Introduction
Les organisations internationales produisent chaque jour des textes en plusieurs langues. L’arrivée de la traduction automatique neuronale a profondément modifié cette activité. Cet article fait le point sur ce que ces outils permettent, sur ce qu’ils ne permettent pas, et sur ce qu’ils changent au métier de traducteur.
1. Le tournant neuronal
Les travaux de Bahdanau, Cho et Bengio (2015) ont introduit le mécanisme d’attention, qui permet au modèle de pondérer les mots de la phrase source au moment de produire chaque mot de la traduction. L’architecture dite Transformer (Vaswani et al., 2017) a ensuite généralisé ce principe et considérablement amélioré la fluidité des traductions produites.
2. Des apports réels
Pour des textes courants et des domaines bien représentés dans les données d’entraînement, la traduction automatique offre aujourd’hui une première version souvent utilisable. Elle accélère la compréhension de documents reçus dans une langue inconnue et réduit le coût des traductions d’information.
3. Des limites persistantes
La fluidité peut masquer des erreurs de sens, des contresens terminologiques ou des omissions. Les textes juridiques, diplomatiques ou contractuels, où chaque terme engage, restent particulièrement exposés. Les langues peu dotées en données bénéficient en outre d’une qualité nettement inférieure.
4. Le traducteur, réviseur et médiateur
O’Brien (2012) propose de considérer la traduction comme une interaction entre humain et machine. Le traducteur devient réviseur, post-éditeur et garant de la terminologie. Les théories de la traduction rappellent d’ailleurs que traduire est toujours choisir (Pym, 2010) : ces choix restent une responsabilité humaine.
Conclusion
La traduction automatique neuronale est un outil puissant, non un substitut. Les organisations qui en tirent le meilleur parti sont celles qui investissent dans la révision, la terminologie et la formation de leurs équipes linguistiques.
Références
- Bahdanau, D., Cho, K., & Bengio, Y. (2015). Neural machine translation by jointly learning to align and translate. In Proceedings of the 3rd International Conference on Learning Representations (ICLR).
- O’Brien, S. (2012). Translation as human–computer interaction. Translation Spaces, 1, 101–122.
- Pym, A. (2010). Exploring translation theories. Routledge.
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. In Advances in Neural Information Processing Systems 30 (pp. 5998–6008).