AI lokalizavimas: priversti pokalbių robotus veikti įvairiomis kalbomis ir kultūromis

Prieš penkerius metus sėdėjau kavinėje Tokijuje ir bandžiau naudoti banko pokalbių robotą, kad išspręsčiau tarptautinio pervedimo problemą. Nepaisant to, kad pasirinkau „anglų“ kaip savo kalbos pirmenybę, buvau įstrigęs varginančioje kultūrinių atotrūkių kilpoje. Pokalbių robotas vis siūlė sprendimus, kurie buvo visiškai prasmingi Japonijos bankininkystės protokolų kontekste, bet visiškai nesusiję su mano, kaip užsieniečio, situacija. AI ne tik nesugebėjo teisingai išversti žodžių – jis nesugebėjo išversti viso kultūrinio konteksto.
Ši patirtis iliustruoja esminį AI lokalizavimo iššūkį: tai ne tik teksto konvertavimas iš vienos kalbos į kitą. Tikra lokalizacija reikalauja pritaikyti dirbtinio intelekto sistemas, kad jos natūraliai veiktų visiškai skirtingose kultūrinėse sistemose, suprasti niuansuotus bendravimo stilius, kultūrines nuorodas ir visuomenės lūkesčius, kurie labai skiriasi įvairiuose regionuose.
Kadangi pokalbių robotai ir virtualūs asistentai tampa vis svarbesni verslo bendravimo su pasauliniais klientais pagrindais, statymai tinkamai lokalizuoti niekada nebuvo didesni. Įmonės atranda, kad prastai lokalizuotas dirbtinis intelektas gali pakenkti prekės ženklo reputacijai, sukelti nusivylimą ir netgi sukelti didelių verslo nuostolių tarptautinėse rinkose. Ir atvirkščiai, apgalvotai pritaikytos sistemos gali sukurti autentiškus ryšius, kurie jaučiasi gimtieji naudotojams visame pasaulyje.
„Skirtumas tarp vertimo ir lokalizavimo yra skirtumas tarp supratimo ir priėmimo“, – aiškina dr. Mei Zhang, vadovaujantis tarpkultūriniams AI tyrimams didelėje technologijų įmonėje. „Gerai lokalizuotas pokalbių robotas ne tik kalba jūsų kalba – jis supranta jūsų kultūrinį kontekstą, bendrauja pažįstamais būdais ir gerbia jūsų kultūrines vertybes.
Šis visapusiškas požiūris į lokalizaciją yra vienas iš svarbiausių iššūkių ir galimybių šiandienos dirbtinio intelekto sistemų evoliucijoje.

