Entrada | Automàtica (traducció)

ENG Machine translation EUS Itzulpen automatiko GLG Tradución automática POR Tradução automática SPA Traducción automática

Introducció


	La traducció automàtica en brut no sempre està preparada per a ser usada tal com s’ha produït: l’expressió anglesa “like two peas in a pod”, que significa “molt semblant”, es tradueix literalment al castellà.

La traducció automàtica (TA) és el procés mitjançant el qual un programa d’ordinador produeix, a partir d’un text llegible per ordinador en una llengua de partida, un text llegible per ordinador en una llengua d’arribada, el qual es pretén que siga una traducció aproximada del primer, i ho fa sense cap intervenció humana.

La TA s'ha de distingir clarament d'altres tecnologies de traducció utilitzades pels professionals de la traducció, com ara la traducció assistida per ordinador basada en memòries de traducció, en la qual els professionals utilitzen traduccions prèvies de segments de textos similars per traduir nous segments, o, fins i tot, d'altres tecnologies de processament de llenguatge natural que apliquen tècniques de lingüística computacional com ara la traducció automàtica de veu a veu, és a dir, la interpretació automàtica. La TA és una tecnologia de text a text i està completament automatitzada.

Però, és la traducció automàtica en brut realment una traducció? Normalment, no es pot utilitzar com ho faria una traducció professional; com va dir Sager (1994) al seu llibre pioner, “no hi ha cap situació en la qual [la TA i la traducció professional] serien igualment adequats”. Açò vol dir que, per exemple, l’eixida de la TA rarament es pot publicar tal com s’ha produït; no vol dir, però, que la TA siga inútil. De fet, els clients dels traductors professionals comencen a ser conscients que hi ha una tecnologia que els pot ajudar a fer el seu treball i, per tant, exigeixen preus millors, mentre que el públic en general s’acostuma gradualment a llegir traducció automàtica en brut, fins i tot per a prendre decisions quant a adquisicions basant-se en ressenyes o descripcions traduïdes automàticament. Com a resultat, la traducció professional es percep de vegades com un luxe prescindible en moltes aplicacions. La consciència professional sobre la utilitat i les limitacions de la TA és, per tant, crucial en la pràctica de la traducció contemporània.

Dos usos principals de la traducció automàtica, l’assimilació i la disseminació

L’àmplia disponibilitat de la TA, una tecnologia madura en l’actualitat, ha canviat radicalment la forma en què les persones perceben les comunicacions multilingües, ja que actualment qualsevol persona que tinga accés a Internet pot utilitzar-la, en molts casos de forma gratuïta, per a comprendre textos (normalment contingut web) escrits en una llengua que no saben llegir. Quan això succeeix, es diu que la TA s’usa per a l'assimilació (en anglés també gisting). L’assimilació és, amb diferència, l’ús més comú de la TA. Franz Josef Och, qui va ser responsable científic de TA de Google, ja va dir el 2012: “En un dia determinat traduïm aproximadament tot el text que trobareu a un milió de llibres. Dit d’una altra manera: el que tots els traductors humans professionals del món tradueixen en un any, el nostre sistema ho tradueix aproximadament en un sol dia”. (Och 2012).

Però, d’altra banda, els professionals usen, amb intensitat variable, la TA com a font d’ajuda a l’hora de produir traduccions que s’han de publicar. Quan això succeeix, es diu que la TA s’usa per a propòsits de disseminació. De fet, la TA ha impactat la traducció com una professió (i la forma en què és percebuda pel públic en general) en tal mesura que els retrònims 'traducció humana' i (malauradament menys freqüentment) 'traducció professional', s’usen cada dia més per a referir-se a les traduccions que no ha produït un sistema de TA.

Postedició, preedició, llenguatges controlats

Una manera habitual en què els traductors professionals aprofiten la traducció automàtica amb finalitats de disseminació és mitjançant l’edició o, com s’acostuma a anomenar, la postedició de l’eixida de la TA per a convertir-la en una traducció adequada per al propòsit previst, sempre que açò siga econòmicament possible. Quan el text es tradueix d'una única llengua de partida a diverses llengües d’arribada (per exemple, en els fluxos de treball de gestió de documents multilingües), una preedició proactiva del text original (esperablement més costosa que la postedició, ja que requereix comprendre quin tipus d'entrada fa que el sistema produïsca errors) pot ser una manera d’evitar parcialment la postedició del contingut de l’eixida del sistema de TA en més d’una llengua d’arribada. De fet, la mateixa preedició es pot evitar si es restringeix el llenguatge que poden escriure els autors dels textos originals. Açò es fa definint i aplicant (mitjançant l'edició assistida) un llenguatge controlat que utilitza regles per restringir el lèxic i les estructures de la llengua de partida per a evitar problemes de traducció automàtica.

Una breu història de la TA

La idea de la traducció mecànica existia feia molt de temps. Entre els precedents de la TA moderna, sovint es cita el memoràndum de Warren Weaver (1949). Les dues contribucions principals de Weaver van ser: (a) la idea que un text en la llengua de partida és com una versió “xifrada” del text en la llengua d’arribada, i que la traducció seria similar a un procés de “desxiframent” que utilitzaria de manera intel·ligent les teories estadístiques de probabilitat de la teoria de la comunicació; i (b) la idea que en lloc de traduir directament d'una llengua a una altra pot ser més útil cercar representacions de text més profundes i intentar aprofitar el que les llengües tenen en comú. Aquestes dues idees fonamenten bona part de la tecnologia que se’n va derivar.

