ms-ai-architect/skills/ms-ai-engineering/references/azure-ai-services/translator-custom-neural-models.md

Translator Service - Custom Neural Translation Models

Last updated: 2026-06-19 Status: GA Category: Azure AI Services (Foundry Tools)

---

Introduksjon

Custom Translator er en feature i Azure Translator som lar organisasjoner bygge skreddersydde Neural Machine Translation (NMT)-systemer med egne data og terminologi. Tjenesten adresserer et kjerneproblem: generelle oversettelsesmodeller håndterer ikke domene-spesifikk terminologi, bransjespråk eller organisasjonens tone-of-voice tilstrekkelig. Med Custom Translator kan bedrifter trene egne NMT-modeller som forstår deres unike ordforråd, stil og kontekst.

Tilnærmingen er pragmatisk: du laster opp tidligere oversatt materiale (dokumenter, nettsider, manualer), og Custom Translator bruker dette som treningsdata for en neural modell. Systemet støtter automatisk sentence alignment på tvers av dokumenter, håndterer parallelle data på dokumentnivå, og kan supplere med monolingual data for å forbedre kvaliteten. Resultatet er en modell som typisk gir 5-10 BLEU-poeng forbedring sammenlignet med baseline-modellen.

Custom Translator integrerer sømløst med eksisterende applikasjoner via Translator Text API v3. Modellene er tilgjengelige globalt, krever ingen programmeringskunnskap for oppsett, og kan deles med team gjennom workspace-funksjonaliteten. Tjenesten bygger på samme infrastruktur som translator-tjenesten som håndterer milliarder av oversettelser daglig.

Kjernekomponenter

Hierarki og organisering

Komponent	Formål	Multiplisitet
Workspace	Isolert arbeidsområde for team-samarbeid	Privat, invitasjonsbasert tilgang
Project	Container for ett språkpar og én domenekategori	Genererer unik CategoryID for API-bruk
Model	Trent neural oversettelsessystem for språkpar	Kan ha flere modeller per project (A/B-testing)
Documents	Training, tuning, testing, og dictionary data	Deles automatisk mellom projects med samme språkpar

Document-typer og krav

Type	Minimum	Anbefalt	Formål
Training	10,000 parallelle setninger	50,000+	Lærer modellen terminologi og stil
Tuning	Auto-generert hvis ikke levert	2,500 setninger (manuelt valgt)	Optimaliserer parametere og vekter
Testing	Auto-generert hvis ikke levert	2,500 setninger	Genererer BLEU-score for kvalitetsmåling
Dictionary (phrase)	Valgfri	Sparsommelig bruk	Tvinger 100% match (case-sensitive)
Dictionary (sentence)	Valgfri	Korte domene-spesifikke setninger	Tvinger 100% match (case-insensitive)

Viktig: Dictionary-only training er mulig hvis du ikke har 10,000 parallelle setninger, men gir ingen BLEU-score og lavere fleksibilitet.

Støttede filformater

Parallelle dokumenter:
- Translation Memory: .TMX, .XLIFF, .XLF
- Microsoft: .DOCX, .LCL
- Web: .HTML, .HTM
- Generelt: .TXT (UTF-8/UTF-16), .PDF, .XLSX
- Pre-aligned: .ALIGN (hopper over sentence alignment)

Arkiver:
- .ZIP, .GZ, .TGZ

Navnekonvensjon for ZIP:
  {document_name}_{language_code}
  Eksempel: contract_en, contract_no

BLEU Score-forståelse

BLEU (Bilingual Evaluation Understudy) måler likheten mellom maskinoversettelse og menneskelig referanse:

Score	Kvalitet	Tolkning
0-20	Svak	Grunnleggende forståelse, mange feil
20-40	Akseptabel	Brukbar oversettelse, krever redigering
40-60	God	Høy kvalitet, minimal redigering nødvendig
60-80	Meget god	Nesten identisk med menneskelig oversettelse
80-100	Eksepsjonell	Praktisk talt perfekt (sjelden oppnåelig)

NB: BLEU-score er kun sammenlignbar hvis testdata, språkpar og MT-engine er identiske.

