future TM

L'avenir de la technologie de mémoire de traduction

Dans la première partie de ce blog, nous avons évoqué l’histoire des mémoires de traduction (MT) et la façon dont SDL a abordé les choses ces dernières années en matière de développement. Dans la deuxième partie, nous aimerions nous tourner vers l’avenir et réfléchir aux conséquences des futurs développements de la technologie de mémoire de traduction.

Dans la première partie de ce blog, nous avons évoqué l’histoire des mémoires de traduction (MT) et la façon dont SDL a abordé les choses ces dernières années en matière de développement. Dans la deuxième partie, nous aimerions nous tourner vers l’avenir et réfléchir aux conséquences des futurs développements de la technologie de mémoire de traduction.

Pour cela nous avons rencontré deux spécialistes du domaine au sein de SDL : Daniel Brockmann, directeur de la gestion des produits, un vétéran de longue date dans le secteur de la traduction, et Kevin Flanagan, ingénieur principal de recherche, qui maîtrise à la fois le développement de logiciel et la traduction.

Nous avons demandé à Daniel et Kevin leur point de vue sur le rôle que joueront les mémoires de traduction et, pour commencer, nous avons choisi ce qui constitue probablement le sujet le plus brûlant du moment : l’intelligence artificielle (IA).

À votre avis, quel rôle l’IA jouera-t-elle à l’avenir dans les mémoires de traduction ?

DB : l’IA et l’apprentissage automatique sont les deux sujets dont tout le monde parle. De Siri et Alexa aux voitures autonomes et au suivi de la santé personnelle, l’IA progresse rapidement. SDL possède déjà une certaine expérience de l’apprentissage automatique ; nous avons lancé en 2016 notre technologie de traduction automatique adaptative innovante reposant sur l’autoapprentissage, mais la question est de savoir ce que cela signifie pour les mémoires de traduction. Potentiellement, nous pensons que l’IA pourrait accroître la productivité en traduction, c’est-à-dire occuper une place centrale dans les outils de TAO.

Un aspect tangible pourrait être de meilleures suggestions de traduction. Nous pourrions imaginer combiner les mémoires de traduction aux résultats de la terminologie et de la traduction automatique neuronale (NMT) pour toujours recevoir la meilleure correspondance à vérifier, plutôt que traduire à partir de zéro. Par exemple, nous pourrions entraîner un moteur de traduction automatique neuronale avec une mémoire de traduction et une base terminologique volumineuses d’un certain domaine afin d’augmenter encore plus la qualité de la NMT pour n’importe quelle utilisation spécifique. Ou nous pourrions imaginer étendre un résultat de NMT avec des contenus de mémoire de traduction et de terminologie, en combinant le meilleur de chacun.

En tout cas, l’objectif serait d’aider, plutôt que de remplacer, le traducteur humain afin qu’il puisse contrôler plus efficacement le processus de traduction et optimiser encore davantage les résultats initiaux.

KF : au-delà de l’utilisation principale relative à la productivité du traducteur, l’IA pourrait aussi, par exemple, améliorer l’efficacité du projet en effectuant une analyse de vos mémoires de traduction afin de déterminer la plus pertinente pour votre nouveau projet. Pour un chef de projet gérant de multiples projets et ressources en même temps, cela pourrait être un outil précieux qui l’aiderait, là encore, à acheminer le contenu plus efficacement dans la chaîne logistique du projet.

Comment les mémoires de traduction fonctionneront-elles dans le cloud à l’avenir et quels seront les avantages ?

DB : travailler dans le cloud avec des mémoires de traductions fournira de nouvelles possibilités intéressantes pour tous les participants de la chaîne logistique. Le partage de mémoires de traduction sera enfin démocratisé et disponible pour tous, des groupes d’indépendants travaillant ensemble par l’intermédiaire de prestataires de services linguistiques partageant des contenus plus facilement aux grandes entreprises gérant de gros projets de traduction. Ceux qui parviendront à intégrer cette méthode de travail dans un environnement de bureau riche et puissant en sortiront vainqueurs. À titre d’exemple, les développements récents comme LookAhead dans SDL Trados Studio offriront une expérience de performances pour les mémoires de traduction basées sur le cloud identique, sinon meilleure, que le travail avec des mémoires de traduction situées sur le disque dur de l’utilisateur.

Comment fonctionneront les mémoires de traduction au sein de l’environnement de traduction augmenté ?

DB : trois ressources principales sont maintenant disponibles pour faciliter le travail des traducteurs et le rendre plus efficace. Premièrement, la mémoire de traduction traditionnelle où rien ne peut battre une correspondance à 100 % ou une concordance de contexte. Deuxièmement, la gestion terminologique classique qui garantit la qualité et la cohérence de la traduction au niveau des termes. Et troisièmement, la nouvelle traduction automatique neuronale. Avec la NMT, pour les paires de langues où elle est facilement accessible, la traduction automatique est désormais vraiment « assez bonne » pour être intégrée pleinement et en toute transparence au flux de traduction, surtout depuis qu’elle est de plus en plus acceptée par les donneurs d’ordre et les exécutants.

