La traducción automática de idiomas es el proceso de convertir el texto de un idioma a otro con un software de traducción automática. Un software de traducción traduce automáticamente expresiones y modismos complejos de un idioma a otro. Si bien el concepto parece sencillo, su ejecución puede ser desalentadora debido a las diferencias en la sintaxis, la semántica y la gramática de varios idiomas del mundo. Ya sea que se trate de un traductor humano o una máquina, el texto debe dividirse en elementos básicos para extraer el mensaje completamente y restaurarlo bien en el idioma de destino. Por eso, es fundamental que un traductor automático abarque todos los matices de un idioma, incluidos los subdialectos regionales. La fuente de una traducción puede ser también un factor que la vuelva más compleja. Por ejemplo, dos herramientas automatizadas de traducción diferentes pueden producir dos resultados diferentes para un mismo texto. Los parámetros y las reglas que rigen al traductor automático influirán en su capacidad de producir una traducción que coincida con el significado del texto original. El objetivo de cualquier traducción automática es crear trabajos que se puedan publicar sin la necesidad de una intervención humana. Actualmente, el software de traducción automática es limitado y requiere que un traductor humano aporte contenido básico. Sin embargo, los avances han permitido a la traducción automática obtener datos de sintaxis y gramática de una base más amplia para producir traducciones viables a una velocidad sin igual.

La traducción automática se originó de la obra del criptógrafo árabe Al-Kindi. Las técnicas que elaboró en la traducción sistémica de idiomas también se encuentran en la traducción automática de la actualidad. Después de Al-Kindi, los avances en la traducción automática continuaron lentamente a través del tiempo, hasta la década de 1930. Una de las patentes más notables del campo vino de un científico soviético, Peter Troyanskii, en 1933. Troyanskii mostró su «máquina para la selección e impresión de palabras al traducir de un idioma a otro» en la Academia Soviética de Ciencias. El traductor automático de Troyanskii era una máquina de escribir, una cámara con una película y un conjunto de tarjetas de idiomas. El proceso de traducción requería una serie de pasos:

Paso 1: un hablante del idioma original organizaba las tarjetas de texto en un orden lógico, tomaba una foto e ingresaba las características morfológicas del texto en una máquina de escribir.

Paso 2: la máquina creaba un conjunto de cuadros y traducía efectivamente las palabras, con la cinta y la película de la cámara.

Paso 3: por último, un editor con fluidez en el idioma de destino revisaba la traducción y garantizaba que el orden fuera correcto.

La Academia de Ciencias de la URSS desestimó el invento de Troyanskii y lo consideró inútil. Independientemente de ello, el científico continuó perfeccionando su traducción automática hasta que falleció por una enfermedad en 1950. Su máquina no se reconoció, sino hasta 1956, cuando su patente fue redescubierta. El siguiente avance importante en la traducción automática ocurrió durante la Guerra Fría. En 1954, el gigante de la tecnología IBM comenzó un experimento en el que su sistema informático IBM 701 logró la primera traducción automática de texto del ruso al inglés. La traducción eran 60 renglones de texto ruso. Después de enterarse de que Estados Unidos había desarrollado un sistema de traducción automática, los países de todo el mundo comenzaron a invertir en sus propios traductores automáticos. Sin embargo, 12 años más tarde, el Comité Asesor de Procesamiento Automático de Idiomas (ALPAC) de Estados Unidos publicó una declaración. En su informe, la organización afirmó que no valía la pena hacer una inversión excesiva en la traducción automática, ya que no era lo suficientemente eficaz para compensar el costo de su desarrollo. Este informe produjo un estancamiento de casi una década en las innovaciones de traducción automática estadounidense. En los siguientes años, Estados Unidos dio pequeños pasos en el desarrollo de la traducción automática. Algunos ejemplos notables vinieron de empresas como Systran y Logos, que brindaron servicios al Departamento de Defensa de Estados Unidos. Canadá dio un paso importante con su implementación del sistema METEO. Se trataba de un traductor automático que convertía los pronósticos del tiempo del inglés al francés para la provincia de Quebec. El sistema se usó de 1981 a 2001 y tradujo casi 30 millones de palabras por año. Después del sistema METEO, los ochenta atestiguaron un aumento en los avances de la traducción automática. Con protagonistas como Japón a la cabeza de las iniciativas, la microcomputación permitió a los traductores pequeños ingresar al mercado. Si bien ahora parecen rudimentarios si se comparan con los estándares contemporáneos, lograron en su tiempo cerrar la brecha entre dos hablantes extranjeros. Actualmente, la traducción automática es cada vez más importante para que las empresas sigan siendo relevantes en la economía global que cambia rápidamente. Con clientes potenciales procedentes de cada rincón del mundo, es imperante tener sitios web multilingües y la traducción de videos y audio.

