Qui a peur de la traduction automatique neuronale ? Pas nous!

Les innovations de la technologie de traduction automatique neurale annonceront-elles la fin des traducteurs professionnels ou contribueront-elles à combler les lacunes ?

Dans presque toutes les industries de nos jours, la technologie a tendance à apparaître dans les discussions de table comme le grand méchant loup qui vient dévorer votre travail. Bien que cela puisse inquiéter plusieurs professions (comptables, vendeurs et employés de bureau, attention !), la plupart nécessitent toujours une touche humaine qu’aucune IA n’est encore capable de reproduire.

Les percées récentes dans la traduction automatique neuronale ont permis à l’IA de franchir une étape importante vers la parité avec la traduction humaine, mais cela aura-t-il un impact sur les résultats de l’industrie de la traduction ? Pour en savoir plus sur les tendances de la traduction automatique dans ce secteur, continuez à lire !

Le paysage actuel de la traduction automatique

Avant de commencer, définissons d’abord ce que c’est ? Chez Tomedes, nous décrivons la traduction automatique (TA) comme tout processus de traduction qui repose uniquement sur un programme informatique sans intervention humaine dans la traduction.

Depuis la première traduction réussie du russe vers l’anglais en 1954, MT a parcouru un long chemin. Un bon exemple du chemin parcouru est qu’en 2020, Facebook a introduit un nouveau modèle d’IA pour la traduction automatique neuronale (NMT) et l’a rendu disponible en open source. Baptisé M2M-100, ce modèle NMT peut traduire entre n’importe quelle paire parmi 100 langues sans utiliser l’anglais comme intermédiaire.

Le modèle de Facebook utilise l’architecture Convoluted Neural Network (CNN), permettant un calcul non linéaire plus flexible des données linguistiques que les réseaux de neurones récurrents (RNN) qui sont la norme de l’industrie, ce qui en fait le premier système de traduction véritablement multilingue. En termes de performances, il obtient 10 points de plus sur la métrique BLEU que les modèles centrés sur l’anglais.

Bien qu’il ne soit pas utilisé actuellement, il est sur le point de faire un grand pas en avant dans les tendances de la traduction automatique depuis l’introduction du système GNMT breveté de Google en 2016. Google, bien sûr, n’est pas du genre à être éclipsé, avoir amélioré de son modèle RNN d’origine à un hybride construit principalement sur une architecture de transformateur plus performante.

Les tendances de la traduction automatique : un fléau ou une aubaine pour la traduction professionnelle ?

Il y a un fourré de discussions techniques spécialisées autour des détails les plus fins de ces développements. Pourtant, le principal point à retenir est clair : la traduction automatique devient plus précise, plus réactive et plus naturelle que jamais. Mais qu’est-ce que cela signifie pour l’industrie de la traduction ?

Ce n’est pas aussi sinistre qu’on pourrait le penser.

L’industrie des services linguistiques n’a pas besoin d’avoir une relation conflictuelle avec la technologie. Après tout, la disponibilité commerciale des ordinateurs a ouvert la voie aux logiciels de traduction assistée par ordinateur, qui ont permis aux traducteurs professionnels de travailler plus efficacement grâce aux outils de mémoire de traduction, aux banques terminologiques et aux dictionnaires électroniques, parmi de nombreux autres appareils.

Pourquoi en fait, bien avant 1954, le récit fondateur de la technologie de la traduction remonte au IXe siècle avec le cryptographe arabe Al-Kindi, dont la méthode d’analyse de fréquence formé la base de MT moderne !

Mais les tentatives de traduction automatisée réelle n’ont jamais atteint le niveau de sophistication requis pour remplacer le travail humain. Les tentatives basées sur les mots et les phrases restent inexactes, grammaticalement erronées et, pour la plupart, incompréhensibles de manière amusante.

L’idée que les machines pourraient même se rapprocher de la parité avec les traductions humaines était impensable jusqu’en 2016, lorsque Google a remplacé son algorithme prédictif vieux de dix ans par un système de machine neuronale breveté qui établirait la norme de l’industrie pour la décennie à venir.

Problèmes actuels de la traduction automatique

Le passage aux modèles de traduction automatique neuronale a amélioré de manière exponentielle la qualité des systèmes de traduction automatique. Mais malgré leur sophistication, la MT présente encore plusieurs inconvénients qui garantissent le besoin continu d’une surveillance humaine approfondie dans le cadre professionnel.