Imaginez maintenant ces trois ressources travaillant en conjonction : un terme pourrait améliorer une suggestion de NMT ou un fragment de NMT pourrait augmenter une correspondance partielle, etc. Ces perspectives sont très intéressantes pour exploiter les années, sinon les décennies, de développement de mémoires de traduction de haute qualité et pour les associer avec la terminologie de haute qualité – et c’est là que se situe le changement – la traduction automatique de haute qualité. Cela ne signifie pas que toutes les traductions proposées par la machine seront parfaites. Au contraire, la NMT peut être assez délicate dans la mesure où elle suggère une traduction fluide. Cependant, fluidité ne signifie pas nécessairement précision. C’est là que le traducteur et le relecteur interviennent et doivent être le plus attentifs possible pour s’assurer que la traduction disposera de la haute qualité attendue par le client.

Cela dit, la NMT est assurément un nouvel outil passionnant pour tout flux de traduction.

Mémoire de traduction contre traduction automatique neuronale : quel avenir ?

DB : il est probable qu’une nouvelle façon de travailler avec les correspondances partielles verra le jour. Qu’est-ce que cela signifie ? Une suggestion de NMT qui n’a besoin d’aucune modification pourrait être meilleure qu’une correspondance partielle à 70 % ou 80 % qui a généralement besoin d’être modifiée, même s’il s’agit d’une correspondance partielle « réparée ». Ainsi, la cadence future pourrait être la suivante : MT = mieux adaptée pour les correspondances de 100 % à 90 %, NMT = mieux adaptée pour les correspondances partielles de 90 % et moins. Cela aura bien entendu également un impact sur les modèles de tarification de longue date. Les donneurs d’ordre chercheront-ils à obtenir une remise sur le nouveau contenu, car celui-ci est désormais raisonnablement bien traduit par un moteur de NMT ? Les exécutants l’accepteront-ils facilement ? Les deux parties collaboreront-elles pour parvenir à un consensus ?

Outre ces questions budgétaires, une autre question se pose : les environnements d’édition actuels sont-ils optimisés pour travailler avec une MT associée à une NMT ?

À court terme, ce qui est formidable, c’est que les environnements d’outil de TAO de type plateforme ouverte, comme SDL Trados Studio, se prêtent parfaitement à l’intégration de « tout » moteur de NMT et continuent à fonctionner de façon familière. Ils sont donc idéalement adaptés à l’ajout naturel de NMT aux diverses ressources avec lesquelles les utilisateurs travaillent, et qu’ils connaissent bien, une composante qui ne doit jamais être sous-estimée. En outre, les moteurs de NMT actuels agissent au niveau du segment, ce qui signifie qu’ils s’adaptent naturellement à la méthode de travail basée sur les segments.

En résumé, au moins à court terme, les outils de TAO comme Studio sont très bien adaptés pour « intégrer » facilement la NMT.

KF : avec l’amélioration future de la qualité, il faudra peut-être repenser les éditeurs basés sur les grilles à plus long terme. Les changements pourraient intervenir sous la forme d’une expérience de modification différente optimisée pour cette nouvelle façon de travailler, et optimisée pour la relecture de contenu de NMT plutôt que disposant de nombreuses fonctionnalités de traduction à partir de zéro — qui ne sera plus nécessaire de la même façon qu’auparavant. Dans la phase de transition, toutefois, nous savons déjà que nos clients ajoutent simplement la NMT aux diverses ressources dans Studio et optimisent la productivité et les coûts de cette façon.

Comment pouvons-nous améliorer la future expérience utilisateur de travail avec les mémoires de traduction ?

KF : hormis repenser l’expérience de modification, nous envisageons un avenir avec une approche des MT plus axée sur les documents, de sorte que pour une correspondance de MT, vous puissiez accéder au document et à la traduction d’origine, pour voir le contexte du document dans son intégralité.

Nous envisageons également une approche des MT plus axée sur les connaissances. Au lieu de rechercher uniquement des correspondances avec le plus de mots possible, il faudrait plutôt rechercher les termes/concepts les plus significatifs lorsqu’aucune bonne concordance n’est disponible, et trouver des correspondances de MT qui ne proposent pas de traduction proche du segment, mais des informations sur les termes/concepts afin de mieux les comprendre (et de les traduire).

Quel est l’avenir d’upLIFT ?

KF : la mémoire de traduction upLIFT est une fonctionnalité qui va continuer à s’améliorer. La qualité des suggestions de sous-segments, ou « fragments » comme nous les appelons, s’améliorera avec un meilleur alignement de mots et traitement des cas de réparation de correspondances. Nous examinerons également les éléments suivants :

  • Outre l’amélioration des suggestions de traduction, la technologie de mémoire de traduction upLIFT peut fournir une base pour une meilleure extraction terminologique.
  • Le placement automatique de balises (même avec la réparation de correspondances) élaboré à partir d’éléments constitutifs upLIFT.
  • Une maintenance de MT plus intelligente basée sur des résultats d’alignement de mots upLIFT qui identifient les erreurs de traduction, la corruption de données et les alignements erronés de documents/segments.

Comme vous pouvez le constater, les développements potentiels sont nombreux et passionnants pour la technologie de mémoire de traduction, de l’IA à la NMT et au cloud. Qu’est-ce qui vous intéresse le plus ? Vous avez des idées sur l’avenir des mémoires de traduction ? Faites-nous-en part dans la section commentaires ci-dessous.

Vous voulez en savoir plus sur les mémoires de traduction ? Découvrez notre plateforme de mémoire de traduction, notre point d’accès unique pour tout ce qui concerne les mémoires de traduction.