En esencia, la traducción automática se basa en reglas lingüísticas. Estas reglas guían el procesamiento de la máquina de las sustituciones simples de palabras. Este método en sí mismo no produce una traducción de alta calidad. Para ampliar la utilidad de un traductor automático, se utiliza un método basado en reglas para analizar un texto. Las palabras de cada línea se interpretan usando un repertorio léxico vasto que incluye directrices morfológicas, sintácticas y semánticas. Con suficiente información para crear un muy buen conjunto de reglas, un traductor automático puede crear una traducción aceptable del idioma de origen al idioma de destino; un hablante nativo del idioma de destino podrá descifrar la intención. Sin embargo, el éxito depende de tener una cantidad suficiente de datos precisos para crear una traducción coherente. La traducción automática basada en reglas (TABR)

La traducción automática basada en reglas surgió en la década de 1970. Los científicos e investigadores comenzaron a desarrollar un traductor automático usando información lingüística sobre los idiomas de origen y destino. Lo lograron con diccionarios multilingües y usaron información sobre las regularidades semánticas, morfológicas y sintácticas del idioma de origen para crear una traducción. Hay tres tipos de sistemas de TABR. Traducción automática directa: esta es la forma más elemental de traducción automática. Con una estructura de reglas simple, la traducción automática directa descompone la frase de origen en palabras, las compara con el diccionario de entrada y luego ajusta la producción según la morfología y la sintaxis. Para este método se necesita tiempo, ya que requiere que se escriban reglas para cada palabra dentro del diccionario. Si bien la traducción automática directa fue un estupendo punto de partida, se ha vuelto obsoleta y ha sido reemplazada por técnicas más avanzadas. Traducción automática mediante transferencia: a diferencia del método de traducción automática directa, la traducción mediante transferencia evita la traducción palabra por palabra y primero organiza la estructura gramatical del idioma de origen. La traducción automática mediante transferencia se divide en los siguientes tres pasos. 1. Análisis: la máquina analiza el idioma de origen para identificar sus reglas gramaticales. 2. Transferencia: la estructura de la oración se modifica de forma tal que sea compatible con el idioma de destino. 3. Generación: cuando se ha determinado una estructura adecuada, la máquina produce un texto traducido.

Este método todavía utiliza un formato de sustitución de palabras, lo cual limita el alcance de su uso. Si bien mejoró el uso de las reglas gramaticales, también aumentó el número de fórmulas de palabras en comparación con la traducción automática directa. Traducción automática mediante lengua intermedia: la traducción automática mediante lengua intermedia es la traducción del texto del idioma de origen a una lengua intermedia, un lenguaje artificial desarrollado para traducir palabras y significados de un idioma a otro. La traducción automática mediante lengua intermedia convierte el idioma de origen en una lengua intermedia (una representación intermedia) y, luego, convierte la traducción de la lengua intermedia en el idioma de destino. La lengua intermedia es conceptualmente similar al esperanto, que es un tercer idioma que actúa como mediador. Difieren en que el esperanto tenía la intención de ser un segundo idioma universal para los hablantes, mientras que la lengua intermedia se diseñó para el traductor automático y conforme a aplicaciones técnicas. Este método a veces se confunde con el sistema de traducción automática mediante transferencia. Sin embargo, la traducción automática mediante lengua intermedia ofrece una gama más amplia de aplicaciones. Debido a que el texto de origen se convierte usando una lengua intermedia, puede incluir varios idiomas de destino. En comparación, la traducción automática mediante transferencia tiene reglas definidas entre los pares de idiomas, con lo cual se limita la inclusión a solo dos idiomas a la vez. El principal beneficio de la traducción automática mediante lengua intermedia es que los desarrolladores solo deben crear reglas entre un idioma de origen y la lengua intermedia. El inconveniente es que es extremadamente difícil crear una lengua intermedia que abarque todo. Las ventajas y desventajas de la TABR. Si bien hay ciertas aplicaciones en las que la TABR es útil, hay muchos inconvenientes que limitan su adopción generalizada. El beneficio principal de usar un método de TABR es que las traducciones se pueden reproducir. Debido a que las reglas que dictan las traducciones corresponden a la morfología, la sintaxis y la semántica, incluso si la traducción no es clara, siempre producirá lo mismo. Esto permite a los lingüistas y programadores adaptar el método a casos específicos en los que los modismos y las intenciones son concisos. Por ejemplo, este método puede ser bueno para pronósticos meteorológicos o manuales técnicos. El inconveniente principal de la TABR es que cada idioma tiene expresiones, coloquialismos y dialectos sutiles. Deben incorporarse a la aplicación un sinfín de reglas y miles de diccionarios bilingües. Estas reglas deben construirse en torno a un lexicón vasto que tenga en cuenta los atributos morfológicos, sintácticos y semánticos independientes de cada palabra. Algunos ejemplos son los siguientes:

Inglés: el idioma inglés está lleno de verbos irregulares y tiene tres subconjuntos principales que hay que tener en cuenta (inglés estadounidense, inglés británico e inglés australiano). Si bien estos tres idiomas tienen un vocabulario común, cada uno tiene su propia lista de excepciones.

Griego: el griego tiene una sintaxis SVO predominante (sujeto, verbo, objeto). Sin embargo, reorganiza ese orden libre y frecuentemente; además, omite el sustantivo cuando queda implícito en el contexto del mensaje.

Ruso: el ruso es un idioma de sujeto nulo, es decir, una frase completa no necesariamente debe tener un sujeto.

Para construir un sistema funcional de TABR, el creador tiene que evaluar cuidadosamente su plan de desarrollo. Una opción es invertir significativamente en el sistema y permitir la producción de contenido de alta calidad en el lanzamiento. Otra opción es un sistema progresivo. Comienza con una traducción de baja calidad y, a medida que se añaden más reglas y diccionarios, se vuelve más preciso. Si bien los usuarios pueden agregar continuamente datos a los diccionarios y crear subreglas para cada palabra, no puede ser un método efectivo. Se necesitaría una inversión de tiempo monumental para tomar en cuenta todas estas idiosincrasias, homónimos y frases. Traducción automática basada en ejemplos (TABE)

La traducción automática basada en ejemplos (TABE) es un método de traducción automática por analogía que utiliza textos paralelos (corpus bilingüe) como su marco central. Piensa en la famosa piedra de Rosetta, una roca antigua que tenía un decreto del rey Ptolomeo V Epífanes en tres idiomas diferentes. La piedra de Rosetta desbloqueó los secretos de los jeroglíficos después de que sus significados habían estado perdidos durante mucho tiempo. Los jeroglíficos fueron decodificados mediante la escritura demótica y el texto griego antiguo paralelos en la piedra, que todavía se entendían. Japón hizo inversiones fuertes en la TABE en la década de 1980 porque se convirtió en un mercado global para autos y electrónica, y su economía había crecido. Si bien se habían ampliado los horizontes financieros del país, pocos de sus ciudadanos hablaban inglés y, por ende, aumentó la necesidad de la traducción automática. Lamentablemente, los métodos existentes de traducción basada en reglas no podían dar resultados adecuados porque la estructura gramatical del japonés e inglés es sustancialmente diferente. Para abordar esto, en 1984, Makoto Nagao de la Universidad de Kyoto descubrió que en lugar de usar la traducción palabra por palabra, un método de frase por frase produciría una mejor traducción. Con este método, mientras más frases se agreguen a la base de datos, más fácil será para el sistema encontrar una palabra sustituta. Por ejemplo, si la frase simple «Quiero beber algo» ya se ha convertido al idioma de destino, para traducir «Quiero comer algo» no es necesario que la frase completa se traduzca palabra por palabra. Solo debe encontrarse en el diccionario la palabra de sustitución «comer». Con la TABE, solo se tienen que descifrar las diferencias entre las frases, buscar las palabras desconocidas y esperar que no exista una excepción. Este método mejoró mucho la accesibilidad de la traducción automática porque las reglas complejas de lenguaje están generalmente incorporadas en cada frase. Traducción automática estadística (TAE)