Arkitekturmønstre

Mønster 1: Single-Domain Customization

Brukstilfelle: En bedrift har behov for oversettelse av teknisk dokumentasjon innenfor ett spesifikt domene (f.eks. medisinsk utstyr).

Fordeler:

• Høy nøyaktighet for domene-spesifikke termer
• Enkel vedlikehold (én modell, ett treningssett)
• Forutsigbar BLEU-score forbedring (5-10 poeng typisk)

Ulemper:

• Dårligere kvalitet utenfor treningsdomenet
• Krever minimum 10,000 parallelle setninger
• Må re-trene ved domeneutvidelse

Egnet for: Organisasjoner med smalt, godt definert oversettelsesdomene og eksisterende oversettelsesmemory.

---

Mønster 2: Multi-Domain with Separate Models

Brukstilfelle: En stor bedrift trenger oversettelse for flere domener (HR, teknisk, juridisk) med distinkt terminologi.

Fordeler:

• Maksimal presisjon per domene
• Unngår terminologi-konflikter mellom domener
• Separate BLEU-scores per domene
• Fleksibel deployment (kun aktiver relevante modeller)

Ulemper:

• Høyere driftskostnad (flere modeller å vedlikeholde)
• Mer kompleks data-sourcing (10k+ setninger per domene)
• Applikasjonen må velge korrekt CategoryID basert på kontekst

Egnet for: Enterprises med heterogene oversettelseskrav og dedikerte ressurser.

---

Mønster 3: Dictionary-Only for Low-Resource Scenarios

Brukstilfelle: Organisasjonen har kritisk terminologi (produktnavn, akronymer) men mangler 10,000 parallelle setninger.

Fordeler:

• Rask trening (minutter vs. timer)
• Garanterer korrekt oversettelse av kritiske termer
• Krever minimalt med data
• Kan kombineres med baseline-modell

Ulemper:

• Ingen BLEU-score (kan ikke måle forbedring)
• Ingen kontekstuell læring
• Dictionary må være perfekt alignet (like mange source/target entries)
• Baseline-modellen håndterer resten (kan gi inkonsistent kvalitet)

Egnet for: Oppstartsfase, proof-of-concept, eller når kun terminologi-kontroll er nødvendig.

Beslutningsveiledning

Når skal du velge Custom Translator?

Kriterium	Svar	Anbefaling
Har du 10,000+ parallelle setninger?	Ja	✅ Full training
Har du < 10,000 setninger, men kritisk terminologi?	Ja	⚠️ Dictionary-only
Er baseline-modellen god nok?	Ja	❌ Ikke bruk Custom Translator
Trenger du konsistent tone-of-voice?	Ja	✅ Custom Translator
Er domenet bredt og generelt?	Ja	❌ Baseline holder sannsynligvis
Må du møte compliance-krav for oversettelse?	Ja	✅ Custom + human-in-loop

Vanlige feil å unngå

Feil	Konsekvens	Løsning
Blande flere domener i én modell	Lav BLEU-score, inkonsistent kvalitet	Split i separate projects/modeller
Bruke tuning-data i training-settet	Overfitting, kunstig høy BLEU	Strengt skill mellom data-typer
For kort setningslengde i tuning	Mangel på kontekst, dårlig infleksjon	Velg 7-10 ords setninger
Dictionary overload	Rigiditet, "maskinaktig" tone	Bruk dictionary sparsomt, la modellen lære
Ignorere BLEU baseline	Kan ikke måle forbedring	Sammenlign alltid med baseline BLEU

Røde flagg

⛔ Stopp og revurder hvis:

• Source og target documents har >10% forskjell i antall setninger (alignment vil feile)
• BLEU-score ikke forbedres etter å ha lagt til mer treningsdata (data-kvalitetsproblem)
• Dictionary-only modellen gir dårligere subjektiv kvalitet enn baseline (dictionary er feil-alignet)
• Training feiler på grunn av Unicode character U+FFFD (encoding corruption)