Norint sukurti pokalbių robotus, kurie veiksmingai veiktų įvairiose kalbose ir kultūrose, reikia sudėtingų technologinių pagrindų, kurie yra daug daugiau nei paprasti vertimo varikliai. Kelios pagrindinės technologijos susilieja, kad būtų galima padaryti tikrai lokalizuotą AI:
Neuroninis mašininis vertimas (NMT) pakeitė kalbos konvertavimo galimybes. Skirtingai nuo ankstesnių statistinių metodų, šiuolaikinės NMT sistemos užfiksuoja gilesnius kalbinius ryšius ir kontekstą, todėl vertimai skamba natūraliau. Šios sistemos ir toliau tobulėja dėl įvairių kalbų duomenų, palaipsniui mažinant atotrūkį tarp mašininio ir žmogaus vertimo kokybės.
Konkrečiai kalbai skirti didelių kalbų modeliai (LLM), parengti tiesiogiai naudojant ne anglų kalbos korpusus, pakeičia tradicinį metodą, kai pirmiausia kuriami anglų kalbos modeliai, kurie vėliau pritaikomi. Įmonės vis daugiau investuoja į modelius, kurie nuo pat pradžių buvo mokomi tokiomis kalbomis kaip mandarinų, hindi, arabų ir ispanų, todėl šių kalbų supratimas ir generavimo galimybės yra autentiškesnės.
Kultūros konteksto varikliai analizuoja ir nustato kultūriškai specifinius pokalbių elementus, įskaitant idiomas, kultūrines nuorodas, humorą ir mandagumo lygius, ir atitinkamai pritaiko atsakymus. Šios sistemos padeda pokalbių robotams atpažinti, kada pažodinis vertimas netenka numatytos reikšmės arba gali būti įžeistas.
Daugiakalbis balso atpažinimas labai patobulėjo – dabar sistemos gali suprasti stipriai akcentuotą kalbą ir kodų perjungimą (pokalbyje maišyti kelias kalbas), o tai įprasta daugiakalbėse visuomenėse. Galimybė apdoroti natūralius kalbos modelius, o ne reikalauti, kad naudotojai priimtų dirbtinius kalbėjimo stilius, yra labai svarbūs, kad vartotojas priimtų.
Multimodalinis supratimas leidžia sistemoms interpretuoti ne tik tekstą ir kalbą, bet ir vaizdinius bei interaktyvius elementus, kurie įvairiose kultūrose gali turėti skirtingas reikšmes. Pavyzdžiui, konkrečių gestų, simbolių ar vaizdų reikšmė regionuose gali labai skirtis.
Kalbėjausi su Rajiv Mehta, startuolio, besispecializuojančio dirbtinio intelekto lokalizavimo srityje, techniniu direktoriumi, kuris pabrėžė šių technologijų tarpusavio ryšį: „Proveržis yra ne kokia nors viena technologija, o tai, kaip šie komponentai veikia kartu realiuoju laiku. Mūsų sistemos nuolat atlieka mikrokoregavimus, pagrįstus kalbiniais ženklais, kultūriniu kontekstu, vartotojų elgsenos modeliais ir net regioniniais naujienų įvykiais, kurie gali turėti įtakos tam tikriems naujienų įvykiams.
Pažangiausiose lokalizavimo platformose yra grįžtamojo ryšio kilpos, kurios nuolat gerina našumą, atsižvelgiant į vartotojų sąveiką įvairiose rinkose. Tai leidžia sistemoms prisitaikyti prie besikeičiančių kalbos vartojimo ir kultūrinių pokyčių, o ne pasikliauti statiniais vertimais, kurie greitai pasensta.

Kalbos vertimas, nors ir sudėtingas, yra tik pirmasis žingsnis kuriant tikrai lokalizuotą AI patirtį. Didesnis iššūkis yra prisitaikyti prie kultūrinių dimensijų, turinčių įtakos viskam – nuo bendravimo stilių iki sprendimų priėmimo procesų:
Bendravimo tiesiogiškumas įvairiose kultūrose labai skiriasi. Daugelyje Vakarų kontekstų, ypač Amerikos verslo aplinkoje, tiesioginis bendravimas yra vertinamas („suprask tašką“). Ir atvirkščiai, daugelis Rytų Azijos ir Artimųjų Rytų kultūrų naudoja daugiau netiesioginio bendravimo modelių, kurie, prieš sprendžiant pagrindinę temą, teikia pirmenybę santykių kūrimui ir konteksto supratimui. Pokalbių robotai, kurie nesugeba prisitaikyti prie šių skirtumų, dažnai pasirodo kaip grubiai staigūs arba varginančiai neaiškūs.
Formalumo lygiai ir hierarchinis suvokimas yra labai svarbūs daugelyje kalbų, kuriose yra įtaisyti formalumo žymenys, pvz., japonų (keigo), korėjiečių (garbingieji ženklai) arba T-V skirtumai romantinėse kalbose (prancūzų kalba tu/vous). Netinkamą formalumo lygį naudojantys pokalbių robotas gali atrodyti nepagarbus arba netinkamai atsitiktinis, atsižvelgiant į kontekstą ir santykius.
Kultūrinės nuorodos, idiomos ir humoras retai verčiami tiesiogiai. Pokalbių robotas, kurio atsakymus papildo beisbolo metaforos, užmegs ryšį su amerikiečių vartotojais, bet suklaidins tuos rinkose, kuriose sportas turi mažai kultūrinės reikšmės. Panašiai ir humoras labai skiriasi – tai, kas juokinga vienoje kultūroje, kitoje gali būti gluminanti ar įžeidžianti.
Vizualiniai ir dizaino elementai, įskaitant spalvų asociacijas, simbolius ir išdėstymo nuostatas, turi kultūrinę reikšmę, kuri turi įtakos vartotojo patirčiai. Pavyzdžiui, Kinijoje finansinis pokalbių robotas, kuriame naudojama raudona spalva (susijusi su klestėjimu), bus suvokiama kitaip nei Vakarų rinkose, kur raudona spalva dažnai reiškia pavojų arba nuostolius finansiniame kontekste.
Laiko suvokimas ir tempo lūkesčiai labai skiriasi. Kai kurios kultūros tikisi greitos, veiksmingos sąveikos, orientuotos į greitą užduočių atlikimą, o kitos vertina daugiau santykių kūrimo ir kontekstinės diskusijos prieš sprendžiant užduotis.
Sarah Kim, vadovaujanti pasaulinei komandai, kurianti lokalizuotą klientų aptarnavimo dirbtinį intelektą, pasidalijo iliustraciniu pavyzdžiu: „Iš pradžių savo bankininkystės asistentą sukūrėme taip, kad jis būtų draugiškas ir šiek tiek atsainus JAV rinkai. Kai išsiplėtėme į Pietų Korėją, net ir turėdami tobulą korėjiečių kalbos vertimą, klientų pasitenkinimas buvo žemas. Išsiaiškinome, kad Korėjos klientai tikėjosi daugiau formalumo ir aiškaus bendravimo, kai tik iš naujo pripažinome jų statusą. tik kalba – pasitenkinimo balai smarkiai išaugo“.
Patys sudėtingiausi lokalizavimo metodai dabar apima tokias sistemas kaip Hofstede kultūros dimensijos arba Lewiso modelis, kad būtų sistemingai sprendžiami šie variantai, leidžiantys pokalbių robotams pritaikyti ne tik savo žodyną, bet ir visą sąveikos metodą, pagrįstą kultūriniu kontekstu.