Aproximadamente media década después de la implementación de la TABE, el Centro de Investigación Thomas J. Watson de IBM presentó un sistema de traducción automática completamente único derivado de los sistemas TABR y TABE. El sistema de TAE no se basa en reglas ni la lingüística para sus traducciones, si no que aborda la traducción de idiomas a través del análisis de patrones y probabilidades. El sistema de TAE proviene de un modelo de lenguaje que calcula la probabilidad de una frase utilizada por un hablante del idioma nativo. Luego, relaciona dos idiomas que se han dividido en palabras y compara la probabilidad de un significado específico pretendido. Por ejemplo, la TAE calculará cuán probable es que la palabra griega «γραφείο (grafeío)» se traduzca al inglés como «office» (oficina) o «desk» (escritorio). Esta metodología también se usa para el orden de palabras. La TAE prescribirá que hay una mayor probabilidad sintáctica para la frase «I will try it» que «It I will try». Se debe tener en cuenta que las decisiones como usar la palabra «oficina» para traducir «γραφείο» no fueron dictadas por reglas específicas establecidas por un programador. Las traducciones se basan en el contexto de la frase. La máquina determina que si una forma se usa más comúnmente, es muy probable que sea la traducción correcta. El método de TAE demostró ser significativamente más preciso y menos costoso que los sistemas de TABR y TABE. El sistema se basó en enormes cantidades de texto para producir traducciones viables, de modo que los lingüistas no tenían que aplicar su pericia. La belleza de un sistema de traducción automática estadística es que cuando se crea por primera vez, todas las traducciones tienen igual peso. A medida que se introducen más datos en la máquina para construir patrones y probabilidades, las traducciones potenciales comienzan a cambiar. Esto todavía nos deja una incógnita: ¿cómo sabe la máquina que debe convertir la palabra «γραφείο» en «escritorio» en lugar de «oficina»? Aquí es cuando una TAE se desglosa en subdivisiones. TAE basada en palabras: el primer sistema de traducción automática estadística presentado por IBM, llamado Modelo 1, dividía cada frase en palabras. Estas palabras se analizaban, contaban y se les otorgaba un peso en comparación con otras palabras a las que se las podían traducir, sin tener en cuenta el orden de las palabras. Para mejorar este sistema, IBM desarrolló el Modelo 2. Este modelo actualizado tomaba en cuenta la sintaxis memorizando la ubicación de las palabras en una frase traducida. El Modelo 3 amplió el sistema incorporando dos pasos adicionales. Primero, las inserciones de token NULL permitieron a la TAE determinar cuándo se deben agregar nuevas palabras a su banco de términos. El segundo paso dictó la elección de la palabra gramaticalmente correcta para cada alineación de token-palabra. El Modelo 4 comenzó a tomar en cuenta la disposición de las palabras. Dado que los idiomas pueden tener una sintaxis variada, especialmente cuando se trata de la colocación de adjetivos y sustantivos, el Modelo 4 adoptó un sistema de orden relativo. Si bien la TAE basada en palabras superó los sistemas anteriores de TABR y TABE, el hecho de que casi siempre tradujera «γραφειο» como «oficina» en lugar de «escritorio» daba cuenta de que era necesario un cambio fundamental. Así fue como el método basado en frases lo superó rápidamente. TAE basada en frases: el sistema actualizado de traducción automática estadística basada en frases tiene características similares a las del sistema de traducción basado en palabras. No obstante, mientras que este último divide las frases en componentes de palabras antes de reordenar y sopesar los valores, el algoritmo del sistema basado en frases incluye grupos de palabras. El sistema se basa en una secuencia contigua de elementos «n» a partir de un bloque de texto o habla. En términos lingüísticos e informáticos, estos bloques de frases se llaman n-gramas. El objetivo del método basado en frases es ampliar el alcance de la traducción automática para incorporar n-gramas en diferentes longitudes. Sin embargo, la máquina no calcula n-gramas de la misma manera que procesamos frases. En lugar de usar frases lingüísticas, como lo hacemos en el discurso normal, la máquina acerca su clasificación estadística a unidades fraseológicas, ya que las frases normales no siempre se construyen utilizando la sintaxis estándar. Con estas adiciones, la traducción automática mejoró notablemente. Este método fue adoptado rápidamente por las principales empresas tecnológicas, como Google, Microsoft y Yandex. Durante más de una década, la traducción automática basada en frases fue la norma en la traducción de idiomas y volvió obsoletos a todos los demás métodos. TAE basada en sintaxis: otra forma de TAE se basó en la sintaxis, aunque no logró una aceptación significativa. La idea detrás de una frase basada en sintaxis es combinar una TABR con un algoritmo que desglose una frase en un árbol de sintaxis o un árbol de análisis. Este método buscó resolver los problemas de alineación de palabras de otros sistemas. Desventajas de la TAE. Una de las desventajas principales que encontrarás en cualquier forma de TAE es que si estás intentando traducir un texto diferente al del corpus central en el que se basa el sistema, encontrarás numerosas anomalías. El sistema también se esforzará a medida que intenta racionalizar los modismos y coloquialismos. Este enfoque no supone especialmente una ventaja cuando se trata de traducir idiomas poco conocidos. La incapacidad de una TAE para traducir con éxito el lenguaje informal significa que su uso fuera de campos técnicos específicos limita su alcance de mercado. Si bien es mucho mejor que la TABR, los errores en el sistema anterior podían identificarse y corregirse fácilmente. Los sistemas de TAE son significativamente más difíciles de corregir si detectas un error, ya que todo el sistema debe volver a entrenarse. Traducción automática neuronal (TAN)

