kuten CAT-ohjelmat, helpottivat käännöstyötä, sillä ne tallensivat ja hyödynsivät käännösmuisteja, termipankkeja ja aiemmin käännettyjä tekstisegmenttejä (Hutchins, 2001). Niiden avulla käännöksistä voitiin tehdä johdonmukaisempi, työprosessin keskiössä oli kuitenkin edelleen ihminen. Kääntäjä päätti, mikä sana tai ilmaus valitaan, miten konteksti vaikuttaa merkitykseen ja millainen tyyli eli sanavalinta sopii tekstin tarkoitukseen.
Digitaalisen tiedon määrä on alkanut kasvaa voimakkaasti ja samalla myös tarve kääntää suuria määriä tekstiä eri kielille on lisääntynyt 2000-luvun aikana (Martin, 2011).
Konekääntämisen historiaa
Ensimmäinen merkittävä käänne konekääntämisessä tapahtui, kun Google vuonna 2006 otti käyttöön tilastolliseen konekääntämiseen perustuvan järjestelmänsä eli SMT:n. Palvelu oli tavallisille käyttäjille maksuton, ja sen ensimmäinen kielipari oli arabia–englanti. (Och, 2006.) Tämän jälkeen palvelu laajeni muun muassa venäjään ja kiinaan (Wikipedia., i. a.). Maksuttoman verkkopalvelun ja avoimen rajapinnan eli API-julkaisemisen (Google System, 2008) myötä konekääntäminen alkoi arkipäiväistyä ja tulla yhä laajemman käyttäjäjoukon saataville.
Tilastollinen konekääntäminen (SMT) lähti ajatuksesta, että jokaiselle sanalle tai fraasille on olemassa useita mahdollisia käännöksiä, joista osa on tilastollisesti todennäköisempiä kuin toiset. Järjestelmä hyödynsi laajoja rinnakkaistekstiaineistoja eli aiemmin käännettyjä tekstipareja, joissa sama sisältö esiintyi kahdella tai useammalla kielellä. Tällaisia aineistoja olivat esimerkiksi Euroopan unionin ja YK:n monikieliset asiakirjat sekä verkkosivujen käännökset. (Koehn, 2005.)
Järjestelmä ei kuitenkaan varsinaisesti “ymmärtänyt” tekstiä. Se tarkasteli tekstiä rajattuina sanojen, fraasien tai lauseiden osina ja arvioi käännösvaihtoehtoja niiden tilastollisen esiintymisen perusteella. Tällainen “suora” kääntäminen ja esim. polysemian huomiotta jättäminen tuotti usein käännöksiä, jotka olivat kieliopillisesti kömpelöitä tai merkitykseltään virheellisiä (Palanichamy & Trojovsky, 2024; Stasimioti ym., 2020). Monissa kielissä muistetaan edelleen huvittavia tilanteita, joissa vanha Google Translate tuotti täysin kontekstista irronneita käännöksiä, joista tuli kansallisia meemejä. Konekääntämisen kehityksestä huolimatta kulttuuristen vivahteiden ja kontekstisidonnaisten merkitysten kääntäminen on ollut kuitenkin edelleen yksi tekoälyn haastavimmista tehtävistä.
Google pyrki ratkaisemaan näitä ongelmia siirtymällä vuonna 2016 neuroverkkopohjaiseen konekääntämiseen (NMT) (Turovsky, 2016). Toisin kuin SMT, neuroverkkopohjainen konekääntäminen hyödyntää keinotekoisia neuroverkkoja. Sen tavoitteena on mallintaa käännöstä kokonaisvaltaisemmin: järjestelmä voi ottaa huomioon lauseen rakenteen ja merkityksen laajemmin kuin yksittäisen sanan tai fraasin tasolla.