La TA va ser una de les primeres aplicacions dels sistemes pioners de computació electrònica. El 1954 es va fer per primera vegada la demostració pública d’un sistema de TA (desenvolupat per IBM i la Universitat de Georgetown). S’hi va traduir a l'anglés un conjunt de 49 oracions en rus usant una aproximació directa, mot a mot, amb un diccionari de 250 paraules, seguida d’alguns ajustaments realitzats mitjançant sis regles gramaticals. Malgrat les limitacions dels resultats, es va fer creure al públic i a la indústria que en pocs anys es podrien aconseguir traduccions de qualitat de documents científics i tècnics. La recerca va florir amb un finançament públic generós, però el progrés cap a l'objectiu de la traducció completament automatitzada d'alta qualitat era massa lent. El 1966, el Comité assessor sobre el processament automàtic de les llengües (Automatic Language Processing Advisory Committee, ALPAC) va publicar un informe que recomanava que els recursos dedicats a la recerca en TA s’usaren per a tasques de processament del llenguatge natural millor definides i menys ambicioses i per al desenvolupament d’ajudes a la traducció com ara diccionaris automàtics. La investigació als Estats Units pràcticament es va detenir —sense desaparéixer del tot—, mentre que va continuar a Europa i el Japó. De fet, en els anys setanta, un sistema comercial, Systran (encara disponible, però ara un sistema completament nou), va ser adoptat tant per les Forces Aèries dels Estats Units com per la Comissió Europea.


L'Informe ALPAC (1966).

La dècada dels huitanta va veure com es dirigien els esforços cap a la traducció indirecta mitjançant diferents nivells d’anàlisi de la llengua de partida per a construir representacions intermèdies, en sistemes com GETA-Ariane (Grenoble; Hutchins i Somers, 1992, cap. 13), SUSY (Saarbrücken; Hutchins i Somers 1992, cap. 11), Mu (Kyoto; Nagao, Nishida i Tsujii 1984), DLT (Utrecht; Hutchins & Somers 1992, cap. 17), Rosetta (Eindhoven; Hutchins & Somers, 1992, cap. 16), els sistemes desenvolupats a la Universitat Carnegie-Mellon (Pittsburgh; Hutchins & Somers 1992, sec. 18.1) i els desenvolupats per dos projectes internacionals: Eurotra, finançat per la Comunitat Europea (Hutchins & Somers 1992, cap. 14), i el projecte japonés CICC amb participants a la Xina, Indonèsia i Tailàndia (Tanaka, Ishizaki, Uehara et al. 1989). Tot i que Eurotra no va aconseguir oferir un sistema de TA útil i es va cancel·lar el 1992, va estimular la investigació sobre tecnologies del llenguatge a tot Europa i va conduir a la concepció de sistemes comercials com el sistema Metal de Siemens (Hutchins & Somers 1992, cap. 15), els quals es basaven en principis lingüístics com l’anàlisi sintàctica i la transformació del seu resultat. Tots aquests sistemes els construien experts que escrivien diccionaris i regles, i en programes informàtics que els aplicaven als textos (traducció automàtica basada en regles, vegeu més avall).

Però cap al final dels anys huitanta va sorgir un nou enfocament a IBM (Brown, Cocke, Della Pietra et al. 1988; Hutchins i Somers 1992, epígraf 18.3), tot i que sols va començar a ser conegut en el decenni dels noranta. Un nou sistema anomenat Candide extreia informació estadística detallada d'una versió alineada oració a oració dels Hansards, les actes bilingües anglés–francés del Parlament de Canadà, aprenia models probabilístics de traducció automàtica i els aplicava eficientment a nous textos, quasi sense que calguen coneixements lingüístics per a desenvolupar-lo. El sistema resultant no estava massa lluny de l’enfocament estadístic de Weaver (1949) de desxifrar el text de partida per a traduir-lo. La TA estadística (vegeu més avall) havia entrat a escena per a competir amb les aproximacions basades en regles a la TA, i va començar a desplaçar-les. Fins al voltant de 2015, molts sistemes de traducció automàtica es basaven en l’anomenada traducció automàtica estadística basada en segments (phrase-based machine translation), una evolució de l'enfocament original d'IBM; de fet, la varietat més utilitzada. Açò va ser possible a causa de la disponibilitat de programari lliure per a entrenar i implementar sistemes de traducció automàtica, com ara Moses. Ara que el programari era lliure, la clau era tenir bones dades d'entrenament; van aparéixer empreses que oferien als clients la possibilitat de combinar les seues dades amb les dades generals de l’empresa per a construir sistemes especialitzats, tot usant un navegador d’Internet ordinari.

Cap al 2013, una nova forma de traducció basada en l’anomenat aprenentatge profund va començar a disputar l’hegemonia a la TA estadística. Aquesta nova TA neural (o neuronal, vegeu més avall) utilitza mètodes d’un camp madur de la intel·ligència artificial, el de les xarxes neurals artificials; en proves de laboratori, els seus resultats es mostren comparables o superiors als millors resultats de TA estadística disponibles. Com la TA estadística, la TA neural aprén dels textos bilingües i és darrere dels populars sistemes comercials contemporanis de TA com ara Google Translate, Microsoft Translator o DeepL.

