L’IA à l’épreuve de la traduction

 
«Depuis des années, on agite le spectre de la disparition du métier de traducteur au profit de programmes informatiques, et pourtant, la profession est toujours là, s’amuse Perrine Schumacher, chargée de recherches au Centre Interdisciplinaire de Recherches en Traduction et en Interprétation à l’ULiège. Pendant longtemps, il n’était guère nécessaire de prouver notre valeur face à des outils comme Google Translate. Mais depuis quelques années, et surtout depuis l’arrivée des chatbots comme ChatGPT, l’opinion publique a changé. Or, en matière de traduction, les résultats sont loin d’être aussi spectaculaires qu’ils n’en ont l’air.»

Les premières recherches en linguistique computationnelle, qui sont à l’origine des systèmes de traduction automatique, sont nées dans les années 1950. Il faut dire qu’en temps de guerre froide, traduire automatiquement toute communication du russe vers l’anglais aurait eu un avantage considérable. Malheureusement, et pendant des décennies, les systèmes de traduction par ordinateur n’ont jamais très bien fonctionné.

Il faut dire que la tâche est colossale: un bon dictionnaire de français, par exemple, compte environ 60 000 mots, auxquels il faut rajouter toutes les formes conjuguées des verbes, les millions de noms propres, sans oublier les termes pointus qui n’existent que dans des dictionnaires techniques. De plus, beaucoup de mots contiennent plusieurs sens, sans oublier les métaphores et les expressions particulières à chaque langue. Dans la phrase «l’avocat a livré une plaidoirie mordante», un programme informatique doit comprendre que l’avocat n’est pas le fruit, qu’il n’a rien livré au sens littéral du terme, comme un colis, et surtout qu’il n’a mordu personne ! Finalement, c’est à se demander comment le cerveau humain manie la langue de façon aussi fluide et naturelle.

Mais surtout, il existe une raison fondamentale au fait que la traduction automatique a longtemps eu des résultats mitigés. Scientifiquement, il n’existe en effet aucune définition formelle de ce qu’est une bonne traduction. «Toute traduction comporte énormément de subjectivité, confirme Perrine Schumacher. Demandez une traduction à 6 traducteurs, et vous pourriez obtenir 6 versions tout à fait satisfaisantes. Dès lors, il a toujours été difficile, voire vain, d’établir des standards de qualité valables destinés à améliorer les systèmes de traduction automatique.»

Pourtant, depuis 2016, la traduction automatique a opéré un saut qualitatif notable dû à l’essor des réseaux de neurones, et qui sont à la base des grandes IA d’aujourd’hui. «Pendant très longtemps, les systèmes de traduction automatique ont fonctionné à base de règles, explique Katrien Beuls, Professeure à la Faculté d’informatique de l’Université de Namur. On indiquait à la machine ce qu’était un verbe, un nom, un adjectif, et l’ordre qu’ils devaient avoir dans une phrase, par exemple. La plupart sont devenus obsolètes, mais il est à noter qu’ils existent toujours pour les langues peu dotées, c’est-à-dire pour lesquelles il existe peu de données sur Internet.»

Ces systèmes à base de règles ont été remplacés par des systèmes statistiques, apparus au Japon dans les années 1980. «Ils sont dits statistiques parce qu’ils exploitent la probabilité pour les mots de se trouver dans les environs les uns des autres, et ce avec encore quelques règles de syntaxe, développe Katrien Beuls. Et ils ont été rendus possible grâce à l’exploitation d’immenses corpus de textes comme ceux publiés par la Commission européenne, qui correspondent à la retranscription des discussions du Parlement européen. En effet, il s’agit de traductions alignées, c’est-à-dire avec les mêmes phrases côte-à-côte. Et ce, dans chacune des langues de l’Union européenne.»

Aujourd’hui, les systèmes de traduction travaillent toujours de façon statistique. Mais leur fonctionnement a été bouleversé par la puissance des réseaux de neurones. «L’apprentissage profond, basé sur de grands réseaux de neurones, analyse les textes grâce à une technique qu’on appelle « le plongement de mots », explique Katrien Beuls. Cette méthode consiste à chercher un mot cible, comme le mot « maison », puis d’y associer les mots situés avant lui et après lui. Ainsi, le mot « chien », ou le mot « cuisine » ont beaucoup plus de chances de se trouver dans le voisinage du mot « maison », que le mot barque, par exemple. Cela permet, pour chaque mot, de leur donner un contexte.»

Cette méthode, appliquée aux milliards de textes que l’on trouve sur Internet, de Wikipédia aux posts des réseaux sociaux, a permis aux machines d’acquérir une représentation lexicale très riche. «Les résultats sont très impressionnants, mais évidemment, cela va de pair avec une consommation colossale d’énergie», avertit Katrien Beuls.

Plusieurs années avant l’arrivée de ChatGPT, ces systèmes de traitement automatique du langage ont donc été appliqués, avec succès, au domaine de la traduction, que ce soit dans les outils professionnels ou grand public, comme Google Translate ou DeepL. «Très rapidement, ce qu’on nomme aujourd’hui la traduction automatique neuronale (TAN) s’est immiscée dans le milieu des traducteurs professionnels, dévoile Perrine Schumacher. Au point qu’aujourd’hui, on leur demande de plus en plus d’être en fait des post-éditeurs, c’est-à-dire d’améliorer une première version produite par la machine.»

Il faut dire que, pour un traducteur chevronné et sensibilisé aux limites de ces outils, la TAN peut comporter plusieurs avantages. «En fonction du contexte et de la qualité que l’on souhaite, et pour les langues les plus courantes, l’utilisation d’une première version créée presque instantanément par la machine peut faire gagner un temps précieux, indique la chercheuse. Si le système est bien fait, cela peut également nous épargner certaines recherches documentaires, en nous proposant des synonymes en contexte ou des termes techniques très précis. Parfois, la qualité orthographique et grammaticale s’en trouve également améliorée.»

Pour autant, cette première version n’est pas exempte de nombreux défauts. «Un traducteur va avoir tendance à se fier au texte que la machine propose, et les moins expérimentés auront des difficultés à s’en distancier pour proposer une version alternative, estime Perrine Schumacher. Plusieurs études ont également montré que la TAN participe à une homogénéisation de la langue avec un appauvrissement lexical et une disparition des mots rares. Les tournures de phrases ont ainsi tendance à être plus simples, plus prévisibles et souvent beaucoup plus littérales.»

Et pour Katrien Beuls, il est peu probable que ces systèmes arrivent un jour à dépasser ces limitations. «Le langage humain a été conçu pour communiquer et atteindre un but, explique‑t‑elle. Ainsi, beaucoup de choses passent par ce que l’on ne dit pas. Si je dis par exemple « j’ai pris un café avec Bert et il a payé », je sous-entends par là que ce n’est pas son habitude. Cela signifie que le langage est utilisé au cours d’une interaction et que la machine ne comprend pas, parce qu’elle n’a pas d’autre connaissance du monde que les textes qu’elle a ingurgités.»