Neuroverkkopohjaiset konekääntimet, kuten Google Translate ja myöhemmin myös DeepL, paransivat konekääntämisen laatua huomattavasti (Stasimioti ym., 2020). NMT-järjestelmissä oli kuitenkin edelleen ongelmia. Niitä ovat muun muassa tyylin säilyttäminen koko tekstin läpi, terminologinen epäjohdonmukaisuus sekä kuvainnollisen kielen, kuten idiomien, kääntäminen. (Yu Wan, 2022; Koehn & Knowles, 2017.)
Kielimallit kehittävät kieliteknologiaa
Viimeisimmät tekoälyn kehitysaskeleet, joista esimerkkejä ovat ChatGPT:n ja Copilotin kaltaiset suuret kielimallit (LLM), ovat vieneet kieliteknologian kehitystä rinnakkaistekstiaineistoihin perustuvaa oppimista pidemmälle. Kehitys on laajentunut itseohjautuvan oppimisen ja monitehtäväoppimisen menetelmiin. Tämän kehityksen myötä tekoälyjärjestelmät eivät enää ainoastaan käännä tekstiä, vaan ne voivat myös tuottaa, muokata, tiivistää ja selittää sitä. (Hendy ym., 2023.)
Viimeisimmät tekoälyn kehitysaskeleet, joista esimerkkejä ovat ChatGPT:n ja Copilotin kaltaiset suuret kielimallit (LLM), ovat vieneet kieliteknologian kehitystä rinnakkaistekstiaineistoihin perustuvaa oppimista pidemmälle.
Tekoälyteknologian ja konekääntämisen kehitys on johtanut siihen, että käännösalalla on alettu vertailla, kumpi toimii paremmin eri käännöstilanteissa: perinteinen neuroverkkopohjainen konekäännösjärjestelmä vai ChatGPT:n kaltaiset suuret kielimallit. Tutkimusten perusteella suuret kielimallit voivat tuottaa laadukkaita, sujuvia ja joustavia käännöksiä erityisesti korkean resurssin kielissä. Samalla erikoistuneet NMT-järjestelmät voivat kuitenkin säilyttää etunsa tietyissä tilanteissa (Hendy ym., 2023; Shiyue & Lin, 2025).
Tutkimukset korostavat, että suuret kielimallit, kuten ChatGPT, tekevät kääntämisestä aiempaa vuorovaikutteisempaa ja joustavampaa. Ne pystyvät kääntämään tekstejä ja samalla mukauttamaan käännöksen tyyliä, sävyä, rekisteriä ja kohderyhmälle sopivuutta käyttäjän antaman ohjeen (prompti) perusteella. LLM-mallien vahvuus on erityisesti sujuvuudessa ja laajemman kontekstin huomioimisessa. Ne voivat käsitellä pidempiä tekstikokonaisuuksia ja ottaa paremmin huomioon esimerkiksi pronominiviittauksia, tekstin koheesiota ja tyylin jatkuvuutta. Tämä on tärkeää erityisesti pitkissä teksteissä, joissa yksittäisten lauseiden lisäksi täytyy huomioida koko tekstin rakenne ja merkityssuhteet. (Ataman ym., 2025.)
Samalla LLM-malleihin liittyy uusia riskejä. Niiden tuottama käännös voi kuulostaa luonnolliselta, vaikka se ei olisi täysin tarkka. Malli voi joskus lisätä tekstiin tietoa, jota lähdetekstissä ei ole tai joiden todellisuuspohja on heikko (hallusinaatio), jättää jotakin pois tai tulkita sisältöä liian vapaasti. Myös terminologisen yhtenäisyyden säilyttäminen voi olla haastavaa, jos mallille ei anneta riittävän tarkkoja ohjeita tai jos sen tuottamaa tekstiä ei tarkisteta asiantuntevasti. (Ataman ym., 2025.)
Samanlaisia havaintoja nousi esiin myös yhteiskuntaorientaation materiaalin kääntämisen yhteydessä. Kun LLM-malleja oli hyödynnetty käännösprosessin tukena, niiden havaittiin tuottavan usein erittäin sujuvaa ja luonnolliselta kuulostavaa tekstiä, erityisesti silloin, kun prompti oli riittävän laaja ja tarkasti laadittu.