TA de propòsit general i de propòsit específic

Quant a la sensibilitat al gènere o a la temàtica concrets dels textos, es poden distingir dos tipus de TA: la TA de propòsit general i la TA de propòsit específic o ajustada a la tasca. La TA de propòsit general (és a dir, sistemes com ara Google, Microsoft Translator, Deepl, etc.) tracta de satisfer les necessitats de tothom i de qualsevol tipus de text: en general és gratuïta o quasi gratuïta, però no pot satisfer plenament les necessitats d'una determinada tasca de traducció, ja que tracta d'abordar totes al mateix temps. La TA és cada vegada millor en l’ús del co-text (text adjacent), però encara és lluny de poder considerar el context (el conjunt de circumstàncies de comunicació que també contribueixen a la interpretació del text). La TA de propòsit especial o ajustada a la tasca pot ser millor per a la traducció de textos en un gènere o d’un tema en particular, però en general s'ha de pagar per tenir-hi accés; de fet, hi ha negoci en l'adaptació de la TA per a tasques específiques. Un sistema TA ben ajustat a una tasca pot estalviar als traductors parts avorrides (mecàniques) del seu treball: proporciona traduccions en brut ràpides i assequibles, pràcticament no fa errades tipogràfiques o ortogràfiques, i tendeix a ser terminològicament consistent.

Aproximacions a la TA

Com hem vist més amunt, les tecnologies de traducció automàtica es poden dividir de manera general en dos grups: la TA basada en regles i la TA basada en corpus, aquesta última amb dues varietats principals: la TA estadística i la TA neural. És important tenir en compte que la majoria dels sistemes de traducció automàtica actuals simplifiquen el problema de traduir un text a traduir les seues oracions una a una (això va canviant en la TA neural). Aquesta visió “miop” del text, però, no només es troba en la traducció automàtica: en la traducció assistida per ordinador, les memòries de traducció solen funcionar amb unitats de traducció de grandària aproximadament oracional.

Traducció automàtica basada en regles (TABR)

La traducció automàtica basada en regles (TABR), l’enfocament dominant de la traducció automàtica dels primers intents dels anys cinquanta fins als anys noranta, encara es pot trobar en sistemes com Apertium. La traducció automàtica basada en regles progressa a partir de la traducció mot a mot, afegint regles que poden incloure o no tota l’oració.


	La traducció automàtica basada en regles és habitualment indirecta i opera en tres etapes: anàlisi, transferència i generació. Quan l’anàlisi és tan profunda que la transferència no és necessària, tenim sistemes d’interlingua.

Per a desenvolupar un sistema de TABR, d’una banda, els experts en traducció recopilen diccionaris en forma electrònica i escriuen regles que analitzen el text de partida i transformen les estructures de la llengua de partida en estructures equivalents de la llengua d’arribada. Els experts han de convertir el coneixement intuïtiu i incompletament formalitzat dels traductors professionals sobre la tasca de traducció en regles que s'han de codificar d'una manera eficientment computable; açò pot conduir a simplificacions bastant radicals, que, tanmateix, si es trien bé, poden ser útils en la majoria dels casos. D'altra banda, els experts en informàtica escriuen programes (anomenats motors de TA) que consulten diccionaris i apliquen (en l'ordre previst) les regles al text de partida per a analitzar-lo i traduir-lo.

Els enfocaments històrics de la traducció automàtica, com els anomenats enfocaments directes o transformadors (transformer), començaven amb una traducció aproximadament mot a mot seguida d’unes regles d’acabat que intentaven convertir-la en un text gramatical en la llengua d’arribada. En l’actualitat, però, la majoria de sistemes de traducció automàtica basats en regles es poden descriure seguint un enfocament de transferència de tres etapes: en la primera etapa, l’anàlisi, s’analitza el text font (morfològicament, sintàcticament i semànticament) i se’n genera una representació abstracta en la llengua de partida; la segona etapa, la transferència, substitueix els ítems lèxics de la llengua de partida per ítems lèxics de la llengua d’arribada (transferència lèxica) i transforma les estructures de la llengua de partida en estructures de la llengua d’arribada (transferència estructural) per a generar una representació abstracta en la llengua d’arribada; finalment, la tercera etapa, la generació, en produeix text real en la llengua d’arribada. En el cas extrem en què l’anàlisi i la generació són tan profundes que les representacions abstractes de les llengües de partida i d’arribada són la mateixa i no hi cal transferència, parlem de sistemes d’interlingua (el terme interlingua designa en realitat aquesta representació abstracta lingüísticament neutral).

L’eixida dels sistemes de TABR sol ser consistent però mecànica, mancada de fluïdesa. La TABR és coneguda pels seus problemes a l’hora de resoldre ambigüitats, tant lèxiques (“volen” → “desitgen” / “es desplacen per l’aire”) com sintàctiques/estructurals (“Vaig vendre les taronges que vaig comprar a Fermí” → “Vaig vendre a Fermí unes taronges: les taronges que vaig comprar a algú altre” / “Vaig vendre a algú altre unes taronges: les taronges que vaig comprar a Fermí”). La personalització de la TABR per a obtenir un sistema de propòsit específic o ajustat a la tasca és bastant costosa, ja que requereix el treball d’experts que editen els diccionaris i les regals.

