Traduction automatique

Fin octobre 2005, la presse annonce de notables améliorations^[2]. Le Centre international pour les technologies avancées des communications, dirigé conjointement par l’université Carnegie-Mellon de Pittsburgh et l'université de Karlsruhe en Allemagne, dévoile alors un système informatique de traduction instantanée.

Un étudiant chinois, affublé de onze électrodes sur le visage et sur la gorge, prononce dans sa langue un discours qui est simultanément traduit en anglais et en espagnol. Les chercheurs indiquent en conclusion que « Les résultats ne sont pas parfaits » et qu'« il peut y avoir des difficultés quelquefois ». En fait, aucun article n'indique que les journalistes allemands et américains ont pu s'entretenir avec l'étudiant. Les journalistes omettent d’ailleurs généralement de préciser que, quand le docteur Waibel annonce qu’il va prendre des questions de journalistes allemands et américains, l’ordinateur entend quelque chose comme : « Ainsi nous glycogène il alternant des questions entre l’Allemagne et l’Amérique. »^[3] Ce type de traduction instantanée manque encore d'améliorations logicielles concernant la reconnaissance vocale, notamment brouillée par le bruit ambiant et la mauvaise prononciation.

En 2018, un outil informatique basé sur l'intelligence artificielle réussit à traduire en douze heures un livre de 800 pages de texte, de graphiques et de formules mathématiques, écrit avec LaTeX^[4]. Cet outil développé par Quantmetry, une jeune entreprise de conseil en intelligence artificielle pour les entreprises, associée à quatre chercheurs français spécialistes de l'apprentissage profond et issus de l'ENSAI, de l'INRIA et de l'Université de Caen, est basé sur le service de traduction automatique DeepL.

La traduction automatique basée sur l'apprentissage profond est appelée traduction automatique neuronale, ou NMT en anglais ("Neural Machine Translation")^[5].

En 2019, l'un des services leader du domaine est DeepL de Linguee, mais ce service pourrait être devancé par des progrès à venir de Google^[6].

En 2010, Pangeanic devient la première entreprise au monde à appliquer le traducteur statistique Moses dans un environnement commercial en développant une plateforme d'autoapprentissage, de nettoyage de corpus et de recyclage, en collaboration avec l'Instituto Técnico de Informática de Valencia (ITI) et le groupe de recherche Reconnaissance des formes et technologie du langage humain de la Politècnica de València. Membre fondateur de TAUS, Pangeanic remporte le plus grand contrat d'infrastructure de traduction automatique pour la Commission européenne avec son projet IADAATPA en 2017. Depuis 2019, Pangeanic dirige NTEU.eu, un projet CEF de la Commission européenne. NTEU est la plus grande ferme de moteurs de traduction automatique fondée sur les réseaux neuronaux pour les administrations publiques européennes.

Depuis 2020, Google a automatisé la traduction de discours ou de conversation orale accessible depuis des téléphones portables^[7].

La traduction automatique se distingue de la transcription automatique par le fait que la traduction automatique est une traduction — de l'écrit vers l'écrit — alors que la transcription s'applique sur un discours et peut être proposée de manière écrite^[8].

Par exemple, le centre de traduction des organes de l’UE propose à ses utilisateurs les deux types de services pour leur permettre d'obtenir rapidement et à moindres frais un texte utilisable sans être précisément juste^[8].

Le premier distributeur de film indien — originellement par VHS —, avec plusieurs centaines de millions d'utilisateurs enregistrés, connu pour ses films blockbusters^[9] a fait sous-titrer — transcrire automatiquement — l'intégralité des 12 000 produits de son catalogue par le service de Google pour les rendre disponibles en langue arabe. Cette transcription automatique réduit les coûts de 25 % et les délais de deux jours. Elle conduit aussi à des erreurs qui nécessitent des corrections quand elles sont détectées ou identifiées^[10].

 

Le processus de traduction (au sens humain) peut être découpé en trois phases :

1. Compréhension : assimilation du sens véhiculé par un texte, du vouloir dire d'un auteur ;
2. Déverbalisation : oubli des mots et conservation du sens ; « Opération par laquelle un sujet prend conscience du sens d'un message en perdant conscience des mots et des phrases qui lui ont donné corps »^[11] ;
3. Réexpression : reformulation du vouloir dire en langue cible.