Samalla käännöksissä esiintyi kuitenkin ajoittain samoja ongelmia, joita edellä mainituissa tutkimuksissa on kuvattu: lähdetekstin merkitys saattoi muuttua, osia saattoi jäädä pois tai terminologia ei pysynyt täysin johdonmukaisena koko tekstin läpi. Nämä ongelmat korostuivat erityisesti silloin, kun mallia ei ollut ohjeistettu riittävän tarkasti eli prompti oli puutteellinen. Tämä vahvisti käsitystä siitä, että LLM-mallit voivat olla hyödyllisiä apuvälineitä, mutta niiden tuottama teksti edellyttää edelleen huolellista ihmisen tekemää tarkistusta.
Käännettäessä hankkeen materiaalia nousi esille, että suuret kielimallit voivat toimia erityisen tehokkaina oikoluvun ja jälkieditoinnin tukivälineinä. Kun malli on ohjeistettu huolellisesti ja sille annetaan selkeät, tarkoituksenmukaiset kehotteet, kääntäjä voi hyödyntää tekoälyä oikolukuprosessin apuna ja tällöin oikoluku voi edelleen säilyä saman asiantuntijan eli kääntäjän vastuulla. Tekoäly kykenee tehostamaan ja tukemaan tätä työvaihetta esimerkiksi tunnistamalla kielellisiä epäjohdonmukaisuuksia, typografisia virheitä ja tyylillisiä puutteita sekä ehdottamalla parannuksia. Toisaalta erityisesti harvinaisimmissa kielissä suuret kielimallit oppivat kieltä erilaatuisten kielitekstien perusteella, joten mukana on myös epämuodollista ja puhekielistä tekstiä ja näiden kielimallien tuottamat tuotokset eli käännökset eivät välttämättä ole kieliopillisesti täysin virheettömiä (Ataman ym., 2025).
Esimerkiksi, ukrainan kielessä niin sanottu väliin tuleva lisäys kuin «наприклад» (fi. esimerkiksi), erotetaan kielioppinormien mukaisesti pilkuilla sekä ennen että jälkeen. Suurilla kielimalleilla, kuten ChatGPT:llä, on kuitenkin toisinaan vaikeuksia noudattaa tällaisia kielikohtaisia ja hienovaraisia välimerkkisääntöjä johdonmukaisesti. Vaikka etukäteen muotoiltu prompti voi parantaa tuotoslaatua ja vähentää virheitä tietyssä tehtävässä, sama virhe saattaa silti toistua myöhemmissä vastauksissa.
Uusia mahdollisuuksia ja haasteita
Konekääntämisen kenttä on muuttunut merkittävästi suurten kielimallien myötä: perinteisistä tilastollisista (SMT) ja neuroverkkopohjaisista malleista (NMT) on siirrytty monikäyttöisempiin järjestelmiin, jotka kykenevät käsittelemään laajasti erilaisia kielellisiä tehtäviä. Vaikka kehitys on parantanut käännösten laatua, se on tuonut mukanaan myös uusia haasteita.
LLM-mallien keskeinen etu on niiden kyky tuottaa sujuvaa ja kontekstisidonnaista tekstiä sekä mukauttaa tyyliä, rekisteriä ja erikoisalaterminologiaa. Haasteina ovat kuitenkin käännöksen yhdenmukaisuus, niin sanotut hallusinaatiot sekä vinoumat suhteessa alkuperäiseen tekstiin. Kääntäjille tämä merkitsee sitä, että kääntäjät ja kieliasiantuntijat toimivat yhä enemmän tuotosten arvioijina, ohjaajina ja laadun varmistajina. Lisäksi käännöksen huippulaadun saavuttamiseksi on suositeltavaa hyödyntää hybridilähestymistapaa, jossa yhdistetään nykyaikaiset neuroverkkopohjaiset käännösjärjestelmät (NMT) ja suuret kielimallit (LLM). Näin kääntäjä voi muun muassa vähentää terminologisia poikkeamia, mikä on tärkeää esimerkiksi laajoissa käännöskokonaisuuksissa tai asiakirjakäännöksissä.