Traducció automàtica estadística

La traducció automàtica estadística va ser el primer enfocament de la traducció automàtica basada en corpus (TABC). Sovint s’esmenta Pierre Isabelle (Isabelle, Dymetman, Foster et al. 1993:205) per haver dit que «les traduccions existents contenen més solucions a més problemes de traducció que qualsevol altre recurs disponible». Aquesta és la idea fonamental que hi ha darrere de la traducció automàtica basada en corpus, un enfocament en creixement constant d’ençà de mitjans dels anys noranta. Els programes de traducció automàtica basats en corpus aprenen a traduir a partir d’enormes corpus de textos bilingües on centenars de milers o milions d’oracions en una llengua s’han emparellat o alineat amb la seua traducció a altra llengua (és a dir, enormes memòries de traducció); en alguns enfocaments, també es poden utilitzar corpus monolingües en la llengua d’arribada (no traduïts). En el cas de la traducció automàtica basada en corpus, el paper dels experts en traducció pot semblar menys important fins que es pren en compte el fet que els corpus d’entrenament contenen el treball de traductors (idealment, però malauradament no sempre, de traductors professionals). Aquests corpus tan grans poques vegades estan disponibles per a idiomes o dominis menys traduïts, i açò restringeix l’aplicabilitat de la TA basada en corpus.


Traducció estadística (Karan Singla 2015).

La TA estadística, inventada a finals dels anys huitanta, i aplicada comercialment d’ençà del principi del mil·lenni, aprén i utilitza models probabilístics que s’estimen comptant determinats esdeveniments del corpus bilingüe d’entrenament (per exemple, quantes vegades es troba un mot determinat al costat d’un altre en l’oració d’arribada o quantes vegades apareix un mot determinat a l’oració de partida quan apareix un altre mot determinat a l’oració d’arribada).

Els sistemes de traducció automàtica estadística s’han d’entrenar sobre un corpus gran de text bilingüe alineat oració a oració i, opcionalment, un corpus de text monolingüe en la llengua d’arribada encara més gran. Com més grans són els corpus, millor es representa estadísticament cada ítem possible de traducció (mot, estructura, transformació); és a dir, com més grans són els corpus, més probable és que cobrisquen mots i estructures que apareixeran en textos futurs.

L'entrenament genera (a) diccionaris probabilístics que contenen mots i segments de més d'un mot, on s’associen probabilitats a unitats de traducció com ara (pursuant to, “d’acord amb”), la qual és molt probable o (pursuant to, “excepte en el cas de”), que és bastant improbable; (b) models que assignen probabilitats a cada possible seqüència de mots en la llengua d’arribada (de manera que “dos de cada tres són” és més probable que “dos són tres cada de”) i, finalment, models probabilístics de reordenació de mots (per exemple, per a obtenir “el cotxe nou de Peter” a partir de Peter’s new car).

Utilitzant aquestes correspondències entre seqüències breus de mots de partida i d’arribada apreses del corpus d’entrenament (les quals habitualment s’anomenen parells de frases encara que no hagen de ser frases en sentit lingüístic), la TA estadística cobreix l’oració de partida amb les frases de partida de totes les maneres possibles, concatena les frases d’arribada corresponents en quasi totes les formes possibles i en tria la manera més probable (més versemblant) de fer-ho.

Per exemple, l’oració en èuscar

Hilaren 21ean irekiko dute Ipar eta Hego Euskal Herriaren arteko muga

es podria traduir a l’anglès per

The border between the North and South Basque Country will be opened on the 21st of this month

utilitzant alguns dels milions de parells de frases extrets automàticament d’un corpus basc–anglés com ara

Hilaren→of this month
21ean→on the 21st
arteko muga→the border between
Euskal Herriaren→Basque Country
Ipar eta Hego→North and South
irekiko dut→will be opened

dividint primer el text de partida com

Hilaren / 21ean / irekiko dute / Ipar eta Hego / Euskal Herriaren / arteko muga

i usant després el model de llengua d’arribada per a elegir possibles ordenacions dels elements

of this month
on the 21st
will be opened
North and South
Basque Country
the border between

i arribar a una reordenació raonable. Una altra reordenació legal seria

On the 21st of this month the border between the North and South Basque Country will be opened.

Però, com s’utilitzen per a traduir les probabilitats de traducció i de la llengua d’arribada obtingudes de corpus paral·lels? S'utilitzen com a puntuacions parcials que es combinen per a cada possible traducció candidata de l’oració i es ponderen mitjançant una mena de barem que assigna una puntuació global a cada possible traducció d'una oració determinada: la millor traducció serà la que obtinga la millor puntuació global. Òbviament, no totes les traduccions possibles es puntuen (però moltes sí; s’usen aproximacions per a cercar només entre els que són, a priori, les més probables). Aquesta baremació és un procés computacional molt intens; és per això que la TA estadística només és factible de fa uns vint anys. Abans, els ordinadors no eren prou ràpids i no podien emmagatzemar les taules de paràmetres dels grans models probabilístics que s’usen.

Com s’ha dit més amunt, el barem té pesos per a cada puntuació parcial, però quins són aquests pesos? L’ajustament d'aquests pesos es fa generalment sobre una petita part del corpus bilingüe que no ha estat utilitzada per a l'entrenament (l’anomenat corpus de desenvolupament); cada oració d’aquest corpus es tradueix a la llengua d’arribada usant valors diferents per als pesos, i la similitud de l’eixida traduïda automàticament es compara automàticament i quantitativament amb la traducció que hi ha en el costat d’arribada del corpus de desenvolupament. A continuació, es trien els pesos perquè aquesta similitud siga la més ajustada possible per a tot el corpus. L'avaluació d'aquesta similitud és en general bastant crua; la mesura més popular d'aquest tipus, anomenada BLEU (Papineni, Roukos, Ward et al., 2002) compta les coincidències dels grups d’un sol mot, de dos mots, de tres mots, etc., entre l’oració traduïda automàticament i la traducció de referència i les combina en una única mesura que oscil·la entre 0 (quan no hi ha cap relació) i el 100% (quan la concordança és exacta). Com a resultat, una propietat important de les traduccions estadístiques és que s’assemblen a les que es troben en els corpus d’entrenament; això proporciona una clara oportunitat per a la personalització mitjançant la selecció de material d’entrenament adequat.