Integrasjon med Microsoft-stakken

Translator Text API v3

Custom Translator-modeller brukes via standard Translator API med category-parameter:

POST https://api.cognitive.microsofttranslator.com/translate?api-version=3.0&to=de&category={CategoryID}
Headers:
  Ocp-Apim-Subscription-Key: {your-key}
  Ocp-Apim-Subscription-Region: {region}
Body:
  [{"Text": "Your domain-specific text here"}]

CategoryID-format: {WorkspaceID}-{ProjectLabel}-{CategoryCode}

• Eksempel: a2eb72f9-43a8-46bd-82fa-4693c8b64c3c-TECH

Azure AI Foundry Integration

Custom Translator er tilgjengelig i Azure AI Foundry (klassisk portal) for no-code workflows:

• Drag-and-drop document upload
• Visual BLEU-score comparison
• Test-grensesnitt med side-by-side comparison (custom vs. baseline)
• Model deployment management

Speech Service Integration

Custom Translator-modeller kan brukes for speech translation:

• Koble Custom Translator CategoryID til Azure Speech Service
• Real-time tale-til-tekst-oversettelse med domene-spesifikk terminologi
• Støtter samme språkpar som tekst-oversettelse

Document Translation

Batch document translation (asynkron) kan bruke custom modeller:

• Preserverer dokumentstruktur og formattering
• Krever Azure Blob Storage for input/output
• Støtter samme CategoryID-parameter som Text API

Offentlig sektor (Norge)

GDPR og Datasuverenitet

Status: Custom Translator støtter data residency-krav.

Aspekt	Implementering	Compliance
Data at rest	Treningsdata lagres i valgt Azure region	✅ Velg Norway East/West
Data in transit	TLS 1.2+ encryption	✅ EU-godkjent
Data retention	Dokumenter lagres inntil manuell sletting	⚠️ Må administreres manuelt
Training data privacy	Private workspaces, ingen cross-tenant leakage	✅ Workspace-isolering
Model access	Kun via egne API-nøkler og CategoryID	✅ Access control via Azure RBAC

Schrems II: Microsoft Translator har EU Data Boundary-sertifisering, men vær oppmerksom på at baseline NMT-modeller er trent på global data. Custom modeller bruker kun din data.

AI Act (EU 2025)

Custom Translator-systemer kan klassifiseres som "Limited Risk AI" hvis brukt til publikumsrettede oversettelser:

• Transparenskrav: Brukere må informeres om at innhold er maskinoversatt
• Human oversight: Anbefalt for høy-risiko domener (juridisk, medisinsk)
• Record-keeping: Dokumenter treningsdata, BLEU-scores, og model-versjoner

Anbefaling: Implementer disclaimer ("Oversatt med Microsoft Custom Translator") og log CategoryID per oversettelse.

Forvaltningsloven § 11b (Bruk av AI i forvaltningen)

Krav	Custom Translator Compliance
Dokumentasjon av AI-bruk	Logger CategoryID, timestamp, og source/target language
Menneskelig kontroll	Integrer human-in-the-loop review for vedtaksdokumenter
Etterprøvbarhet	Lagre original + oversatt tekst, samt BLEU-score ved training
Proporsjonalitet	Bruk kun for ikke-rettslige dokumenter, eller med human review

Kostnad og lisensiering

Prismodell

Custom Translator følger Azure Translator Text API-prisstrukturen:

Kostnadselement	Måleenhet	Typisk kostnad (NOK, Q1 2026)
Training	Per setning i treningssett	Engangskostnad ved model-trening
Translation	Per tegn (S0-tier: per million chars)	Samme som baseline Translator
Storage	Inkludert (ingen ekstra kostnad)	Workspace og documents
API calls	Inkludert i translation-kostnad	Ingen separate call-avgifter

NB: Custom modeller koster like mye per oversettelse som baseline-modellen. Kostnadsforskjellen ligger i training, ikke inference.