• Performances sur les langages pauvres en ressources: Étant donné que la plupart des modèles NMT ont été formés principalement sur des données en anglais ou utilisent l’anglais comme intermédiaire pour relier d’autres paires de langues, la traduction automatique a tendance à mieux fonctionner lors de la traduction entre l’anglais et une autre langue. Cela impacte la qualité des traductions proportionnellement à la rareté de la langue. Le modèle de Facebook représente actuellement le mieux l’effort pour résoudre ces problèmes particuliers.

• Manque de nuance créative et culturelle: Les NMT traitent toujours le langage comme un ensemble de vecteurs de calcul et ne peuvent déduire que le contexte et la signification du texte tel qu’il est donné, quelle que soit la nature de la sortie. Cela signifie que les utilisations plus complexes et idiosyncratiques de la langue, comme dans la littérature, ou les connotations culturelles qui affectent l’utilisation de la langue, ont toujours tendance à se perdre dans la traduction.

• Normes professionnelles: L’industrie des services linguistiques est très compétitive et le niveau de sophistication linguistique exigé par les clients dépasse souvent les capacités des technologies de traduction automatique les plus avancées actuellement disponibles. En outre, les projets de traduction dans de nombreux domaines tels que le droit, la médecine et la finance ne peuvent pas être mis à l’échelle au-delà de l’examen minutieux d’un professionnel, car même une erreur mineure pourrait entraîner des résultats désastreux.

En raison des problèmes mentionnés avec les modèles NMT actuels en ce qui concerne le processus de traduction, ingénieurs en apprentissage automatique et les linguistes sont essentiels pour développer et étudier ces technologies afin de les rendre plus précises.

Traduction automatique Post-édition

Mais cela ne veut pas dire que la traduction automatique n’a aucune utilité dans le cadre professionnel. Bien que l’élément humain reste d’une nécessité primordiale, la traduction automatique est devenue un outil viable pour aider les traducteurs à travailler plus efficacement au cours des trois ou quatre dernières années. La clé ici est la post-édition de la traduction automatique (MTPE).

MTPE est le processus d’exécution d’un texte à traduire via un système de traduction automatique, après quoi un traducteur professionnel passe au peigne fin le texte traduit pour s’assurer que la traduction est correcte et compréhensible.

La MTPE est souvent classée en deux catégories, la post-édition légère et la post-édition complète. À la lumière de la post-édition, un traducteur corrigera les erreurs de traduction et assurera la lisibilité générale pour transmettre l’essentiel d’un document et constitue l’option la plus rapide et la plus rentable. La post-édition complète garantit que le texte traduit est de la plus haute qualité possible, corrige les erreurs stylistiques, adapte le ton et la formulation appropriés et apporte les ajustements appropriés pour l’adéquation culturelle et l’utilisation créative de la langue.

Chez Tomedes, nous incluons un troisième degré : la post-édition spécialisée, dans laquelle le traducteur affecté à la post-édition complète est également un expert dans le domaine pertinent au document à traduire. Cela garantit que la terminologie spécialisée, les conventions linguistiques et les concepts complexes sont traités de manière appropriée au cours du processus de traduction.

L’avenir de la traduction avec l’apprentissage automatique

Ironiquement, ces développements dans la traduction automatique peuvent aider l’élément humain de la traduction à transparaître. Parce que cela peut aider à réduire les aspects les plus routiniers et répétitifs de la traduction, les traducteurs peuvent consacrer plus d’énergie à fournir un produit soigné et soigné. Cela signifie de meilleurs services dans des domaines spécialisés qui exigent une précision du langage et dans des applications plus créatives, telles que le marketing.

Une meilleure traduction automatique signifie également une meilleure expérience pour les utilisateurs au quotidien. Des choses comme traduire un article pour une lecture occasionnelle, des éléments sur un menu de restaurant ou apprendre à dire des phrases particulières dans une autre langue sont des choses pour lesquelles les gens n’engageraient normalement pas un traducteur professionnel de toute façon. Pour cette raison, les ingénieurs et les linguistes en apprentissage automatique continuent de développer nouveaux algorithmes et frameworks pour nous de mieux communiquer avec n’importe qui dans le monde.

En tant que tel, l’essor de l’IA dans la traduction n’est pas quelque chose que les traducteurs professionnels doivent craindre, même à l’avenir. C’est excitant parce que la technologie de la traduction évolue, tout comme l’industrie et tout ce qu’elle peut offrir.

Biographie de l’auteur – Ofer Tirosh est le PDG de Tomedes, une société de traduction spécialisée dans les solutions de post-édition de traduction automatique. Depuis le début, Tomedes a toujours adopté la technologie qui pourrait aider les traducteurs à fournir un service haut de gamme avec cohérence et durabilité à l’esprit, avec une décennie d’innovation et de service à plus de 95 000 clients dans 120 langues et plus de 950 paires de langues.