Dirbtinio intelekto lokalizavimo kraštovaizdis yra kupinas nuostabių sėkmių ir pamokančių nesėkmių, išryškinančių tikrai tarpkultūrinių sistemų kūrimo sudėtingumą:
Pasaulinės el. prekybos platformos konversijų rodikliai Japonijoje padidėjo 47 % po to, kai perkūrė apsipirkimo asistentą, kad būtų įtrauktas kultūriškai tinkamas detalumo ir tikrumo lygis. Originali versija, sukurta atsižvelgiant į vakarietišką ryžtą, Japonijos vartotojų buvo suvokiama kaip įtartinai neapibrėžta, nes jie tikėjosi išsamesnės informacijos apie produktą ir socialinio įrodymo prieš priimdami pirkimo sprendimus.
Tarptautinė kelionių kompanija sukūrė virtualų konsjeržą, kuris dinamiškai pritaiko savo bendravimo stilių pagal vartotojo namų kultūrą ir kelionės tikslą. Pavyzdžiui, kai japonų turistai naudojasi paslauga planuodami keliones į Braziliją, sistema taiko unikalų mišrų metodą, kuris padeda įveikti kultūrinius lūkesčius, susijusius su tvarkaraščiu, punktualumu ir socialine veikla, kartu su praktine informacija suteikiant kultūrinį kontekstą.
JAV sukurtas sveikatos priežiūros pokalbių robotas smarkiai žlugo, kai buvo įdiegtas keliose Artimųjų Rytų šalyse, nes neatsižvelgė į kultūrinį požiūrį į tiesioginį aptarimą tam tikromis medicinos temomis. Įtraukus regionui būdingus požiūrius į jautrias sveikatos problemas ir suderinus su vietine sveikatos priežiūros praktika, vartotojų įsitraukimas išaugo aštuonis kartus.
Finansinių paslaugų pokalbių robotas buvo sėkmingas Lotynų Amerikos rinkose, įtraukdamas kultūrinį požiūrį į asmeninius santykius verslo kontekste. Vietoj to, kad iš karto sutelktumėte dėmesį į operacijas, tokias kaip jos atitikmuo Šiaurės Amerikoje, lokalizuota versija pradeda sąveiką su atitinkamu santykių kūrimo pokalbiu ir išlaiko asmeninę ankstesnių sąveikų atmintį.
Pakalbinau Miguelį Santaną, kurio komanda sukūrė daugiakalbę klientų aptarnavimo sistemą vienai stambiai oro linijų bendrovei: „Mūsų proveržis atėjo tada, kai nustojome galvoti apie tai, kaip sukurti vieną pokalbių robotą, kalbantį keliomis kalbomis, ir pradėjome ugdyti kultūriškai skirtingas asmenybes, kurios dalijasi žiniomis. Mūsų braziliška portugališka versija ne tik išverčia mūsų anglų kalbos robotą – ji turi skirtingą pokalbių srautą, skirtingą humoro jausmą, skirtingus santykius.
Šie pavyzdžiai išryškina esminę įžvalgą: sėkmingam lokalizavimui dažnai reikia iš esmės permąstyti sąveikos dizainą, o ne tiesiog išversti esamą patirtį. Įmonės, kurios lokalizavimą vertina kaip išsamų perkūrimo procesą, o ne vertimo užduotį, nuolat pasiekia geresnių rezultatų visose rinkose.

