Melokalisasi kampanye email di berbagai wilayah dulu merupakan tugas yang lambat dan berulang dengan banyak langkah manual. Beberapa pengulas bekerja pada versi terpisah, konten yang sama ditulis ulang beberapa kali, dan mengelola konsistensi di hingga 13 bahasa memerlukan koordinasi yang signifikan.
Alih-alih memperkenalkan platform baru atau alat eksternal, saya menjalankan eksperimen internal: \n Bisakah lokalisasi diotomatisasi hanya menggunakan alat yang sudah tersedia di dalam lingkungan Microsoft enterprise standar?
Prototipe ini terutama mengandalkan SharePoint, Power Automate, dan Teams, dengan satu komponen tambahan - GPT-4.1 mini yang diakses melalui Azure OpenAI - digunakan secara ketat untuk langkah QA yang terkontrol. Ini memungkinkan proses mendapat manfaat dari penalaran berbasis LLM sambil menjaga semua data tetap berada dalam lingkungan enterprise yang sama.
Untuk mendukung alur kerja ini, saya menyiapkan perpustakaan SharePoint terstruktur bernama Email translations dengan folder yang mewakili setiap tahap siklus hidup lokalisasi:
| Folder | Tujuan | |----|----| | 01IncomingEN | File sumber bahasa Inggris; pemicu Power Automate | | 02AIDrafts | Draf terjemahan otomatis dari Copilot + GPT | | 03InReview | File yang menunggu peninjauan regional | | 04Approved | Terjemahan final yang disetujui | | 99Archive | Versi yang diarsipkan atau ditolak |
File berpindah secara otomatis di antara folder-folder ini tergantung pada statusnya.
Tujuannya bukan untuk membangun sistem lokalisasi yang sempurna - hanya untuk melihat sejauh mana prototipe bisa berjalan menggunakan alat internal.
Hasilnya berhasil menghilangkan sebagian besar pekerjaan berulang dan menciptakan proses peninjauan yang jauh lebih terstruktur.
Melokalisasi konten secara manual di banyak wilayah menciptakan beberapa masalah konsisten:
Meskipun Copilot sekarang berjalan pada model seri GPT-5 yang lebih baru, prototipe ini dibangun pada versi sebelumnya, dan perilaku terjemahan mencerminkan kemampuan awal tersebut.
Versi pertama alur kerja sangat sederhana:
Karena pemicu SharePoint dapat aktif sebelum file selesai diunggah, alur kerja menyertakan pemeriksaan penyelesaian ukuran file (tunggu hingga ukuran > 0 sebelum melanjutkan).
Namun, masalah utama segera menjadi jelas: terjemahan Copilot tidak cukup andal untuk lokalisasi end-to-end.
Masalah umum termasuk:
Ini membuat Copilot hanya berguna untuk menghasilkan draf pertama. \n Lapisan pemeriksaan kualitas kedua diperlukan.
Versi berikutnya menambahkan langkah peninjauan:
GPT-4.1 mini meningkatkan:
Prompt perlu disesuaikan untuk menghindari penulisan ulang yang tidak perlu, tetapi setelah penyesuaian, output menjadi cukup konsisten untuk digunakan dalam alur kerja.
Arsitekturnya sederhana, tetapi beberapa masalah muncul selama penggunaan nyata dan memerlukan perbaikan.
Perilaku platform:
Masalah desain:
Setelah penyesuaian ini, alur kerja berjalan dengan andal dalam kondisi normal.
Di bawah ini adalah struktur kerja lengkap dari sistem.
Proses dimulai ketika file diunggah ke Email translations / 01IncomingEN
Power Automate kemudian:
SharePoint bertindak sebagai sumber kebenaran tunggal untuk semua tahap.
Power Automate mengontrol setiap bagian alur kerja:
Semua perutean, percobaan ulang, dan transisi status ditangani oleh Power Automate.
Copilot menerjemahkan konten yang diekstrak dan mempertahankan sebagian besar struktur email - daftar, spasi, dan format - lebih baik daripada GPT saja.
GPT-4.1 mini memeriksa:
Ini menciptakan draf yang lebih andal untuk peninjauan regional.
Untuk setiap wilayah, Power Automate:
Jika perubahan diajukan, file yang diperbarui kembali ke 03InReview dan masuk kembali ke alur kerja.
Terjemahan yang disetujui disimpan di 04_Approved menggunakan format penamaan yang konsisten.
Versi yang ditolak atau usang dipindahkan ke 99_Archive. Ini memastikan jejak audit yang lengkap dan bersih.
Setelah menguji prototipe dalam alur kerja nyata:
Ini tidak menggantikan sistem lokalisasi khusus, tetapi menghilangkan sejumlah besar pekerjaan manual berulang.
Ini dapat diterima untuk sebuah prototipe.
Peningkatan yang direncanakan berikutnya adalah perpustakaan terminologi berbasis vektor yang berisi:
Kedua model akan menggunakan perpustakaan ini sebelum menghasilkan atau memeriksa terjemahan.
Proyek ini adalah eksperimen internal untuk memahami seberapa banyak alur kerja lokalisasi yang dapat diotomatisasi hanya menggunakan alat Microsoft standar dan satu LLM yang dihosting di Azure. Prototipe ini secara signifikan mengurangi upaya manual dan meningkatkan konsistensi di seluruh wilayah tanpa menambahkan perangkat lunak baru.
Ini bukan platform lokalisasi lengkap - tetapi menunjukkan apa yang dapat dicapai dengan alur kerja sederhana dan terstruktur dengan baik di dalam tumpukan enterprise yang ada.
\


