Saltar al contenido
Volver a los resultados

Traducción automática

Tipo
NLP text-to-text generation task

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

La traducción automática (TA) es una tarea de procesamiento del lenguaje natural que convierte automáticamente texto de un idioma a otro.

La TA moderna se basa en modelos neuronales de secuencia a secuencia —el mecanismo de atención introducido por Bahdanau et al. (2015) y la arquitectura transformer de Vaswani et al. (2017)— y amplía el acceso a fuentes para el análisis de datos multilingües y la investigación.

La intuición detrás del método

Leer material en un idioma que no se habla bloquea su uso. La traducción automática elimina esa barrera: en lugar de traducir palabra por palabra, un modelo lee la oración completa de origen, construye una representación interna de su significado y luego escribe una oración equivalente en el idioma de destino, prestando atención a las palabras de origen más relevantes a medida que produce cada palabra de salida.

Historia

La traducción automática evolucionó de sistemas basados en reglas y estadísticos hacia modelos neuronales. Bahdanau et al. (2015) introdujeron un mecanismo de atención que permite al modelo aprender conjuntamente a alinear y traducir, eliminando el cuello de botella de comprimir una oración en un único vector fijo. Vaswani et al. (2017) propusieron luego el transformer, que se basa completamente en la atención y se convirtió en la base de los sistemas de traducción modernos.

Cuándo usarlo

Utilice la traducción automática cuando tenga texto en el idioma de origen y lo necesite en otro idioma, y haya disponible un modelo entrenado para ese par de idiomas. Es adecuada para ampliar el acceso a fuentes en el análisis de datos multilingües y la investigación. Para textos de dominios especializados, espere tener que ajustar finamente el modelo. Se necesita al menos una pequeña cantidad de texto para traducir.

Limitaciones y consideraciones

  • Requiere un modelo entrenado disponible para el par de idiomas de origen y destino específico.
  • La traducción de dominios especializados puede requerir ajuste fino antes de ser lo suficientemente precisa.
  • La salida aún debe verificarse en cuanto a fidelidad y fluidez; los errores pueden ser sutiles.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Amplía el acceso a fuentes al hacer que el texto en otros idiomas sea utilizable para análisis e investigación.
  • Los modelos neuronales de atención y transformer traducen oraciones completas en contexto en lugar de palabra por palabra.
  • Escala desde pasajes cortos hasta grandes corpus multilingües a través del mismo modelo.

Aplicaciones

  • Ampliar el acceso a fuentes en idiomas no nativos en la investigación multilingüe.
  • Traducir documentos y corpus para el análisis de datos interlingüístico.
  • Preparar texto en idioma extranjero para tareas posteriores de PLN.
  • Soportar traducción ajustada finamente para dominios especializados como texto legal, médico o técnico.

Cómo funciona

Cómo funciona

1

El texto de origen se tokeniza y se prepara para que el modelo pueda leerlo. Debe estar disponible un modelo entrenado para el par de idiomas de origen y destino; para la traducción de dominios especializados, puede ser necesario ajustar finamente el modelo con texto del dominio específico antes de su uso.

2

El modelo lee la oración de origen y construye una representación interna de su significado. El mecanismo de atención le permite aprender qué posiciones de origen alinear a medida que trabaja, en lugar de comprimir todo en un único resumen fijo.

3

La oración en el idioma de destino se genera unidad por unidad. A medida que produce cada palabra de salida, el modelo presta atención a las partes más relevantes del origen, aprendiendo conjuntamente a alinear y traducir para que el significado se preserve entre idiomas.

4

La salida traducida se verifica en cuanto a fidelidad al original y fluidez en el idioma de destino. Se inspeccionan los errores específicos del dominio y se reconsidera el ajuste fino cuando el modelo general no es lo suficientemente preciso para el material en cuestión.

Errores comunes

  • Aplicar un modelo general a texto de dominio especializado sin ajuste fino produce traducciones inexactas.
  • Usar un modelo que no cubra el par de idiomas requerido da como resultado una salida inutilizable.
  • Confiar en la salida bruta sin verificar la fidelidad y la fluidez puede propagar errores de traducción en el análisis posterior.

Preguntas frecuentes

¿Qué tipo de modelo utiliza la traducción automática?

La TA moderna utiliza modelos neuronales de secuencia a secuencia. El mecanismo de atención (Bahdanau et al., 2015) permite al modelo alinear origen y destino mientras traduce, y la arquitectura transformer (Vaswani et al., 2017), construida completamente sobre atención, sustenta los sistemas actuales.

¿Necesito un modelo para mi par de idiomas específico?

Sí. Debe estar disponible un modelo entrenado para el par de idiomas de origen y destino. Sin cobertura para ese par, el sistema no puede producir traducciones utilizables.

¿Por qué la calidad de la traducción podría ser deficiente en mis textos?

El material de dominio especializado a menudo necesita ajuste fino. Un modelo general puede traducir bien el lenguaje cotidiano pero tener dificultades con la terminología específica del dominio hasta que se adapta con texto del dominio.

¿Debo confiar directamente en la salida?

Verifíquela. La salida traducida debe evaluarse en cuanto a fidelidad al original y fluidez en el idioma de destino antes de alimentar análisis posteriores, ya que los errores pueden ser sutiles.

Métodos relacionados

Fuentes

  1. Bahdanau, D., Cho, K. & Bengio, Y. (2015). Neural Machine Translation by Jointly Learning to Align and Translate. International Conference on Learning Representations (ICLR).

    Abrir referencia de la publicación
    Copiado.
  2. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L. & Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems (NeurIPS).

    Abrir referencia de la publicación
    Copiado.