Norint užtikrinti, kad lokalizuotos dirbtinio intelekto sistemos veiktų efektyviai įvairiose rinkose, reikia specializuotų testavimo metodų, kurie peržengia tradicinius kokybės užtikrinimo metodus:

Kultūros konsultantai ir gimtakalbiai atlieka lemiamą vaidmenį vertinant ne tik kalbinį tikslumą, bet ir kultūrinį tinkamumą, bendravimo stilių ir konteksto supratimą. Daugelis organizacijų dabar palaiko kultūros patarėjų tinklus, kurie gali pateikti niuansuotą grįžtamąjį ryšį apie tai, kaip dirbtinio intelekto sistemos suvokiamos konkrečiose rinkose.

Scenarijais pagrįstas testavimas su kultūriškai specifinėmis situacijomis padeda nustatyti, kur sistemos gali nesuprasti kultūrinio konteksto. Pavyzdžiui, testuojant, kaip pokalbių robotas tvarko su šventėmis susijusius prašymus per Mėnulio Naujuosius metus, Ramadaną ar Divali, galima atskleisti kultūrinius akluosius taškus, kurie nebūtų akivaizdūs bendruose pokalbiuose.

Skirtingoms kultūroms pritaikyta nuotaikų analizė padeda pastebėti subtilius vartotojų pasitenkinimo klausimus, kurie gali būti aiškiai nenurodyti. Nepasitenkinimo išraiška labai skiriasi skirtingose kultūrose – kai kurie vartotojai gali tiesiogiai išreikšti nusivylimą, o kiti jį perduoda subtilesniais ženklais, kurių standartiniai nuotaikų įrankiai gali nepastebėti.

Lyginamasis A/B testavimas skirtingose rinkose gali atskleisti netikėtus pageidavimų ir efektyvumo skirtumus. Pokalbių roboto funkcija, kuri skatina didelį įsitraukimą viename regione, iš tikrųjų gali sumažinti naudojimą kitame dėl skirtingų lūkesčių ar bendravimo normų. Nuolatiniai grįžtamojo ryšio ciklai, apimantys realią naudotojų sąveiką, yra ypač vertingi lokalizacijai. Sistemos tobulėja remiantis realiais pokalbiais, o ne teorinėmis prielaidomis apie tai, kaip skirtingų kultūrų naudotojai gali sąveikauti.

Rashidas Al-Mahmoodas, vadovaujantis lokalizacijos testavimui pasaulinėje technologijų įmonėje, paaiškino jų metodą: „Sukūrėme tai, ką vadiname „kultūriniais kraštutiniais atvejais“ – scenarijus, specialiai sukurtus kultūrinėms riboms patikrinti. Pavyzdžiui, kaip mūsų sistema tvarko užklausą, kuri vienoje kultūroje būtų įprasta, bet kitoje – potencialiai netinkama? Šie kraštutiniai atvejai buvo nepaprastai vertingi nustatant subtilias lokalizacijos problemas, kurių tradicinis testavimas praleistų.“
Sudėtingiausios organizacijos diegia testavimo sistemas, kurios konkrečiai įvertina tokius kultūrinius aspektus kaip tiesmukiškumas, formalumas, konteksto supratimas ir kultūrinių nuorodų tinkamumas. Toks struktūrizuotas požiūris padeda užtikrinti, kad lokalizacijos pastangos apimtų visą kultūrinio pritaikymo spektrą, o ne vien tik kalbos tikslumą.

