Paradigmes de la TA : règles, statistique, neuronal

Technologies de la traduction · Master 1

Histoire de la traduction automatique, de Georgetown-IBM à la TA neuronale.

Introduction

Les premiers projets de traduction automatique remontent aux années 1950. L'expérience Georgetown-IBM (1954) a démontré la faisabilité d'une traduction russe-anglais sur un vocabulaire très limité et suscité de grands espoirs, rapidement déçus.

Le rapport ALPAC (1966) a jugé les résultats insuffisants et réduit les financements américains. La recherche s'est poursuivie, notamment avec des systèmes opérationnels à domaine restreint comme Météo, au Canada, pour les bulletins météorologiques.

Trois grands paradigmes se succèdent : à base de règles, statistique (à partir des années 1990) et neuronal (depuis environ 2014-2016). Chacun a ses données, ses forces et ses limites, que ce deck compare.

Objectifs d'apprentissage

Situer les grandes étapes historiques de la TA
Distinguer les paradigmes à base de règles, statistique et neuronal
Expliquer le rôle des corpus parallèles et des modèles de langue
Comparer les erreurs typiques de chaque approche

Concepts clés

TA à base de règles: Des linguistes écrivent dictionnaires bilingues, règles d'analyse, de transfert et de génération. Précise sur des domaines restreints, mais coûteuse à construire et fragile devant la variation.
TA statistique: Les modèles IBM (Brown et al., années 1990) apprennent des probabilités de traduction à partir de corpus alignés. La TA par segments (phrase-based, p. ex. Moses) combine modèle de traduction et modèle de langue.
TA neuronale: Des réseaux de neurones apprennent la traduction de bout en bout. Elle a surpassé la statistique en fluidité vers 2016, lorsque de grands acteurs ont migré leurs services.
Données et évaluation: Chaque paradigme dépend de corpus parallèles et de mesures comme BLEU. Les corpus institutionnels (parlements, organisations internationales) ont longtemps fourni la matière première.

Conclusion

Chaque paradigme répond à des contraintes de données, de coût et de contrôle. L'histoire de la TA montre des cycles d'espoirs et de désillusions auxquels il faut garder un regard critique.

Pour l'examen, apprenez les dates clés, les principes de chaque approche et leurs limites.

Cartes

Que fut l'expérience Georgetown-IBM de 1954 ?: Une démonstration de traduction russe-anglais sur un petit vocabulaire, qui a nourri de forts espoirs.
Quel est l'impact du rapport ALPAC (1966) ?: Il jugea la TA décevante et a entraîné une forte baisse des financements américains.
Qu'est-ce que le système Météo ?: Un système canadien de traduction de bulletins météorologiques, exemple de TA opérationnelle sur domaine restreint.
Sur quoi repose la TA à base de règles ?: Sur des dictionnaires et règles linguistiques d'analyse, de transfert et de génération rédigés par des experts.
Quelle idée fonde la TA statistique ?: Choisir la traduction la plus probable selon un modèle de traduction appris sur corpus et un modèle de langue.
Qu'est-ce que Moses ?: Une boîte à outils libre de TA statistique par segments, largement utilisée en recherche.
Que gagne la TA neuronale par rapport à la statistique ?: Une plus grande fluidité et une meilleure gestion du contexte, au prix de moins de transparence.
Pourquoi la TA à base de règles reste-t-elle utile ?: Pour les langues peu dotées en données ou les domaines contrôlés où l'on veut des résultats prévisibles.
Que mesure BLEU ?: La proportion de n-grammes communs entre la sortie du système et des références humaines.

Glossaire

Transfert: Étape d'une architecture à règles qui convertit une représentation de la langue source en représentation de la langue cible.
Modèle de langue: Modèle estimant la probabilité d'une séquence de mots dans la langue cible.
Alignement: Mise en correspondance de segments ou de mots entre texte source et texte cible.
TA par segments: Variante statistique traduisant des groupes de mots plutôt que des mots isolés.
BLEU: Mesure automatique fondée sur le recouvrement de n-grammes avec des traductions de référence.
TA de bout en bout: Approche où un seul réseau apprend de la source à la cible sans étapes linguistiques explicites.
Domaine restreint: Domaine à vocabulaire et structures limités, propice à une TA performante.