Training Cost Estimation

Eksempel (10,000 setninger training + 2,500 tuning + 2,500 testing = 15,000 setninger totalt):

• Training time: 2-6 timer (avhenger av data-størrelse)
• Kostnad: Basert på antall setninger sendt til training
• Re-training: Samme kostnad ved hver oppdatering

Optimaliseringstips:

1. Start med mindre datasett (10k) for proof-of-concept
2. Ekspander treningsdata kun hvis BLEU-score ikke møter target
3. Re-bruk tuning/testing sets på tvers av training runs (for konsistent sammenligning)
4. Unngå hyppig re-training – batch oppdateringer månedlig/kvartalsvis

Lisensiering

Azure Tier	Custom Translator-støtte	Begrensninger
Free (F0)	❌ Ikke støttet	Kun baseline-modeller
Standard (S1)	✅ Full støtte	Ubegrenset antall workspaces, projects, modeller
Enterprise	✅ Full støtte + SLA	Dedikerte resources, prioritert support

Language support: 60+ språkpar (må inkludere engelsk som source eller target). Se Translator language support.

For arkitekten (Cosmo)

Kritiske spørsmål å stille klienten

1. Data availability: "Hvor mye parallell oversettelsesdata har dere tilgjengelig? Kan dere dokumentere at det er minimum 10,000 setninger av god kvalitet?"

2. Domain scope: "Er oversettelsesbehovet innenfor ett definert domene (f.eks. teknisk dokumentasjon), eller spenner det over flere heterogene områder (HR, juridisk, marked)?"

3. Quality metrics: "Hva er akseptabel BLEU-score for deres use case? Har dere subjektive kvalitetskriterier i tillegg?"

4. Compliance: "Er det offentlig sektor-data som krever Norge-residency, eller kan data prosesseres i EU generelt?"

5. Maintenance budget: "Hvor ofte vil domene-terminologien endre seg? Har dere ressurser til månedlig/kvartalsvis re-training?"

6. Integration complexity: "Skal custom modell brukes på én applikasjon, eller må flere systemer dele CategoryID? Hvordan velges CategoryID dynamisk?"

7. Fallback strategy: "Hva skjer hvis custom modellen ikke dekker input-teksten (f.eks. utenfor domenet)? Skal baseline brukes som fallback?"

8. Human-in-loop: "For hvilke dokumenttyper kreves human review post-translation? Har dere capacity til dette?"

Fallgruver ved implementering

Fallgruve	Symptom	Mitigering
Undertrained models	BLEU-score < baseline	Krever mer data, eller data er ikke domene-konsistent
Overfitting	Høy BLEU på test-set, dårlig real-world performance	Tuning-data var for likt test-data, ikke representativt
Category ID sprawl	Mange modeller, vanskelig å vedlikeholde	Konsolider domener, bruk project labels kun når nødvendig
Dictionary rigidity	Oversettelse virker "maskinaktig"	Reduser dictionary-bruk, la NMT lære fra kontekst
Ignored baseline comparison	Kan ikke bevise ROI	Alltid vis både custom og baseline BLEU i rapporter

Anbefalinger per modenhetsnivå

Modenhet 1 - Startup/Pilot (0-6 måneder):

• Start med dictionary-only hvis <10k setninger tilgjengelig
• Velg ett enkelt domene for proof-of-concept
• Bruk Azure AI Foundry no-code portal for rask iterasjon
• Mål: Etablere at custom translation gir målbar forbedring

Modenhet 2 - Operasjonalisering (6-18 måneder):

• Bygg full training models med 10k+ setninger
• Implementer separate projects per domene hvis >2 domener
• Integrer CategoryID-valg i applikasjonslogikk
• Sett opp monthly re-training pipeline basert på nytt oversatt materiale
• Mål: Produksjonsklar løsning med dokumentert BLEU-forbedring

Modenhet 3 - Optimalisering (18+ måneder):

• A/B-test multiple models per domene (varierende treningsdata)
• Implementer human-in-the-loop review for kritiske oversettelser
• Automatiser data-kvalitetskontroll (sentence alignment validation)
• Integrer med Azure ML Pipelines for continuous model improvement
• Mål: Kontinuerlig forbedring, ROI-tracking, compliance-dokumentasjon

Når skal du foreslå alternativ?