Com s’ha dit anteriorment, pràcticament no calen experts en traducció per a construir un sistema de traducció automàtica estadística: els experts eren els que van produir les traduccions utilitzades per a entrenar-lo i ajustar-lo.

La traducció automàtica estadística també té limitacions importants. Una important és que les traduccions poden semblar molt fluides (a causa del pes en el barem del model de probabilitat de la llengua d’arribada), però també poden ser infidels, per exemple, perquè contenen mots addicionals innecessaris o perquè hi manquen mots necessaris.

Traducció automàtica neural

La nova TA neural es va començar a explotar comercialment el 2016. Es basa en xarxes neurals artificials que s’inspiren (vagament) en la forma en què el cervell aprén i generalitza. En aquest cas, aprenen i generalitzen a partir de l’observació de corpus bilingües (Forcada 2017, Casacuberta & Peris 2017).. De fet, els principals sistemes en línia públicament disponibles de Google, Microsoft, etc., s'han convertit en neurals i, a més, hi ha nous sistemes “nascuts neurals”, com ara DeepL.

Se sol dir que la traducció automàtica neural necessita més dades que la TA estadística (Koehn & Knowles 2017), però aquestes afirmacions han estat recentment posades en qüestió (Sennrich & Zhang 2019). També se sol trobar que és més sensible que la traducció automàtica estadística al soroll en les dades (és a dir, quan les dades contenen parells d’oracions que no es poden considerar traduccions mútues) (Belinkov & Bisk 2018).

La TA neural es considera competitiva amb la TA estadística en moltes aplicacions (Koehn & Knowles 2017, Sennrich & Zhang 2019), però les avaluacions comparatives completes en aplicacions reals encara són escasses (vegeu, per exemple, Jia, Carl & Wang 2019; Shterionov, Superbo, Nagle et al. 2018; Klubička, Toral & Sánchez-Cartagena 2018).

Com s’ha dit més amunt, la TA neural es diu neural perquè es realitza mitjançant un programari que simula grans xarxes de neurones artificials, les quals, al seu torn, són versions altament simplificades de les neurones biològiques. L’activació o l’excitació d’una neurona artificial depén de l’activació d’altres neurones artificials i de la intensitat de les connexions a través de les quals reben els seus senyals (i els possibles senyals d’entrada provinents de l’exterior). Els senyals que provenen de neurones excitades a través de connexions positives tendiran a excitar les neurones que les reben; els senyals procedents de neurones inhibides o deprimides mitjançant connexions positives tendiran a inhibir-les. Amb connexions negatives, el comportament és l’oposat.


	Estructura d’un sistema de TA neural: l’oració “Çisgiyi geçtin!” és traduïda com “Over the line” (<eos> és el marcador de final d’oració).

Perquè una xarxa neural concreta tinga un comportament específic —és a dir, patrons específics d’activació de les neurones de la xarxa— quan es processa una sèrie d’exemples d’aprenentatge, la xarxa s’ha d’entrenar modificant les intensitats de les connexions.

En les xarxes neurals artificials, les neurones solen formar capes, és a dir, grups de neurones que reben senyals només de les neurones de la capa anterior i envien senyals només a les neurones de la capa següent. Es diu que l’aprenentatge profund es produeix quan hi ha moltes d’aquestes capes, és a dir, quan l’aprenentatge és realitzat per una xarxa neural profunda.

Un concepte important en les xarxes neurals és el de la representació. Es diu que els valors d’activació de les neurones d’una capa formen una representació de la informació que processen. Per exemple, en una xarxa neural entrenada, el vector o llista o de longitud fixa (0,35, 0,28, –0,15, ... 0,88), on cadascun dels (possiblement centenars de) valors representa l’activació de les neurones en una capa, podria formar la representació del mot estudi, mentre que (–0.35, 0.90, –0.12, ... 0.73) podria ser la del mot serp. Les representacions apreses solen tenir propietats interessants. Sovint els conceptes similars tenen representacions matemàticament similars, el que es podria interpretar com si la xarxa neural aprengués la seua semàntica durant l’entrenament.

La majoria de les arquitectures de traducció automàtica neural lligen seqüencialment un a un els mots de l’oració de partida per a construir progressivament una representació de tota l’oració (codificació) i, una vegada construïda, n’extreuen un a un els mots de l’oració d’arribada (descodificació), tenint en compte els mots d’arribada ja escrits. Més precisament, a cada pas, cada unitat del descodificador calcula, per a tots els mots del vocabulari, la probabilitat de cada mot possible d’arribada i, en general, se selecciona el mot més probable, d’una manera que recorda la característica de predicció del següent mot que trobem en el teclat dels nostres telèfons intel·ligents.

