Language
Country/Area
No result found
L'histoire du succès d'IBM : comment la traduction automatique statistique a-t-elle regagné l'attention dans les années 1980 ?
La traduction automatique statistique (SMT) est une méthode de traduction automatique qui s'appuie sur des modèles statistiques pour générer des traductions, où les paramètres de ces modèles sont dérivés de l'analyse d'un corpus de textes bilingues. Les concepts de base de la traduction automatique statistique ont continué d’évoluer depuis que Warren Weaver a proposé ces idées pour la première fois en 1949. À la fin des années 1980, les chercheurs du centre de recherche Thomas J. Watson d'IBM ont remis cette technologie sur le devant de la scène et l'ont encore développée. La résurgence de cette phase est due au fait qu’ils ont combiné les concepts de la théorie de l’information et les progrès de la technologie informatique pour adapter le SMT à une plus large gamme de langages.
La traduction automatique statistique peut utiliser de grandes quantités de données bilingues et monolingues pour améliorer la fluidité et la précision de la traduction.
L’avantage de SMT est que le modèle utilisé pour la traduction n’est pas basé sur des règles linguistiques explicites, mais apprend automatiquement la conversion entre les langues grâce à l’analyse statistique de grandes quantités de corpus. Cette méthode permet donc une utilisation plus efficace des ressources humaines et des données que les systèmes de traduction traditionnels basés sur des règles. De plus, comme les systèmes SMT ne sont généralement pas optimisés pour une paire de langues spécifique, cela les rend plus flexibles et évolutifs dans leur application.
La fluidité de la traduction automatique statistique provient souvent du modèle linguistique qui la sous-tend.
Cependant, la traduction automatique statistique n’est pas parfaite. Les corpus sont coûteux à créer, les erreurs spécifiques sont difficiles à prévoir et à corriger, et les résultats de traduction semblent parfois fluides mais cachent des problèmes de traduction sous-jacents. En particulier, entre les paires de langues présentant de grandes différences de structure linguistique, l’effet du SMT peut ne pas être celui attendu, ce qui est particulièrement évident dans les paires de langues autres que les langues d’Europe occidentale.
Le premier modèle de traduction basé sur les mots a fait de l’unité de base de la traduction un seul mot en langage naturel. À mesure que les structures des mots deviennent plus complexes, la longueur des phrases traduites est souvent incohérente, ce qui fait du « taux de fécondité » correspondant au mot un point difficile à gérer de manière flexible. Cette approche de traduction basée sur les mots ne permet pas de gérer efficacement les taux de fécondité élevés entre les langues, car elle ne peut pas faire correspondre deux mots anglais à un mot français, même si cela peut avoir un sens littéralement dans certains cas.
La traduction basée sur des phrases tente de surmonter les limites de la traduction basée sur des mots et de fournir une conversion plus flexible en traduisant des séquences de mots entières.
La méthode de traduction basée sur des phrases introduit un autre cadre innovant, qui traduit des « phrases » extraites du corpus à l'aide de méthodes statistiques. Cette méthode est plus flexible et peut réduire efficacement les restrictions sur les mots et leur ordre. De cette manière, les phrases peuvent être directement mappées via la table de traduction et peuvent être réorganisées pendant le processus de traduction, améliorant ainsi la qualité des résultats de traduction.
Dans les années 1980 et 1990, les recherches d’IBM ont continué à se développer, en prenant en compte la structure syntaxique et en intégrant le contexte dans la traduction. Les modèles statistiques de traduction automatique de cette période ont progressivement établi une compréhension linguistique à plusieurs niveaux, marquant un changement qualitatif dans la technologie de traduction.
Le modèle de langage est un élément indispensable du système de traduction automatique statistique, qui contribue à améliorer la fluidité de la traduction.
Au fil du temps, de nombreux systèmes de traduction bien connus, tels que Google Translate et Microsoft Translator, commencent à améliorer leurs technologies sous-jacentes et à passer à la traduction automatique neuronale basée sur l'apprentissage profond, marquant l'obsolescence progressive de la traduction automatique statistique. Cependant, l’importance historique de la SMT demeure, car elle a posé les bases des avancées technologiques ultérieures et a permis un développement fulgurant dans le domaine de la traduction.
Maintenant, lorsque nous regardons en arrière sur l’histoire de cette technologie, nous ne pouvons nous empêcher de nous demander, avec le développement rapide de l’intelligence artificielle, comment la technologie de traduction automatique évoluera-t-elle davantage à l’avenir ?
