À quoi sert la post-édition d'une traduction, au-delà de la vérification de l'exactitude et de la fiabilité du texte ?

Nous analysons pourquoi la traduction automatique nécessite toujours une post-édition et une évaluation de qualité par des traducteurs professionnels.

Index

GearTranslations Internationalisation Marketing de contenu Traduction PME

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

Dans un monde ultra-connecté où les appareils électroniques peuvent facilement se connecter à n’importe quel réseau ou application, l’anglais est considéré depuis des décennies comme la “ langue des affaires “ et est la langue officielle dans plus de 20 pays.

Cependant, n’offrir les services ou les produits de l’entreprise que dans une seule langue pour réduire les coûts de traduction et de relecture dans un domaine spécifique (vocabulaire technique) peut limiter les opportunités des entreprises sur de nouveaux marchés.

L’un des moyens que les entreprises explorent habituellement pour comprimer ces coûts est la traduction automatique, cette méthode réduit considérablement l’investissement nécessaire dans ce service et serait encore plus efficace s’elle ne nécessitait aucune forme de post-édition humaine.

Etudions maintenant la direction que prend le secteur industriel dans ce domaine.

Le modèle actuel : ni humain, ni robot

La traduction entièrement automatique est un cap qui devait, selon les prévisions, être franchi il y a de nombreuses années. Et, effectivement, elle a connu d’importants progrès.

Les outils de traduction automatique que nous connaissons aujourd’hui ont évolué de la traduction de mots à la traduction d’ensembles de mots et peuvent automatiquement substituer des mots d’une langue à une autre, mais ils ne tiennent pas compte dans leurs résultats du contexte, du domaine de spécialité, du style et des autres éléments du langage utilisé par les individus et les entreprises, qui constituent une partie essentielle de la communication.

Le développement technologique - comme les outils de TAO ou les premières versions de la technologie de traduction automatique - a grandement facilité le processus de traduction, mais l’intervention de traducteurs professionnels est encore nécessaire pour évaluer et garantir la qualité des résultats des machines.

Ce type d’outil permet de traduire le vocabulaire et les phrases associées à des sujets généraux, bien qu’il n’existe pas encore de système de traduction automatique fiable qui ne nécessite aucune révision. De plus, la nécessité d’une relecture est accentuée dans le cas de traductions spécifiques à un domaine. C’est-à-dire, lorsqu’il y a un besoin de traduction d’un contenu comportant un vocabulaire spécifique à un secteur d’activité, tel que des termes et des expressions rarement utilisés en dehors de ce domaine d’intérêt, de sorte qu’il peut être impossible à la machine d’y associer un sens et une traduction appropriés.

Ces circonstances ne se limitent pas aux cas des machines et des moteurs de traduction, mais peuvent même affecter un natif de la langue en question qui n’aurait pas de connaissance préalable du domaine et des termes spécifiques y étant utilisés. Cependant, apprendre dans le but de combler ces lacunes est possible : il faut, pour ce faire, étudier la région et compter sur l’appuis d’autres professionnels plus expérimentés qui aideront à la résolution des doutes. Mais comment la machine apprend-elle ce qu’elle ne sait pas ?

La rétroaction est toujours la clé

Les solutions de traduction actuelles sont principalement basées sur des outils hybrides : elles intègrent une première couche d’automatisation et une seconde de post-édition humaine qui assure la précision et la fiabilité des traductions.

La recherche dans ce domaine se poursuit et des travaux sont déjà en cours sur la prochaine génération d’outils de traduction automatique qui permettront « d’entrainer » les machines à traduire le vocabulaire d’un domaine spécifique (domain specific translation).

Pour qu’une machine ou un ordinateur apprenne et exécute automatiquement une activité, il faut beaucoup d’informations et de rétroaction (feedback). Bref, il a besoin d’étudier et d’identifier ses erreurs afin de s’améliorer.

Récemment, d’importants progrès ont été réalisés dans le traitement du langage naturel et l’analyse des sentiments. La nouvelle génération d’outils de traduction automatique neuronale nécessite des ensembles de données multilingues d’une taille considérable pour améliorer substantiellement la perfection des traductions.

Ces données multilingues sont des traductions antérieures correctes et des bases terminologiques qui sont utilisées pour mieux former les arbres décisionnels à la détermination de toutes les traductions possibles d’un mot ou d’une expression.

Cependant, il est également possible de travailler sur des modèles d’apprentissage automatique assisté, où la machine prend des décisions qu’une personne évalue ensuite en fonction du degré de justesse de cette décision, moyen par lequel la machine apprend et ajuste ses résultats. C’est là que les post-éditeurs jouent un rôle très important, car l’enregistrement de leurs changements permet à la machine d’apprendre ce qu’elle ne doit pas faire.

Pour bénéficier de l’utilisation de cette technologie, il est essentiel de structurer le contenu de façon à ce qu’une machine puisse le comprendre, tout en veillant à ce que les informations de l’entreprise soient “lisibles par machine”.

La plate-forme de Gear Translations peut vous aider à structurer vos traductions pour construire un modèle de traduction automatique qui vous fait gagner en temps et en efficacité.