Du simple programme à la technologie d’apprentissage automatique : comment la traduction automatique a-t-elle évolué au fil du temps ?

Google Translate, DeepL, Reverso Context : vous avez probablement déjà utilisé un ou plusieurs de ces outils de traduction. Mais quelles sont les origines de la traduction automatique et comment a-t-elle évolué au fil du temps ?

Les origines

L’histoire de la traduction automatique débute dans les années 1950. Warren Weaver, mathématicien et spécialiste de la communication américain, est considéré comme l’un des pionniers de la traduction automatique. En 1949, il publie un mémorandum intitulé « Translation », dans lequel il affirme que l’essence d’une langue va bien au-delà du niveau des mots. Par exemple, il découvre que la structure des phrases joue également un rôle majeur dans la traduction des textes. Selon Weaver, la traduction est donc une tâche complexe qui implique bien plus que la simple transposition d’un texte mot à mot. Sa publication encourage les chercheurs à se lancer dans des expériences en traduction automatique.

C’est ainsi que l’expérience Georgetown-IBM voit le jour en 1954. Cet essai vise à prouver les capacités de la traduction automatique en traduisant des phrases russes en anglais avec un ordinateur. Malheureusement, les résultats ne sont pas concluants. En effet, l’ordinateur ne parvient pas à saisir les nuances linguistiques et le contexte des textes, produisant ainsi des traductions de mauvaise qualité. Cette expérience met en lumière les défis de la traduction automatique et la complexité de la compréhension des langues, notamment pour des langues aux structures grammaticales différentes comme le russe et l’anglais.

Malgré des résultats peu satisfaisants, cette expérience sert de tremplin pour la poursuite de la recherche et du développement. Elle encourage les chercheurs à persévérer dans l’amélioration de la traduction automatique, conduisant finalement aux outils de traduction avancés dont nous disposons aujourd’hui.

Traduction automatique à base de règles (RBMT pour Rule-based machine translation en anglais)

Les premières traductions automatiques étaient donc très approximatives. En effet, les systèmes de l’époque étaient basés sur de simples règles grammaticales et des définitions issues de dictionnaires, désignés sous le nom de « traduction automatique à base de règles (RBMT) ». L’expérience Georgetown-IBM a été l’une des premières tentatives de développement d’un système RBMT. Avec la RBMT, les textes étaient traduits presque mot à mot, produisant des traductions très peu naturelles, voire presque incompréhensibles.

Modèles statistiques de traduction

L’avènement des modèles statistiques de traduction dans les années 1990 bouleverse complètement le paysage de la traduction automatique. Ces modèles opèrent en utilisant des pourcentages/probabilités : ils analysent d’importantes quantités de textes bilingues afin de déceler des schémas et des corrélations entre les mots et les structures de phrases. En se fondant sur ces données statistiques, les modèles de traduction statistique ont été capables de générer des traductions de meilleure qualité que les systèmes RMBT. Certes, ces traductions n’étaient pas parfaites, mais elles représentaient une nette amélioration par rapport aux traductions trop littérales de la RBMT.

Réseaux neuronaux

Même si les modèles de traduction statistique offraient déjà une qualité nettement supérieure, c’est avant tout l’émergence des réseaux neuronaux qui va changer la donne. Ceux-ci assimilent de grandes quantités de texte afin d’élaborer des modèles de traduction qui comprennent mieux le sens des phrases et des mots, mais aussi le contexte. Il s’agit de la traduction automatique neuronale (NMT pour Neural Machine Translation en anglais). Étant plus performants dans la compréhension du contexte, ces modèles ont largement supplanté les modèles statistiques traditionnels de traduction. Google Translate et DeepL sont deux exemples bien connus de moteurs de traduction utilisant des réseaux neuronaux.

Deep Learning

Le Deep Leaning est une forme d’apprentissage automatique qui utilise des réseaux neuronaux artificiels composés de plusieurs couches (d’où le terme deep [profond en anglais]). Pour traduire un texte, le modèle nécessite une grande quantité de données dans les deux langues pour que le système puisse apprendre à faire correspondre les phrases. Les modèles de traduction sont constamment optimisés, ce qui permet au système d’apprendre de ses propres erreurs. Par conséquent, plus le système va traduire de textes, plus il sera précis.

Perspectives d’avenir

Le Deep Learning a joué un rôle décisif dans l’évolution de la traduction automatique et laisse entrevoir une amélioration de sa précision et de sa capacité à saisir les nuances et les subtilités contextuelles des langues. Même si des progrès considérables ont été réalisés, les traductions automatiques sont encore loin d’être parfaites. Par exemple, un texte source peut spécifier qu’une action est à proscrire, alors que la traduction va indiquer qu’elle est recommandée. Évidemment, ces erreurs de traductions peuvent avoir des conséquences majeures, surtout dans le cas des textes juridiques. Cela dit, les nuances culturelles, les expressions idiomatiques et la terminologie spécifique à un domaine sont également sujettes à des traductions inexactes.

Les probabilités que des outils de traduction comme DeepL traduisent correctement le jargon agricole sont donc assez faibles. C’est pourquoi il est toujours préférable de faire appel à un traducteur humain, surtout lorsqu’il s’agit de sujets spécifiques. Outre leurs compétences linguistiques, les traducteurs d’AgroLingua sont spécialisés dans le secteur agricole, ce qui garantit une traduction précise et fidèle à votre message.