En termes informatiques, la compréhension devient l'analyse, la déverbalisation devient le transfert et la réexpression devient la génération. Ces étapes du processus sont modélisées dans le triangle de Vauquois^[12]. Ce modèle est utile, car pour passer de la source à la cible, il existe plusieurs chemins possibles qui constituent les différentes approches envisagées à ce jour. Plus le degré de conceptualisation est élevé, plus court est le chemin du transfert. Il existe quatre possibilités principales :

• Le transfert direct : pas de conceptualisation, toute la traduction repose sur le transfert. La traduction par l'exemple et la traduction statistique^[13] travaillent à ce niveau. La traduction est vue comme un processus de décodage.
• Le transfert syntaxique : le niveau du transfert est syntaxique. Généralement, sa représentation est l'arbre syntaxique. L'analyse produit une représentation syntaxique pour la langue source. Le transfert consiste à produire une représentation syntaxique pour la langue cible à partir de ce dernier. Finalement, la génération produit la phrase en langue cible. La traduction automatique à base de règles est représentative de cette catégorie. Les règles permettent les différentes transformations.
• Le transfert sémantique : le niveau du transfert est sémantique. Cette voie est celle qu'empruntent les humains. Les modèles de représentation de la sémantique du langage sont décrits par la pragmatique. La sémantique peut être décrite par une ontologie. Il n'y a que peu d'approches de la traduction automatique représentatives du transfert sémantique^[14].
• L'interlangue : Ce niveau supprime la nécessité de transfert. L'interlangue, également désignée par le terme de langue pivot, devient universelle. Et seuls restent les processus d'analyse et de génération. DLT (voir l'article Traduction de langues distribuée) est une tentative inachevée de cette approche. Le langage UNL est aussi un exemple de langage formel informatique permettant de représenter le sens d'un énoncé. L'approche est séduisante, car l'effort consiste, pour une langue donnée, à produire un analyseur et un générateur pour l'interlangue. On bénéficie alors de toutes les traductions de ou vers les langues possédant aussi l'analyseur et le générateur. Cette approche reste difficile et n'a pas connu de succès à large échelle.

Actuellement, les moteurs de traduction sont principalement par règles ou statistiques. Une voie dite hybride émerge^[15]. Systran, Google Translate, Reverso et Microsoft Traduction utilisent des approches hybrides.

 

Cette section ne cite pas suffisamment ses sources (mars 2021). 

Pour l'améliorer, ajoutez des références de qualité et vérifiables (comment faire ?) ou le modèle {{Référence nécessaire}} sur les passages nécessitant une source.

Les prérequis dépendent de l'approche envisagée : traduction à base de règles (mot-à-mot, transfert, pivot), traduction par l'exemple, traduction statistique.

La traduction automatique à base de règles nécessite :

• des entrées de dictionnaires,
• des règles linguistiques.

La traduction par l'exemple et la traduction statistique nécessitent :

• une mémoire de traduction (ensemble de textes traduits).

On peut, en plus, avoir besoin d'outils d'analyse linguistique tels que :

• les identificateurs (tokens),
• l'étiqueteur morphosyntaxique,
• éventuellement, un segmenteur (chunker), un analyseur syntaxique (parser).

 

Plusieurs approches peuvent être considérées pour la traduction automatique^[16].

• Approche directe :

1. traduction mot-à-mot du texte source vers le texte cible
2. reformulation de l'ordre des mots traduits dans le texte cible
3. traduction littérale d'un texte à partir d'une photo

• Approche Interlangue :

1. construction de la représentation interlangue du texte source
2. construction du texte cible par la représentation

• Approche par transfert :

1. analyse lexicale et syntaxique du texte source
2. transfert des lemmes traduits et structures en langue cible

• Proposition : Approche séquentielle (ou progressive) :

1. Correction automatique du texte source
2. Traitement des expressions idiomatiques
   1. Détection des expressions idiomatiques en langue source dans le texte source
   2. Interprétation en langage cible
   3. Traduction mot-à-mot en langage source
   4. Remplacement dans le texte source
3. Détection pour interprétation (langue source → langue cible et traduction mot-à-mot → langue source) et remplacement des seuls noms propres dans le texte source
4. Réorganisation syntaxique dans le texte source
5. Traduction mot-à-mot du texte source

L'usage de la traduction automatique est devenu courant pour certains échanges et dans certains milieux professionnels^[17].

Par exemple, en dépit des risques et en l'absence de professionnels compétents, les hôpitaux et cliniques des États-Unis pourraient recourir à la traduction automatique^[18].

Quelque 90 % des textes traduits par la Direction générale de la Traduction (DG TRAD) sont pré-traduits par traduction automatique^[19].

La traduction automatique, brute, n'est pas parfaite, et quelques erreurs peuvent se trouver dans le résultat, comme l'utilisation d'un mot à la place d'un autre. Elle nécessite donc d'être retravaillée pour éliminer les erreurs. La révision humaine de la traduction automatique est appelée la post-édition. Lorsque le quantitatif et le coût priment sur le qualitatif, la traduction automatique est privilégiée et le traducteur professionnel se trouve parfois contraint de justifier sa plus-value^[20].

La qualité des traductions est cependant augmentée par la post-édition. Une étude sur un système de traduction automatisée utilisée dans une agence de presse canadienne a révélé que la post-édition par des rédacteurs humains a corrigé de nombreuses erreurs commises par la machine, mais pas toutes^[21]. Exemple d'erreur où le mot mandat est traduit littéralement, sans tenir compte du contexte des mesures sanitaires liées à la pandémie de COVID-19:

Des métriques de mesure de la qualité sont utilisées pour pouvoir automatiser la mesure de la qualité de la traduction automatique. Parmi les métriques connues se trouvent BLEU, ROUGE, NIST et METEOR^[20].