Dirbtinio intelekto sistemoms prisitaikant prie skirtingų kultūrinių kontekstų, iškyla svarbūs etiniai klausimai dėl kultūrinių skirtumų reprezentavimo, šališkumo ir galimo homogenizavimo:
Atstovavimas treniruočių duomenyse yra esminis iššūkis. Daugelis dirbtinio intelekto sistemų yra apmokytos visų pirma su turiniu anglų kalba iš vakarietiškų kontekstų, o tai sukuria būdingą šališkumą, kai tai taikoma visame pasaulyje. Organizacijos vis daugiau investuoja į įvairų duomenų rinkimą, siekdamos užtikrinti, kad sistemos suprastų įvairias kultūrines perspektyvas.
Kultūros pasisavinimo problemos kyla, kai dirbtinio intelekto sistemos priima kultūros elementus be tinkamo konteksto ar pagarbos. Įmonės turi pereiti ribą tarp autentiškos lokalizacijos ir paviršutiniško ar potencialiai įžeidžiančio kultūrinių savybių perėmimo.
Vertybių konfliktai tarp AI projektavimo principų ir vietinių kultūros normų sukuria sudėtingas etines dilemas. Pavyzdžiui, į AI sistemą įtrauktas įsipareigojimas siekti lyčių lygybės gali prieštarauti vietinėms lyčių normoms tam tikrose rinkose. Organizacijos turi nuspręsti, ar ir kaip pritaikyti savo sistemas, kad jos atitiktų vietines vertybes, kurios gali skirtis nuo jų pačių įmonių principų.
Privatumo lūkesčiai įvairiose kultūrose labai skiriasi ir turi įtakos asmens duomenų rinkimui, saugojimui ir naudojimui įvairiose rinkose. Tai, kas viename regione laikoma tinkamu duomenų naudojimu, kitame gali būti invazinė.
Kultūros homogenizacijos potencialas egzistuoja, jei dominuojantys AI metodai tiesiog perkelia paviršutiniškus kultūros elementus į iš esmės vakarietiškus sąveikos modelius. Tikra lokalizacija reikalauja gilesnio struktūrinio prisitaikymo prie įvairių kultūrinių struktūrų.
Dr. Fatima Rahmani, dirbtinio intelekto etikos tyrėja, besispecializuojanti tarpkultūrinėse technologijose, pasidalijo savo požiūriu: „Yra įtampa tarp prisitaikymo prie kultūrinių skirtumų ir potencialaus bet kokios kultūros probleminių aspektų stiprinimo. Organizacijoms reikia apgalvotų schemų, kad galėtų nuspręsti, prie kurių kultūros elementų prisitaikyti, o dėl kurių jų pačių vertybės liktų nediskutuotinos visose rinkose.
Šioje erdvėje pirmaujančios organizacijos parengė etikos gaires, skirtas specialiai tarpkultūriniam AI diegimui, skirtas spręsti šią įtampą. Šios sistemos paprastai apima pagarbaus kultūrinio prisitaikymo principus, skaidrų dirbtinio intelekto galimybių ir apribojimų atskleidimą skirtingomis kalbomis ir aiškius procesus, skirtus galimai žalai, kuri gali skirtingai paveikti konkrečias kultūrines grupes, nustatyti ir spręsti.

