Méthodes qualité avancées pour la post-édition de traduction automatique – KEHATH

La communauté de la traduction a vu un changement majeur au cours des cinq dernières années : la traduction automatique est devenue suffisamment bonne pour qu'il devienne plus avantageux pour des traducteurs de post-éditer une traduction machine plutôt que de traduire directement. Ceci s'explique par les évolutions récentes en traduction automatique statistique, c'est-à-dire l'entraînement d'un moteur de traduction à partir d'un corpus de textes traduits existants. Les systèmes actuels d'amélioration de traduction automatique à partir de la post-édition de sorties brutes sont relativement efficaces mais assez frustres : le texte post-édité est ajouté au corpus d'entraînement et le modèle de traduction et le modèle linguistique sont entraînés à nouveau, sans vision précise de ce qui a été amélioré ni de ce qui reste à améliorer. Dans cette démarche, seul le résultat brut de la post-édition est utilisé, aucune autre information n'est mise à profit, comme par exemple les processus cognitifs du post-éditeur ou l'enregistrement des actions qu'il a effectuées. Le projet KEHATH propose de revoir la boucle traduction automatique / post-édition de deux façons :
D'une part, mettre en œuvre des techniques avancées en apprentissage automatique. Notre objectif est de renforcer l'impact de la post-édition, c'est-à-dire atteindre les mêmes performances avec moins de post-édition ou alors atteindre de meilleures performances avec la même quantité de post-édition. En d'autres termes, nous souhaitons améliorer la courbe d'apprentissage des systèmes de traduction automatique spécialisés par domaine. Pour cela, des techniques d'apprentissage actif ou par renforcement seront proposées et évaluées. Le contexte industriel de KEHATH nous confrontera par ailleurs aux défis de l’hétérogénéité des systèmes (statistiques ou par règles) et du passage à l'échelle des algorithmes d'apprentissage automatique.
D'autre part, la prédiction de qualité de traduction automatique est d'une utilité cruciale pour les chefs de projets de traduction. Nous avons développé au fil du temps plusieurs techniques d'estimation de confiance et de détection d'erreurs en laboratoire, nous comptons les mettre en œuvre et les évaluer en conditions réelles. Nous partageons la conviction que ce travail doit s'appliquer à un flot continu de textes spécialisés par domaine, de façon à démontrer clairement l'amélioration de la traduction automatique et la performance des indicateurs de prédiction de qualité.
Le but du projet KEHATH est simple : gagner de la qualité de traduction automatique le plus vite possible pour chaque nouveau projet industriel de traduction, de façon à ce que le temps et le coût de post-édition soient très fortement réduits. La recherche fondamentale est le meilleur moyen d'atteindre cet objectif, pour un impact industriel qui soit puissant et immédiat.