Hi ha una àmplia varietat de dissenys de TA neural: arquitectures recurrents codificador–descodificador (Sutskever, Vinyals & Le 2013), arquitectures suplementades amb mecanismes d’atenció on s’examina cada pas del procés de construcció de les representacions de les oracions cada vegada que es produeix un mot en la llengua d’arribada (Bahdanau, Cho & Bengio 2015) o fins i tot arquitectures transformadores (transformer, Vaswani, Shazeer, Parmar et al. 2017) on no es construeix una representació explícita de tota l’oració original i on es presta atenció també als mots d’arribada ja escrits.

La TA neural és una tecnologia completament nova i això té implicacions importants. D’una banda, requereix maquinari especialitzat i potent, ja que els càlculs necessaris per a simular xarxes neurals artificials amb molts milers d’unitats i amb milions de connexions són matemàticament molt intensos. En particular, se sol afegir a ordinadors especialitzats una evolució de les targetes gràfiques per ordinador anomenades GPU (graphic processing units, unitats de processament gràfic). Com s’ha esmentat anteriorment, se sol dir que els sistemes de TA neural requereixen grans quantitats de dades per a l’aprenentatge bilingüe. Ni aquest maquinari especialitzat ni la gran quantitat de dades d’entrenament solen estar disponibles per a la majoria dels traductors professionals, que per tant han de recórrer a tercers per a entrenar sistemes neurals de TA i després executar-los. Això, de fet, constitueix un model de negoci en la indústria de la traducció, com ja succeïa en el cas de la TA estadística; les empreses de TA neural poden afegir les memòries de traducció del client als seus corpus bilingües generals per a crear un sistema de TA ajustat a la tasca.

Però, d'altra banda, la TA neural també produeix un tipus d’eixida bastant diferent. En primer lloc, com que la descodificació parteix de representacions de l’oració completa, és difícil saber d’on ve cada mot d’arribada (en TA estadística, hom pot rastrejar fàcilment les frases de partida corresponents a cada frase d’arribada). En segon lloc, com passava amb la TA estadística, la TA neural pot produir de tant en tant textos gramaticalment naturals que no són, però, una traducció de l’oració de partida i, de fet, la traducció neural ho fa més sovint. Els errors són generalment de naturalesa semàntica: els mots que no s’han vist durant l’entrenament es poden substituir per mots amb un significat similar (giny→dispositiu), fins i tot amb resultats perillosos (Tunísia →Noruega); fins i tot es poden produir paràfrasis (Michael Jordan → l’escorta dels Chicago Bulls). Per a mitigar el problema de la traducció de mots que no s’han vist durant l’entrenament, el material d’entrenament se sol segmentar automàticament en unitats sublèxiques, circumstància que pot dur al sistema a produir mots inventats com ara enginyeratge (per enginyeria) o reclutació (per reclutament), construïts a partir de traduccions sublèxiques de les unitats sublèxiques de partida. Tot açò vol dir que els professionals que post-editen l’eixida de la TA hi han de prestar encara més atenció, ja que és probable que els errors siguen bastant subtils.

Corpus per a la traducció automàtica

L'elaboració i la gestió dels corpus necessari per entrenar sistemes de traducció automàtica basada en corpus (estadística o neural) presenta reptes importants:

Cal adquirir i muntar col·leccions molt grans de textos paral·lels, és a dir, textos en una llengua amb un text equivalent en l’altra llengua. És possible que açò no estiga disponible per a algunes llengües o per a alguns gèneres de text.
Garantir que un text és una traducció adequada d’un altre text pot no ser una qüestió trivial en alguns casos (ja que la reutilització dels textos pot haver causat que parts d’aquests no siguen una traducció en sentit estricte). Quan es recopila text de llocs web multilingües, l’alineació de cada document amb la seua traducció s’ha de fer automàticament i la tasca és propensa a errors.
Després, s’ha de segmentar el text bilingüe en oracions i alinear-les oració a oració (amb l’excepció de les memòries de traducció produïdes en entorns de traducció assistida per ordinador, que ja vénen alineades). Per a col·leccions tan grans, s’ha de recórrer a la segmentació automàtica (mitjançant regles senzilles basades en la puntuació i el format) i l’alineació automàtica d’oracions (mitjançant mètodes estadístics), els quals poden introduir-hi errors.
L’entrenament de sistemes de traducció automàtica requereix reunir un conjunt de desenvolupament amb uns quants milers de parells d’oracions —que siguen tan representatives com siga possible de les que traduirà el sistema entrenat— per a guiar l’entrenament i obtenir indicadors de rendiment.

Cada oració a banda i banda del corpus paral·lel s’ha de segmentar en unitats més petites anomenades tokens. En les llengües no és massa difícil segmentar la majoria d’un text en tokens lèxics (mots) mitjançant la puntuació, els separadors (espais en blanc, tabuladors, marcadors de final de línia) i algunes regles sobre contraccions, etc. Però hi ha idiomes que s’escriuen en scriptio continua i requereixen l’ús de processadors lingüístics addicionals (per exemple, basats en diccionaris) per a segmentar-los. Més recentment, les oracions es divideixen automàticament en tokens que són unitats sublèxiques mitjançant mètodes estadístics o neurals, independentment de la llengua, per exemple, usant algorismes com ara la codificació de parells d’octets (byte-pair encoding, mètode estadístic proposat per Sennrich, Haddow & Birch, 2016) o el recent mètode anomenat SentencePiece (neural; Kudo & Richardson 2018).

