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 discuter 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 méthode du Deep Learning et l'avancée de la traduction automatique inspirée du mode de fonctionnement du cerveau humain repose sur la traduction automatique neuronale, communément appelée 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 est devenue la première entreprise au monde à appliquer le traducteur statistique Moses dans un environnement commercial en développant une plateforme d'auto-apprentissage, 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 a remporté 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 basée sur les réseaux neuronaux pour les administrations publiques européennes.

Depuis 2020, Google a rendu la traduction automatique de discours ou de conversation orales 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 moindre frais un texte utilisable sans être précisément juste[8].

Le premier distributeur de film indien — originellement par VHS —, avec plusieurs centaines de million 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].

Triangle de Vauquois, modèle pour les fondements de la traduction automatique

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

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 devient universelle. Et seuls restent les processus d'analyse et de génération. L'interlangue est aussi désignée sous le terme de langue pivot. 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.

Prérequis

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

Pour l'améliorer, ajoutez des références 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).

Nombre de visiteurs du service DeepL

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].

90% des textes traduits par la Direction générale de la Traduction (DG TRAD) sont prétraduits 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.

Exemple d'erreur où le mot jugement est traduit par le mot décret:

« Referring to the decree made in this cause on the 31st January 2019, whereby it was decreed that the marriage solemnised on the 1st July 2013. (« Se référant au décret pris dans cette cause le 31 janvier 2019, par lequel il a été décrété que le mariage serait solennellement célébré le 1er juillet 2013 » en anglais) »

— La traduction juridique face à la traduction automatique

Lorsque la quantitatif et le coût priment sur le qualitatif, la traduction automatique est privilégiée et le traducteur professionnel se trouve contraint de justifier sa plus value[20].

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[23].

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 sécurités dont Google avait donné une traduction incorrecte ou erronée à la demande de l'employeur — Parker's Nurseries —[24]

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

Pour l'améliorer, ajoutez des références 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.

Divers projets cherchent à améliorer les performances et la rapidité des moteurs de traduction (dont celui de Google), espérant un jour pouvoir surmonter la « barrière de la langue » et traduire en temps réel (comme cela a été imaginé par de nombreux auteurs de science-fiction) une langue étrangère, voire pouvoir « communiquer » avec certains animaux via un logiciel de traitement vocal.

• Un projet en cours au Japon consiste à équiper un téléphone portable d'un traducteur multilingue automatique. Ce projet vise dans un premier temps à afficher sur l'écran du téléphone la traduction de phrases et mots simples prononcées en japonais ou en d'autres langues, en quelques secondes et de manière autonome, c'est-à-dire sans dépendre d'un serveur[26].

• Google a annoncé début 2010 une application de traduction vocale quasi instantanée (speech-to-speech translation).