Organizacijos, kurios artėja prie AI lokalizacijos, gali rinktis iš kelių strateginių modelių, kurių kiekvienas turi skirtingus pranašumus ir apribojimus:
Centralizuotas kūrimas su lokalizavimo sluoksniais palaiko pagrindinį AI variklį ir prideda konkrečiai rinkai pritaikytų sluoksnių. Šis metodas užtikrina nuoseklumą visose rinkose, tačiau gali būti sunku prisitaikyti prie kultūrinio prisitaikymo. Tai geriausiai tinka techninėse srityse, kuriose kultūriniai skirtumai turi mažiau įtakos pagrindinėms funkcijoms.
Regioniniu požiūriu autonominė plėtra sukuria atskiras dirbtinio intelekto sistemas skirtingoms rinkoms ar regionams, leidžiančias giliau prisitaikyti prie kultūros, bet gali sukurti neatitikimų ir dubliuoti plėtros pastangas. Tokį požiūrį dažnai taiko organizacijos, kuriose regioniniai verslo padaliniai veikia labai autonomiškai.
Hibridinė architektūra sujungia centralizuotas žinių bazes su decentralizuotais pokalbių modeliais. Šis vis labiau populiarėjantis metodas palaiko nuoseklią informaciją visose rinkose, o pokalbių modeliai, asmenybė ir sąveikos stiliai gali skirtis atsižvelgiant į kultūrinį kontekstą.
Vystymas bendradarbiaujant, įtraukiant vietines komandas viso kūrimo proceso metu (o ne įtraukiant lokalizaciją kaip paskutinį žingsnį), leidžia pasiekti autentiškesnį prisitaikymą. Organizacijos pastebi, kad nuo pat pradžių įtraukus vietinius ekspertus, sistemos, kurias vėliau reikia mažiau modifikuoti, sukuriama.
Laipsniško įėjimo į rinką strategijos leidžia organizacijoms pasimokyti iš pradinių rinkų prieš plečiantis. Užuot vienu metu pradėjusios veikti dešimtyse rinkų, įmonės pasiekia geresnių rezultatų giliai prisitaikydamos prie kelių pagrindinių rinkų, mokydamosi iš patirties ir pritaikydamos šias įžvalgas vėlesniuose plėtros procesuose.
Elena Kowalski, prižiūrinti pasaulinę AI strategiją daugianacionalinei korporacijai, apibūdino jų raidą: „Mes perėjome nuo to, ką aš vadinčiau „lokalizavimu kaip vertimu“, prie „lokalizacijos kaip bendro kūrimo“. Mūsų regioninės komandos nepritaiko iš anksto nustatytos patirties – jos padeda kurti patirtį, pagrįstą savo kultūriniu kontekstu, kartu dalindamosi bendru technologiniu pagrindu.
Sėkmingiausios organizacijos lokalizaciją vertina ne kaip techninį iššūkį, o kaip strateginį prioritetą, kuris daro įtaką gaminio dizainui nuo pat ankstyviausių etapų. Šis metodas reikalauja daugiafunkcinio AI komandų, regioninių verslo padalinių, kultūros ekspertų ir vietinių vartotojų bendradarbiavimo viso kūrimo proceso metu.