Avaluació de la traducció automàtica

Per a avaluar una traducció automàtica, cal tenir-ne en compte la finalitat. Considerem primer un escenari d’adopció, en què volem decidir si utilitzarem la traducció automàtica o quin sistema de traducció automàtica escollirem. L’ideal seria intentar idear un experiment que siga representatiu de la tasca real on esperem que ajude la TA i, a continuació, mesurar la utilitat del resultat de la traducció automàtica en aquesta tasca. Com s’ha dit anteriorment, la traducció automàtica es pot aplicar amb finalitats d’assimilació o disseminació. Històricament, l’avaluació de la traducció automàtica ha estat un tema controvertit i, per tant, hi ha molts enfocaments.

Considerem primer una situació d’assimilació (o gisting) en la qual les instruccions per realitzar una tasca (una recepta de cuina, instruccions per instal·lar i configurar una aplicació per a telèfons mòbils) són el resultat de la TA en brut. Una mesura de l’èxit en la tasca associada és clarament un indicador de la utilitat de la traducció automàtica. Cal prendre en compte, però, que, per una banda, molts usos de la traducció automàtica no tenen associada una tasca ben definida (navegar pel catàleg d’una botiga en línia, llegir notícies esportives d’un altre país, navegar per un fòrum sobre la menopausa) i que, d'altra banda, establir un experiment representatiu amb prou text, temes i situacions pot resultar molt costós. Una aproximació possible consisteix a usar els mètodes típics utilitzats en l’ensenyament de segones llengües: després de llegir un text traduït automàticament, els subjectes poden respondre a qüestionaris de comprensió lectora (Jones, Shen & Herzog 2009 ; Scarton & Specia 2016) amb qüestions en la llengua d’arribada (que també són bastant costoses de preparar), o tests de clausura amb espais en blanc (cloze tests) en què es demana als subjectes que completen oracions traduïdes professionalment en les quals algunes paraules han estat esborrades (Forcada, Scarton, Specia et al. 2018; una miqueta més econòmic si hi ha traduccions disponibles de porcions del text de partida)

En les aplicacions de disseminació, la traducció automàtica serà utilitzada pels traductors professionals, siga com a matèria primera que posteriorment editaran per a produir una traducció adequada al propòsit, siga com a font d’inspiració. L’avaluació semblaria bastant senzilla: després de seleccionar un conjunt de textos representatius, es demana a un grup de traductors que els traduïsquen de zero o amb l’ajut d’un o més sistemes de traducció automàtica, i després es mesura l’esforç que els ha costat produir la traducció en cada situació. Per exemple, es podria mesurar el temps que tarden a traduir mil mots o, al revés, mesurar-ne la productivitat, és a dir, quants mots tradueixen per hora. Si un sistema de traducció automàtica és útil, els traductors traduiran més ràpidament que sense ell; si el sistema de traducció automàtica A és millor que el sistema de traducció automàtica B, la productivitat amb A serà més gran que amb B. Obtenir resultats significatius pot implicar l’encàrrec de tasques de traducció costoses a diversos traductors, circumstància que fa que aquesta avaluació també siga bastant cara.

Molts enfocaments d’avaluació intenten mitigar el cost de les mesures obtingudes durant la realització de tasques. Una manera de fer-ho és recopilant judicis subjectius, normalment independentment de la tasca. Recentment s’ha popularitzat l’anomenada avaluació directa (direct assessment: Graham, Baldwin, Moffat et al. 2017): es mostra una traducció professional d’una oració a una multitud d’usuaris monolingües en la llengua d’arribada (per exemple, en gris) i una traducció automàtica de la mateixa oració (per exemple, en negre) i se'ls demana fins a quin punt concorden amb l'afirmació que “el text negre expressa adequadament el significat del text gris” i se'ls mostra un control lliscant (slider) que poden situar entre el 0% i el 100%. El processament estadístic (i de vegades el filtratge) de molts judicis subjectius d’aquest tipus condueix a indicadors que han demostrat una correlació raonable amb les mesures reals d’utilitat.

Però, i si es vol avaluar la traducció automàtica, no abans d’adoptar-la, sinó durant el desenvolupament, repetidament per a diferents versions d’un sistema? Aleshores, tots els mètodes anteriors, que impliquen configuracions costoses que usen persones com a subjectes, no són aplicables. En particular, imagineu-vos que s’està entrenant una traducció automàtica estadística o neural: caldria mesurar-ne el rendiment periòdicament durant l’entrenament, per exemple, per a decidir quan deixar d’entrenar (de manera que el sistema no memoritze massa profundament el conjunt d’entrenament). Açò requereix mètriques d’avaluació automàtica, que normalment funcionen de la següent manera: un conjunt de desenvolupament de, per exemple, un parell de mil oracions en la llengua de partida combinades amb traduccions professionals de referència en la llengua d’arribada es tradueixen automàticament amb el sistema que es desenvolupa i la similitud entre l’eixida traduïda automàticament i la traducció de referència (o les traduccions de referència, si hom es pot permetre més d'una traducció professional) es determina automàticament mitjançant un senzill indicador (per exemple, calculant quantes edicions hi serien necessàries, com ara la taxa d'error en mots (word error rate) per produir la referència (més propera), o quants trams d'un, dos, tres i quatre mots apareixen tant a l’eixida del sistema de TA com a les referències, com ara en l'indicador popular anomenat BLEU comentat anteriorment). S'ha demostrat que la correlació d'aquests indicadors amb la utilitat real és limitada, però de totes maneres s'utilitzen massivament en vista de la seua comoditat i, fins i tot, de vegades es presenten com a indicadors reals de qualitat de la traducció automàtica quan es calculen sobre conjunts de prova independents. Cal tenir en compte també que no són tampoc excessivament barats, ja que requereixen l'existència prèvia d'un conjunt considerable de traduccions de referència.