La traduction automatique peut également faire l'objet d'une classification humaine :

• classement des traductions selon leur fidélité aux sources
• quantité de post-édition nécessaire
• classification des types d’erreurs identifiées (erreurs lexicales, syntaxiques ; ajouts, omissions ; ordre des mots notamment)^[20].

La qualité de la traduction peut être exprimée par son utilité pour la post-édition, en termes de gain de temps par rapport à une traduction sans pré-traduction automatique^[22]. Certaines études montrent que le temps de production d'un texte traduit avec recours à une traduction automatique post-éditée est trois ou quatre fois moindre que sans recours à la TA^[22]. D'autres études nuancent cela par la l'impact de la proximité terminologique entre la langue source et la langue cible, avec les langues ayant un lexique plus distant de la source nécessitant plus te temps de post-édition^[23].

Ce type de service peut présenter des risques dans le domaine de la vie privée, ainsi que des risques d'induire des préjugés racistes ou sexistes^[24].

Un mauvais usage peut conduire à d'autres risques selon l'usage, ainsi selon le Daily Telegraph, un employé polonais a été sérieusement blessé après avoir suivi les consignes de sécurité dont Google avait donné une traduction incorrecte ou erronée à la demande de l'employeur — Parker's Nurseries —^[25].

 

Cette section ne cite pas suffisamment ses sources (mars 2021). 

Pour l'améliorer, ajoutez des références de qualité et vérifiables (comment faire ?) ou le modèle {{Référence nécessaire}} sur les passages nécessitant une source.

Le savoir utiliser avec le recul nécessaire la traduction automatique s'appelle “Machine Translation Literacy”.

Les appareils de traduction actuels sont utiles pour des situations limitées, par exemple, pour réserver une chambre dans un hôtel. « Si je vais à Pékin, je peux descendre au Hilton sans aucun problème », disait Stephan Vogel, un chercheur de Carnegie Mellon.

Les services en ligne sont d'apparence simple à utiliser : ils consistent à ouvrir le service, copier automatiquement le texte à traduire, choisir la langue d'origine et la langue de destination puis demander la traduction^[24].

Traducteurs en ligne gratuits :

Ils permettent de traduire des mots ou des textes de taille limitée. Il s'agit, par exemple, de :

Logiciels libres :

Environnements de développement :

• Ariane-H

Les progrès des réseaux neuronaux convolutifs au cours des dernières années et de la traduction automatique à faible ressource (lorsque seule une quantité très limitée de données et d'exemples sont disponibles pour la formation) ont permis la traduction automatique pour les langues anciennes, telles que l'akkadien et ses dialectes babylonien et assyrien^[26].

• Doug Arnold, Balkan, L., Meijer, S., Humphreys, R.L. Sadler, L. 1993. Machine Translation: An Introductory Guide.
• Paul Bennett. 1994. Translation Units in Human and Machine. Babel 40:12-20.
• Bert Esselink. 1998. A practical guide to software localization. John Benjamins.
• Ethnologue. 2001. Languages of the World.
• W. John Hutchins & Harold L. Somers. 1992.An Introduction to Machine Translation. Academic Press.
• W.John Hutchins. 2001. Machine translation over fifty years. Histoire, Epistemologie, Langage XXII-1:7-31.
• Martin Kay. 1997. The Proper Place of Men and Machines in Language Translation. Machine Translation 13:3-23.
• Alan K. Melby. 1995. The Possibility of Language. A discussion of the nature of language with implications for human and machine translation. John Benjamins.
• Sergei Nirenburg. 1987. Machine Translation: Theoretical and Methodological Issues. Cambridge University Press.
• Jörg Porsiel (éd.): Machine Translation. What Language Professionals Need to Know. Bundesverband der Dolmetscher und Übersetzer Weiterbildungs- und Fachverlagsgesellschaft mbH, Berlin 2017, (ISBN 978-3-93843-094-1).
• Johnatan Slocum. 1988. Machine Translation Systems. Cambridge University Press.

• Notices dans des dictionnaires ou encyclopédies généralistes  :

  • Britannica
  • Den Store Danske Encyklopædi
• Notices d'autorité  :

  • BnF (données)
  • LCCN
  • GND
  • Japon
  • Israël
  • Tchéquie
  • Lettonie
• Traduction automatique : les années où tout a changé, dossier Futura-sciences, 2008.
• La montée en puissance de la traduction automatique, Le Monde, 2010.
• La traduction automatique, NEF - Le Livre 010101 de Marie Lebert - Enquête, 2001.
• Le CNRS et les débuts de la traduction automatique en France, Jacqueline Léon, 2002.
• La réalité de la traduction automatique en 2014.
• Bing Traduction

•   Portail de la linguistique
•   Portail de l’intelligence artificielle