Skip to content
Retour aux résultats

Traduction automatique

Type
NLP text-to-text generation task

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La traduction automatique (TA) est une tâche de traitement automatique du langage naturel qui convertit automatiquement un texte d'une langue vers une autre.

La TA moderne repose sur des modèles neuronaux séquence à séquence — le mécanisme d'attention introduit par Bahdanau et al. (2015) et l'architecture Transformer de Vaswani et al. (2017) — et elle élargit l'accès aux sources pour l'analyse de données multilingues et la recherche.

L’intuition derrière la méthode

Lire un document dans une langue que l'on ne parle pas empêche de l'utiliser. La traduction automatique supprime cette barrière : au lieu de traduire mot à mot, un modèle lit la phrase source entière, construit une représentation interne de son sens, puis rédige une phrase équivalente dans la langue cible, en prêtant attention aux mots sources les plus pertinents au fur et à mesure qu'il produit chaque mot de sortie.

Histoire

La traduction automatique est passée des systèmes basés sur des règles et statistiques vers les modèles neuronaux. Bahdanau et al. (2015) ont introduit un mécanisme d'attention qui permet au modèle d'apprendre conjointement à aligner et à traduire, éliminant le goulot d'étranglement de la compression d'une phrase en un seul vecteur fixe. Vaswani et al. (2017) ont ensuite proposé le Transformer, qui repose entièrement sur l'attention et est devenu le fondement des systèmes de traduction modernes.

Quand l’utiliser

Utilisez la traduction automatique lorsque vous avez un texte dans une langue source et que vous en avez besoin dans une autre langue, et qu'un modèle entraîné pour cette paire de langues est disponible. Elle convient pour élargir l'accès aux sources dans l'analyse de données multilingues et la recherche. Pour les textes de domaines spécialisés, attendez-vous à devoir affiner le modèle. Une petite quantité de texte au minimum est nécessaire pour traduire.

Limites et points d’attention

  • Nécessite un modèle entraîné disponible pour la paire de langues source et cible spécifique.
  • La traduction de domaines spécialisés peut nécessiter un affinage avant d'être suffisamment précise.
  • La sortie doit toujours être vérifiée pour sa fidélité et sa fluidité ; les erreurs peuvent être subtiles.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Élargit l'accès aux sources en rendant utilisables les textes dans d'autres langues pour l'analyse et la recherche.
  • Les modèles neuronaux d'attention et Transformer traduisent des phrases entières en contexte plutôt que mot à mot.
  • S'adapte de courts passages à de grands corpus multilingues grâce au même modèle.

Applications

  • Élargir l'accès aux sources non nativophones dans la recherche multilingue.
  • Traduire des documents et des corpus pour l'analyse de données interlingues.
  • Préparer du texte en langue étrangère pour des tâches de TALN en aval.
  • Soutenir la traduction affinée pour des domaines spécialisés tels que le texte juridique, médical ou technique.

Comment ça marche

Comment ça marche

1

Le texte source est tokenisé et préparé pour que le modèle puisse le lire. Un modèle entraîné pour la paire de langues source et cible doit être disponible ; pour la traduction de domaines spécialisés, il peut être nécessaire d'affiner le modèle sur du texte du domaine concerné avant son utilisation.

2

Le modèle lit la phrase source et construit une représentation interne de son sens. Le mécanisme d'attention lui permet d'apprendre quelles positions sources aligner, plutôt que de compresser le tout en une seule représentation fixe.

3

La phrase dans la langue cible est générée une unité à la fois. Au fur et à mesure qu'il produit chaque mot de sortie, le modèle prête attention aux parties les plus pertinentes de la source, apprenant conjointement à aligner et à traduire de manière à préserver le sens entre les langues.

4

La sortie traduite est vérifiée pour sa fidélité à la source et sa fluidité dans la langue cible. Les erreurs spécifiques au domaine sont inspectées, et l'affinage est réexaminé lorsque le modèle général n'est pas assez précis pour le matériel en question.

Pièges courants

  • Appliquer un modèle général à du texte de domaine spécialisé sans affinage produit des traductions inexactes.
  • Utiliser un modèle qui ne couvre pas la paire de langues requise donne une sortie inutilisable.
  • Faire confiance à la sortie brute sans vérifier sa fidélité et sa fluidité peut propager des erreurs de traduction dans l'analyse en aval.

Questions fréquentes

Quel type de modèle la traduction automatique utilise-t-elle ?

La TA moderne utilise des modèles neuronaux séquence à séquence. Le mécanisme d'attention (Bahdanau et al., 2015) permet au modèle d'aligner la source et la cible lors de la traduction, et l'architecture Transformer (Vaswani et al., 2017), entièrement basée sur l'attention, sous-tend les systèmes actuels.

Ai-je besoin d'un modèle pour ma paire de langues spécifique ?

Oui. Un modèle entraîné pour la paire de langues source et cible doit être disponible. Sans couverture pour cette paire, le système ne peut pas produire de traductions utilisables.

Pourquoi la qualité de la traduction pourrait-elle être médiocre sur mes textes ?

Le matériel de domaine spécialisé nécessite souvent un affinage. Un modèle général peut bien traduire le langage courant mais avoir du mal avec la terminologie spécifique au domaine jusqu'à ce qu'il soit adapté sur du texte du domaine concerné.

Dois-je faire confiance directement à la sortie ?

Vérifiez-la. La sortie traduite doit être évaluée pour sa fidélité à la source et sa fluidité dans la langue cible avant d'alimenter une analyse ultérieure, car les erreurs peuvent être subtiles.

Méthodes associées

Sources

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

    Ouvrir la référence de la publication
    Copié.
  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).

    Ouvrir la référence de la publication
    Copié.