Traduction automatique neuronale vs traducteur humain : concurrence ou collaboration ?

On dirait le début de tous les posts LinkedIn publiés par des traducteurs et des traductrices, n’est-ce pas ? En effet, et pour cause : nous sommes confrontés à cette question à chaque fois que l’on nous demande quel métier on exerce. Et vous vous posez sans doute cette même question vous aussi, alors essayons d’y répondre ensemble. A-t-on encore des clients quand on est traducteur ?

La traduction automatique (TA) n’est pas née hier. Les premières tentatives de création de système de TA remontent à la fin de la Seconde Guerre mondiale. Cependant, le premier véritable système fonctionnel est le système « Meteo » développé par le centre automatique de l’Université de Montréal (TAUM), qui a été utilisé pendant 25 ans afin de traduire des bulletins météorologiques.

C’est dans les années 1990 qu’apparaissent les premiers systèmes de traduction automatique statistique. Cette méthode révolutionne la TA : les systèmes ne reposent plus sur des dictionnaires bilingues et des règles de grammaire, mais calculent la plus grande probabilité que le mot cible soit effectivement la traduction du mot source. Ce fonctionnement a été pendant longtemps leur point faible.

Depuis environ 2016, une nouvelle méthode a pris le dessus sur le marché : les approches par « apprentissage profond » (Deep Learning), terme duquel on reconnaît immédiatement le nom du système leader actuel du marché : DeepL. Ces méthodes abordent la traduction en tenant compte du contexte, ce qui permet d’éviter les résultats insatisfaisants que l’on pouvait obtenir avec les systèmes statistiques.

Commençons par les bases. Il ne faut pas confondre traduction automatique neuronale (TAN) alimentée par l’intelligence artificielle (IA) et intelligence artificielle générative (IAG). La TAN s’appuie sur des données existantes pour générer du contenu, alors que l’IAG crée les données elle-même. Ainsi, DeepL est un moteur de TAN, tandis que ChatGPT est un système d’IAG.

Les systèmes de TAN sont créés au moyen d’une architecture de réseau neuronal appelée « Transformer », introduite en 2017 par Vaswani et al. Le Transformer est alimenté par des mécanismes de « self-attention » censés reproduire la capacité humaine à concentrer son attention sur les éléments importants et à ignorer ce qui l’est moins.

Il est également constitué d’un encodeur et d’un décodeur : l’encodeur comprend le texte source et en crée une représentation interne que le décodeur utilise pour générer la traduction — en s’appuyant sur le mot cible précédent pour prédire le mot cible suivant.

De nos jours, il devient difficile de pratiquer la traduction sans recourir à l’IA. Ces systèmes sont maintenant devenus des outils d’aide à la traduction. La plupart des entreprises optent pour des traductions générées automatiquement avec une relecture humaine par la suite — c’est ce que l’on appelle communément la « post-édition ».

Il est important de souligner que tous les projets de traduction ne se valent pas : certains nécessitent plus d’interventions humaines que d’autres. On évitera également de soumettre des documents confidentiels à des systèmes de traduction automatique, car les données sont ensuite stockées sur internet — ce qui pose des problèmes d’éthique professionnelle.

En résumé, pour les entreprises souhaitant maximiser leur volume de traduction tout en assurant leur qualité, la post-édition est une solution optimale. Cependant, cette méthode n’égalera pas la qualité d’une traduction produite exclusivement par l’humain — veillez donc à faire appel à un traducteur professionnel pour toute traduction de documents importants.