Translating Europe Forum 2018. Neural MT reality check: the state of the art and a taste of the future – Anaïs VILLARD
Compte-rendu proposé par Anaïs Villard (diplômée du Master TST, Université de Haute-Alsace) de la session Neural MT reality check: the state of the art and a taste of the future qui s’est tenue dans le cadre du Translating Europe Forum à la Commission européenne de Bruxelles le 8 au 9 novembre 2018.
***
Le Translating Europe Forum: Translation in the age of data s’est tenu dans le bâtiment Charlemagne de la Commission européenne à Bruxelles du 8 au 9 novembre 2018. Le thème central de ce colloque était la gestion des données et les nouvelles technologies de l’industrie linguistique. Chaque session se présentait sous la forme d’une foire aux questions, l’animateur et le public posent à tour de rôle des questions aux intervenants, à main levée ou par le biais de l’application slido.com. Les présentations étaient animées par différents professionnels : des experts en intelligence artificielle, des chefs d’entreprises de développement d’outils de traduction automatique neuronale, des philosophes et des traducteurs à leur compte ou internes à une organisation internationale ou à une entreprise.
Le 8 novembre 2018, dans la salle De Gasperi, nous avons assisté à une session intitulée « Neural MT reality check: the state of the art and a taste of the future ». Elle a été présentée par trois experts en traduction automatique neuronale (Neural Machine Translation ou N.M.T) : John Tinsley, PDG d’Iconic Translation Machines, Bruno Pouliquen, ingénieur chargé du développement d’un système de N.M.T à l’Organisation mondiale de la propriété intellectuelle (O.M.P.I.) et Matt Post, chercheur en traduction automatique à la Johns Hopkins University. Cette session a été animée par Dieter Rummel, responsable de l’Unité d’informatique à la Direction générale de la traduction (D.G.T.).
Le premier système de traduction automatique (T.A.), un logiciel capable de traduire du russe vers l’anglais, a été créé en 1954 par IBM. Le développement de la T.A. se poursuit dans les années soixante. En 1966, un rapport de l’Automatic Language Processing Advisory Committee (ALPAC) estime que ces systèmes ne sont pas rentables et qu’ils produisent des traductions de qualité insatisfaisante. Il recommande de ne plus financer la recherche en T.A. aux États-Unis. Néanmoins, la recherche reprend dans les années soixante-dix et les premiers systèmes de T.A., développés par la société Systran, s’appuient sur des règles grammaticales et des dictionnaires. On les appelle Rule-Based Machine Translation (R.B.M.T.). Par la suite, dans les années quatre-vingt-dix, avec l’augmentation de la puissance des ordinateurs et l’arrivée d’Internet, de nouveaux systèmes basés sur des traductions déjà réalisées voient le jour : c’est la Statistical Machine Translation (S.M.T.). Par exemple, le célèbre outil Google Traduction créé en 2007 utilise une approche statistique. Enfin, ces dernières années, la Neuronal Machine Translation (N.M.T.) apparaît, notamment l’outil en ligne DeepL. Ce nouveau modèle se base sur l’intelligence artificielle et s’inspire du traitement de l’information par le cerveau humain : des réseaux de neurones artificiels analysent différents types d’information.
Les systèmes de N.M.T représentent une avancée majeure par rapport aux systèmes plus anciens, devenus obsolètes. En effet, les systèmes de S.M.T sont en fort déclin et ne feront plus l’objet de recherche. Malgré cela, ils seront toujours utilisés dans certains cas, par exemple pour produire des traductions approximatives afin de comprendre l’idée générale d’un texte. Certaines erreurs récurrentes des systèmes antérieurs de traduction automatique ne sont plus commises par les systèmes de N.M.T. Il s’agit effectivement de systèmes qui apprennent et qui doivent être entraînés. Ils ne font donc pas plusieurs fois la même erreur, par exemple, mettre une espace devant un point. De plus, ils produisent généralement des traductions avec un style plus fluide que les systèmes précédents.