Lähteet
Ataman, D., Birch, A., Habash, N., Federico, M., Koehn, P., & Cho, K. (2025, 17. kesäkuuta). Machine Translation in the Era of Large Language Models: A Survey of Historical and Emerging Problems. https://www.mdpi.com/2078-2489/16/9/723#metrics
Azpúrua, A. E. (2026, 20. helmikuuta). Enhance or Eliminate? How AI Will Likely Change These Jobs. https://www.library.hbs.edu/working-knowledge/enhance-or-eliminate-how-ai-will-likely-change-these-jobs
Google System. (2008, 28. maaliskuuta). Google Translate API. https://googlesystem.blogspot.com/2008/03/google-launched-another-ajax-api-this.html
Hendy, A., Abdelrehim, M., Sharaf, A., & Raunak, V. (2023, 18. maaliskuuta). How Good Are GPT Models at Machine Translation? A Comprehensive Evaluation. https://arxiv.org/abs/2302.09210v1
Hutchins, W. J. (2001). Machine translation over fifty years. Histoire, Epistemologie, Langage, Tome XXII, fasc. 1, s. 7-31. https://aclanthology.org/www.mt-archive.info/00/HEL-2001-Hutchins.pdf
Koehn , P., & Knowles, R. (2017). Six Challenges for Neural Machine Translation. In Proceedings of the First Workshop on Neural Machine Translation, s. 28–39, Vancouver. Association for Computational Linguistics. https://aclanthology.org/W17-3204/
Koehn, P. (2005). Europarl: a parallel corpus for statistical machine translation. https://aclanthology.org/2005.mtsummit-papers.11.pdf
Martin, H. (2011). The World’s Technological Capacity to Store, Communicate, and Compute Information. New York, N.Y.: Science.
Och, F. (2006, 28. maaliskuuta). Statistical machine translation live. https://research.google/blog/statistical-machine-translation-live/
Palanichamy , N., & Trojovsky, P. (2024, 8. lokakuuta). Overview and challenges of machine translation for contextually appropriate translations. Science Direct. https://www.sciencedirect.com/science/article/pii/S2589004224021035#bib35
Shiyue , C., & Lin , Y. (2025). A multidimensional comparison of ChatGPT, Google Translate, and DeepL in Chinese tourism texts translation: fidelity, fluency, cultural sensitivity, and persuasiveness. Frontiers in Artificial Intelligence. https://www.researchgate.net/publication/393993491_A_multidimensional_comparison_of_ChatGPT_Google_Translate_and_DeepL_in_Chinese_tourism_texts_translation_fidelity_fluency_cultural_sensitivity_and_persuasiveness
Stasimioti, M., Sosoni, V., & Moura, D. (2020). Machine Translation Quality: A comparative evaluation of SMT, NMT and tailored-NMT outputs. Lisbon: Conference: 22nd Annual Conference of the European Association for Machine Translation.
Turovsky, B. ( 2016, 16. marraskuuta). Found in translation: More accurate, fluent sentences in Google Translate. https://blog.google/products-and-platforms/products/translate/found-translation-more-accurate-fluent-sentences-google-translate/
Wikipedia. (i.a.). Google Translate. Retrieved from Wikipedia: https://en.wikipedia.org/wiki/Google_Translate
Yu Wan, B. Y. (2022). Challenges of Neural Machine Translation for Short Texts. Computational Linguistics 48 (2), s. 321–342. Computational Linguistics: https://direct.mit.edu/coli/article/48/2/321/109902/Challenges-of-Neural-Machine-Translation-for-Short