De fet, hi ha un camp de recerca anomenat estimació de la qualitat de la traducció automàtica que estudia maneres de predir la utilitat de la traducció automàtica quan hom no té traduccions professionals de referència, simplement examinant el text original i l’eixida traduïda automàticament (Specia & Shah 2018).

Potencial d’investigació

D’ençà de l’aparició de la traducció automàtica basada en corpus, el paper històric dels lingüistes i dels experts en traducció es considera accessori, ja que la majoria de les investigacions sobre el funcionament dels sistemes de traducció automàtica són realitzades per investigadors amb formació científica o tecnològica (enginyers informàtics, estadístics, científics de dades, etc.).

Però per a aquells parells de llengües (i gèneres de text) que no es poden permetre els corpus paral·lels de la mida necessària per a entrenar sistemes basats en corpus, la traducció automàtica basada en regles pot ser una alternativa. Ací encara calen traductors i lingüistes per a crear i gestionar els diccionaris i els conjunts de regles. Com a exemple, Apertium (Forcada, Ginestí-Rosell, Nordfalk et al. 2011), una plataforma de traducció automàtica col·laborativa i oberta, se centra en idiomes amb menys recursos i permet fer-hi investigacions sobre traducció automàtica.

La majoria de les investigacions de traducció automàtica basades en corpus són hui dia investigacions de traducció automàtica neural i tenen un fort component tecnològic. Heus ací alguns exemples:

noves arquitectures, és a dir, dissenys de xarxes neurals o estratègies d’entrenament;
entrenament de sistemes de traducció automàtica amb poc o cap contingut paral·lel (bilingüe) (traducció automàtica monolingüe o no supervisada); generació de dades sintètiques addicionals: per exemple, generació de dades sintètiques addicionals en la llengua de partida a partir de dades naturals en la llengua d'arribada mitjançant l’entrenament d'un sistema de traducció automàtica inversa (arribada→partida) (dades retrotraduïdes; Sennrich, Haddow & Birch 2016);
algorismes d’entrenament més eficients (important si es té en compte que els sistemes de traducció automàtica neural actuals han d’examinar múltiples vegades tot el conjunt de dades d’entrenament abans de començar a aprendre alguna cosa);
utilitzar més co-text (context del document) i context (imatges, diagrames, etc.) com a entrada per al processament de cada oració
traducció constreta, de manera que el text traduït automàticament complisca les restriccions d’un determinat mitjà, com ara els subtítols o els elements de menú.

Però, fins i tot si no s’entra en aquests aspectes tècnics dels sistemes de traducció automàtica, hi ha una àmplia varietat d’aspectes sobre com es desplega la traducció automàtica en el món real que obre vies a la investigació de traductors i lingüistes.

En els escenaris d’assimilació, és a dir, els més habituals en què la gent normal la consumeix en brut:

Metodologies d’avaluació basades en judicis o mesures i la seua capacitat per predir la utilitat o acceptabilitat real del text traduït automàticament en una varietat d’escenaris i tasques.
Comprendre com les persones fan ús de la traducció automàtica en brut, ja siga observant el seu comportament (resseguiment de la mirada, registre d’accions fetes amb el teclat i el ratolí) o demanant-los que n’informen (protocols de reflexió en veu alta, qüestionaris posttasca); avaluar l’activació d’estratègies meta-cognitives per tractar el contingut traduït automàticament i la relació amb el processament de text produït per parlants no nadius, etc.; estudiant-ne l’acceptabilitat i les actituds cap a la TA, etc.

En els escenaris de disseminació, és a dir, quan els traductors professionals utilitzen la traducció automàtica com a ajuda:

Millorar les metodologies usades per a mesurar possibles reduccions en l’esforç de traducció, especialment durant la postedició.
Estudis traductològics de la naturalesa del text produït pels sistemes de traducció automàtica (per exemple, la capacitat dels sistemes neurals per realitzar operacions com ara reduccions i expansions com fan els traductors professionals).
Estudiar la capacitat dels indicadors d’avaluació (automàtics i manuals, obtinguts a partir de judicis i mesures, etc.) per a predir l’esforç de postedició i la millora d’aquests indicadors.
Integració d’un o més sistemes de traducció automàtica i altres tecnologies de traducció en entorns de traducció assistida per ordinador usats per professionals i agències independents; selecció automàtica de la tecnologia més convenient (“intermediació tecnològica”) per a cada professional, per a cada treball de traducció o fins i tot per a cada segment; ergonomia, canvis en els fluxos de treball de traducció, acceptabilitat i el seu efecte sobre la productivitat real, etc.

En ambdós escenaris, es necessiten estudis lingüístics i traductològics sobre els tipus d’errors produïts per cada tipus de tecnologia de traducció automàtica i el seu efecte sobre la utilitat de la seua eixida.

Finalment, l’ús de la traducció automàtica en l’aprenentatge de llengües assistit per ordinador o, particularment, en la formació real dels traductors, ha esdevingut molt important, en vista del fet que actualment els sistemes de traducció automàtica estan fàcilment disponibles pràcticament per a qualsevol estudiant que tinga connexió a Internet.