Categoría: GearTranslations

Para-que-sirve-la-post-edicion-en-una-traduccion-ademas-de-para-verificar-la-precision-y-fiabilidad-del-texto.jpg

En un mundo hiper-conectado donde los dispositivos electrónicos pueden conectarse fácilmente a cualquier red o aplicación, el inglés se ha considerado por décadas como el ‘idioma de los negocios’ y es el idioma oficial en más de 20 países.

Sin embargo, ofrecer los servicios o productos de la compañía en un solo idioma para reducir los costes de traducción y revisión de la precisión en un dominio específico (vocabulario técnico) puede limitar las oportunidades de las empresas en nuevos mercados.

Uno de los caminos que habitualmente las empresas exploran para minimizar esos costes es la traducción automática, que minimiza drásticamente la inversión necesaria en este servicio, e incluso esto sería aún más eficiente si no necesitara ningún tipo de post-edición humana.

A continuación, analizamos hacia dónde vamos en la industria en este sentido.

El modelo actual: ni humano ni robot

La traducción totalmente automática es un hito que se esperaba conseguir hace muchos años. Y, ciertamente, ha habido importantes avances.

Las herramientas de traducción automática que conocemos hoy en día han ido evolucionando desde la traducción por palabra a la traducción por conjuntos de palabras y pueden llevar a cabo de forma automatizada el proceso de sustituir palabras de un idioma por otro, pero no alcanzan a considerar en los resultados que ofrecen el contexto, el área de especialidad, el estilo y otros elementos del lenguaje que usamos personas y empresas, y que son parte esencial en la comunicación.

El desarrollo tecnológico -como las herramientas CAT o las primeras versiones de tecnología de traducción automática- ha facilitado en gran medida el proceso de traducción, sin embargo, aún se requiere de la intervención de traductores profesionales para evaluar y garantizar la calidad de los ‘outputs’ de las máquinas.

Este tipo de herramientas pueden traducir vocabulario y frases asociado a temas generales, aunque aún no existe un sistema de traducción automática fiable que no necesite revisión en absoluto. Y la necesidad de revisión se acentúa en el caso de las traducciones específicas por dominio. Es decir, cuando se requiere traducir contenido y vocabulario específico de un área, que son términos y frases con muy poca frecuencia de uso fuera de ese campo de interés, por lo que para la máquina puede resultar desconocido asociar el significado y traducción adecuada.

Esto es algo que no solo ocurre a las máquinas o motores de traducción, ya que son términos que un nativo sin conocimiento de un área específica tampoco conocería. Sin embargo, si quisiera aprenderlo, podría: para ello, deberá estudiar el área y contar con otros profesionales más experimentados que lo ayuden con las dudas. Pero, ¿cómo hace la máquina para aprender lo que no conoce?

El feedback siempre es la clave

Las soluciones de traducción en la actualidad en su mayoría se basan en herramientas híbridas: incorporan una capa de automatización y la post-edición humana para asegurar la precisión y fiabilidad de las traducciones.

La investigación en este sentido continúa y ya se está trabajando en la próxima generación de herramientas de traducción automática para entrenar a las máquinas a traducir vocabulario específico de un área (domain specific translation).

Para que una máquina u ordenador aprenda y realice una actividad de forma automática necesita mucha información y feedback o retroalimentación. En pocas palabras, necesita estudiar y saber qué está haciendo mal para poder mejorar.

Recientemente, se han producido importantes avances en el procesamiento del lenguaje natural y el análisis de sentimientos. La nueva generación de herramientas de traducción automática neuronal requiere de conjuntos de datos multilingües de tamaños considerables para mejorar de forma significativa la perfección de las traducciones.

Esos datos multilingües son traducciones anteriores correctas y bases terminológicas que se utilizan para entrenar mejor los árboles de decisión en las determinaciones de todas las posibles traducciones que una palabra o frase pueda tener.

Sin embargo, también se puede trabajar sobre modelos de machine learning asistidos, donde la máquina toma decisiones que luego una persona valora de acuerdo al grado de acierto de esa decisión, y así la máquina aprende y ajusta sus resultados. En este punto es donde los post-editores juegan un papel muy importante, ya que registrar sus cambios permite enseñar a la máquina todo lo que no debería hacer.

Para beneficiarse del uso de esta tecnología, resulta clave estructurar el contenido de forma que una máquina pueda entenderlo. Y asegurar que la información corporativa sea “legible por máquina”.

La plataforma de Gear Translations puede ayudarte a estructurar tus traducciones para construir un modelo de traducción automática que te permita ahorrar en tiempo y velocidad.

¡Contáctanos si quieres saber más!