Žvelgiant į ateitį, AI lokalizacijos ateitį formuoja kelios naujos tendencijos:
Nulinio ir kelių kadrų mokymosi galimybės leidžia dirbtinio intelekto sistemoms greičiau prisitaikyti prie naujų kalbų ir kultūrinio konteksto su minimaliu specifiniu mokymu. Nors šie metodai vis dar atsiranda, jie žada sudaryti galimybę sudėtingai lokalizuoti daug įvairesnių kalbų, įskaitant tas, kurių skaitmeniniai ištekliai yra riboti.
Kultūrinis prisitaikymas realiuoju laiku vystosi nuo statinių regioninių modelių iki dinamiškų sistemų, kurios prisitaiko pagal individualų vartotojo elgesį, pageidavimus ir specifinius kontekstus. Būsimos sistemos gali prisitaikyti ne tik prie vartotojo kalbos, bet ir prie asmeninio bendravimo stiliaus, kultūrinio fono ir situacijos.
Multimodalinė lokalizacija plečiasi ne tik tekstą ir kalbą, bet ir apima gestus, vaizdinius elementus ir interaktyvius modelius, kurie skiriasi įvairiose kultūrose. Šis visapusiškas požiūris sukuria labiau įtraukiančius ir autentiškesnius potyrius peržengiant kultūrines ribas.
Organizacijoms pripažįstant, kad dirbtinio intelekto sistemos gali prisidėti prie kultūros homogenizavimo arba padėti išsaugoti ir atgaivinti kalbines ir kultūrines tradicijas, tampa vis dėmesio skiriama kalbinės ir kultūrinės įvairovės išsaugojimui. Kai kurios įmonės aiškiai kuria savo lokalizavimo pastangas, kad palaikytų nykstančias kalbas ir kultūrinę raišką.
Atsiranda bendruomenės skatinami lokalizavimo metodai, kai skirtingų kultūrinių sluoksnių vartotojai prisideda prie savo bendruomenių AI sistemų tobulinimo ir tobulinimo. Šis bendradarbiavimo modelis padeda spręsti lokalizacijos iš viršaus į apačią apribojimus, įtraukdamas įvairias perspektyvas tiesiogiai į sistemos kūrimą.
Profesorius Jaime Rodriguezas, tyrinėjantis technologinį poveikį kultūrų įvairovei, pasiūlė tokią perspektyvą: „Kita riba yra ne tik priverstinis dirbtinio intelekto darbas skirtingomis kalbomis ir kultūromis – tai dirbtinio intelekto kūrimas, kuris iš tikrųjų pagerina kultūrinę raišką ir tarpkultūrinį supratimą, o ne jį išlygins. Organizacijos, kurios lokalizaciją traktuoja kaip kūrybinius kultūrinius mainus, o ne kaip kitos kartos techninę problemą.
Šios tendencijos rodo ateitį, kai dirbtinio intelekto lokalizavimas peržengs funkcinį prisitaikymą ir taps autentiškos kultūrinės raiškos ir mainų priemone, galinčia padėti įveikti skirtumus tarp skirtingų kultūrinių struktūrų, išsaugant tai, kas jas skiria.

AI lokalizacijos raida reiškia kelionę nuo paprasto vertimo iki tikro kultūrinio sklandumo – poslinkio, kuris lygiagrečiai sutampa su tuo, kaip žmonės ugdo tarpkultūrinę kompetenciją. Kaip tikrai veiksmingi pasauliniai profesionalai ne tik mokosi žodyno, bet ir supranta kultūrinį kontekstą, sėkmingos AI sistemos turi išsivystyti nuo kelių kalbų mokėjimo iki sudėtingų kultūrinių struktūrų, suteikiančių toms kalboms prasmės, supratimo.
Šios srities priešakyje esančios organizacijos pripažįsta, kad efektyvi lokalizacija sukuria ne tik funkcinį supratimą, bet ir autentišką ryšį. Jų AI sistemos veikia ne tik skirtingomis kalbomis; jie bendrauja su vartotojais kultūriškai rezonansiniais būdais, kurie parodo pagarbą įvairiems bendravimo stiliams, vertybėms ir lūkesčiams.
Iššūkiai yra dideli. Kuriant sistemas, kurios gali natūraliai prisitaikyti prie tūkstančių kalbų variantų ir kultūrinių kontekstų, išlieka techninių kliūčių. Etiniai klausimai apie atstovavimą, tinkamumą ir vertybių derinimą reikalauja nuolatinio dėmesio. O organizaciniai procesai turi vystytis, kad į vystymąsi būtų įtrauktos įvairios perspektyvos, o ne traktuoti lokalizaciją kaip pasekmes.
Tačiau galimi atlygiai yra vienodai reikšmingi. Dirbtinio intelekto sistemos, užtikrinančios tikrą kultūrinį sklandumą, gali padėti organizacijoms užmegzti autentiškus pasaulinius santykius, išsaugoti ir švęsti kultūrinę įvairovę bei sukurti visapusiškesnę technologinę patirtį. Geriausiu atveju šios sistemos netgi gali padėti įveikti kultūrinius skirtumus ir sukurti bendrą supratimą iš skirtingų perspektyvų.
Žvelgiant į ateitį, perspektyviausi metodai greičiausiai bus tie, kurie suderins technologines galimybes ir kultūrinį nuolankumą – pripažįstant, kad veiksmingas lokalizavimas yra ne tik DI mokymas kalbėti daugiau kalbų, bet ir sistemų, kurios įsiklausytų į įvairias žmogaus išraiškas ir prisitaikytų prie jų mūsų turtingoje pasaulinėje kultūroje, kūrimas.