Bruk Azure OpenAI for oversettelse istedenfor Custom Translator hvis:

• Klienten har < 10k setninger OG dictionary-only ikke holder
• Oversettelsesbehovet er bredt og ad-hoc (ikke repeterende domene)
• Context-window > 8k tokens kreves for oversettelse
• Zero-shot translation med few-shot prompting holder kvalitet

Bruk baseline Translator (ingen customization) hvis:

• BLEU-score forbedring < 5 poeng (ikke verdt training-kostnaden)
• Domene er generelt (nyheter, dagligdags språk)
• Ingen compliance-krav på training-data residency

Kilder og verifisering

Microsoft Learn-dokumentasjon (Verified via MCP)

• Custom Translator Overview https://learn.microsoft.com/en-us/azure/ai-services/translator/custom-translator/overview Confidence: Verified — Comprehensive overview av features, NMT-teknologi, og use cases.

• Training and Modeling Concepts https://learn.microsoft.com/en-us/azure/ai-services/translator/custom-translator/concepts/model-training Confidence: Verified — Training, tuning, testing document types, og BLEU-score beregning.

• Workspace and Project Structure https://learn.microsoft.com/en-us/azure/ai-services/translator/custom-translator/concepts/workspace-and-project Confidence: Verified — Workspace isolation, project categories, og CategoryID-bruk.

• Beginners Guide https://learn.microsoft.com/en-us/azure/ai-services/translator/custom-translator/beginners-guide Confidence: Verified — Use-case evaluation, data sourcing, og BLEU-score tolkning.

• BLEU Score Explained https://learn.microsoft.com/en-us/azure/ai-services/translator/custom-translator/concepts/bleu-score Confidence: Verified — BLEU-algoritme, scoring process, og domain-dependency.

• Document Formats and Naming Convention https://learn.microsoft.com/en-us/azure/ai-services/translator/custom-translator/concepts/document-formats-naming-convention Confidence: Verified — Støttede filformater, ZIP-konvensjoner, og dictionary-formater.

• Translate with Custom Model https://learn.microsoft.com/en-us/azure/ai-services/translator/custom-translator/how-to/translate-with-custom-model Confidence: Verified — API-integrasjon, CategoryID-format, og DocumentTranslator app.

Pricing og Compliance (Baseline Kunnskap)

• Azure Translator Pricing Confidence: Baseline — Prisstruktur er dokumentert, men NOK-beløp er estimert basert på EUR conversion.

• EU AI Act Compliance Confidence: Baseline — Custom Translator klassifisering og transparenskrav basert på generelle AI Act-prinsipper.

• Norwegian Public Sector AI Regulations Confidence: Baseline — Forvaltningsloven § 11b krav er interpolert fra kjente compliance-prinsipper.

Konfidensnivå per seksjon

Seksjon	Confidence	Kilde
Introduksjon	Verified	Microsoft Learn MCP
Kjernekomponenter	Verified	Microsoft Learn MCP
Arkitekturmønstre	Baseline	Syntetisert fra dokumentasjon
Beslutningsveiledning	Baseline	Best practices fra Microsoft docs
Integrasjon med Microsoft-stakken	Verified	API docs via MCP
Offentlig sektor (Norge)	Baseline	GDPR/AI Act ekstrapolering
Kostnad og lisensiering	Baseline	Prisingsinformasjon (ikke verifisert via MCP)
For arkitekten	Baseline	Erfaringsbasert veiledning

---

Dokumentet er generert: 2026-02-03 MCP-søk utført: microsoft-learn (7 queries, 4 full fetches) Total sources: 7 unike Microsoft Learn-artikler