Un outil de N.M.T efficace est un système :
- alimenté par des données propres, c’est-à-dire fiables, pertinentes et prêtes à l’emploi. Dans les organisations internationales comme l’O.M.P.I., le nettoyage des données est entièrement automatisé et se fait grâce à un système qui convertit et traite les données, appelé pipeline ;
- alimenté par des données spécifiques à un domaine. Contrairement aux systèmes de S.M.T, qui sont le plus souvent généraux et qui nécessitent un volume de données plus important pour être performant ;
- entraîné par un traducteur humain, et dans la mesure du possible, alimenté par ses propres données. Par exemple, seules les données appartenant à l’O.M.P.I. sont utilisées pour alimenter son système de N.M.T. Cela permet entre autres de garantir la confidentialité des données. Au contraire, dans le cas de Google Traduction, il est difficile de savoir ce qu’il advient des données.
Par conséquent, l’idéal serait de constituer une « tailored-Machine Translation », c’est-à-dire un outil de traduction automatique spécialisé et spécifique à une entreprise ou une institution. En outre, l’input, à savoir les données qui alimentent le système, détermine le résultat de l’outil de N.M.T. On peut comparer cela à un enfant qui apprend à écrire à partir de modèles d’écriture cursive ou script. Le résultat sera différent en fonction du modèle choisi.
Si un traducteur souhaite s’initier à la N.M.T., il n’a pas besoin d’apprendre à coder, travailler avec la N.M.T. suffit amplement pour apprendre à maîtriser cette technologie. On peut faire le parallèle avec l’apprentissage de la conduite : le conducteur novice apprendra à conduire avec la pratique mais pour cela, il n’a pas besoin de connaître en détail le fonctionnement d’un moteur. De plus, afin de participer au développement de la N.M.T., le traducteur peut donner un retour sur l’outil aux développeurs.
Malgré les progrès des systèmes des T.A., l’estimation de la qualité de l’output (traduction produite) reste un challenge important. Il n’existe aujourd’hui aucun indicateur de qualité fiable concernant la T.A. D’après les intervenants, la recherche s’axera davantage sur l’estimation de la qualité de la traduction produite lorsque la N.M.T aura atteint le maximum de ses capacités. Cependant, les experts en N.M.T. considèrent tous que les traductions produites par un traducteur humain sont de qualité supérieure à celles d’un système de T.A.
En ce qui concerne les gains de productivité, les experts en T.A. pensent qu’ils sont très variables et qu’ils dépendent de nombreux facteurs. En général, le domaine du texte influe sur la performance de l’outil de T.A. et donc sur la productivité du traducteur. Par exemple, dans les domaines juridique et technique, la T.A. permet en général au traducteur d’augmenter sa productivité. Néanmoins, dans certains cas, le traducteur est contraint de reprendre entièrement la traduction produite par la machine si elle lui paraît de très basse qualité et cela est donc une perte de temps.
Selon les experts en N.M.T., le futur de la traduction serait de coupler outils de traduction assistée par ordinateur (T.A.O.) et la traduction automatique, une pratique qui commence déjà à prendre de l’ampleur. L’objectif des prochains outils de T.A. est de ne plus traduire au niveau de la phrase (« sentence-level ») mais du document (« document-level »), de telle sorte que la terminologie soit cohérente tout au long du texte et que l’outil tienne compte du contexte. De plus, les interfaces des logiciels de T.A.O. pourraient connaître des améliorations. Par exemple, elles pourraient afficher plusieurs propositions de traduction automatique et non une seule.
Pour conclure, les experts en N.M.T. se sont montrés rassurants vis-à-vis de ce nouvel outil et ils ont exposé ses caractéristiques, ses avantages et ses inconvénients. Ils encouragent fortement les traducteurs à travailler avec ce système pour apprendre à en tirer profit. Étant donné que la N.M.T. est basée sur l’intelligence artificielle, plus le système est entraîné avec des données propres, plus il sera efficace.
OpenEdition vous propose de citer ce billet de la manière suivante :
Dialogues mulhousiens (12 juillet 2019). Translating Europe Forum 2018. Neural MT reality check: the state of the art and a taste of the future – Anaïs VILLARD. Dialogues mulhousiens. Consulté le 18 avril 2025 à l’adresse https://doi.org/10.58079/nly3