Los sistemas de TAE basados en frases imperaron hasta 2016, momento en el que varias empresas cambiaron sus sistemas a la traducción automática neuronal (TAN). En cuanto a su operación, la TAN no es tan diferente a la TAE de antes. El avance de la inteligencia artificial y el uso de modelos de redes neuronales permite que la TAN no necesite los componentes encontrados en la TAE. La TAN accede a una amplia red neuronal entrenada para leer frases completas, a diferencia de la TAE que analiza el texto en frases. Esto habilita un canal directo e integral entre el idioma de origen y el idioma de destino. Estos sistemas han avanzado hasta tal punto que las redes neuronales recurrentes (RNR) se organizan en una arquitectura de codificador-decodificador. Esto elimina las restricciones de la longitud del texto y asegura que la traducción conserve su verdadero significado. Esta arquitectura de codificador-decodificador codifica el idioma de origen en un vector de contexto. Un vector de contexto es una representación de longitud fija del texto de origen. La red neuronal utiliza un sistema decodificador para convertir el vector de contexto en el idioma de destino. En pocas palabras, el lado codificador crea una descripción del texto de origen, el tamaño, la forma, la acción, etc. El lado decodificador lee la descripción y la traduce al idioma de destino. Si bien muchos sistemas de TAN tienen dificultades con frases o párrafos largos, empresas como Google han desarrollado arquitectura de RNR de codificador-decodificador con atención. Este mecanismo de atención entrena modelos para analizar una secuencia de las palabras primarias, mientras se decodifica la secuencia de salida. Google no es la única empresa que adoptó las RNR para mejorar su traductor automático. Apple utiliza RNR como la base del software de reconocimiento de voz de Siri. Esta tecnología está en continua expansión. Originalmente, un RNR era monodireccional y tenía en cuenta solo la palabra antes de la palabra tecleada. Luego, se volvió bidireccional y comenzó a tener en cuenta también la palabra anterior y posterior. Después, la TAN superó las capacidades de la TAE basada en frases. La TAN comenzó a producir texto con menos de la mitad de los errores de orden de palabras y casi un 20 % menos de errores de vocabulario y gramática que las traducciones de TAE. La TAE se desarrolla teniendo en cuenta el aprendizaje automático. Mientras más corpus se incorpore a las RNR, más adaptable se vuelve y comete menos errores. Una de las ventajas principales de la TAN en comparación con los sistemas de TAE es que no se necesita el inglés para traducir entre dos idiomas fuera de la lengua vehicular. Con la TAE, el idioma de origen primero se convertía a inglés y luego se traducía al idioma de destino. Este método generaba una pérdida de calidad del texto original a la traducción al inglés, y aparecía la posibilidad de errores adicionales en la traducción del inglés al idioma de destino. El sistema de TAN se mejora aún más porque permite una colaboración colectiva. Cuando los usuarios interactúan con Google Translate en línea, reciben una traducción primaria con algunas otras traducciones potenciales. A medida que más personas eligen una traducción en lugar de otra, el sistema comienza a aprender cuál es el resultado es más preciso. Esto significa que los lingüistas y los desarrolladores pueden dejar de intervenir y permitir que la comunidad optimice la TAN. Desventajas de la TAN. Es fácil ver por qué la TAN se ha convertido en la norma cuando se trata de traducción informal. Es rápida, eficiente y tiene cada vez más capacidades. El problema principal es su costo. Los sistemas de TAN son increíblemente caros en comparación con los otros sistemas de traducción automática. También requieren más entrenamiento que la TAE y aun así generan problemas cuando encuentran palabras oscuras o artificiales. Aparte de estos inconvenientes, parece que la TAN seguirá a la vanguardia del sector.

Para intentar mitigar algunos de los problemas más comunes encontrados en un solo método de traducción automática, se han adoptado enfoques que combinan determinadas funciones o sistemas enteros. Varios motores

El enfoque que utiliza varios motores combina dos o más sistemas de traducción automática en paralelo. El idioma de destino producido es una combinación de los múltiples resultados finales de sistemas de traducción automática. Generación de reglas estadísticas

El enfoque de generación de reglas estadísticas es la combinación de datos estadísticos acumulados para crear un formato de reglas. El principio fundamental de este enfoque es crear una estructura de reglas lingüísticas similar a una TABR mediante el uso de un corpus de entrenamiento, en lugar de un equipo de lingüistas. El inconveniente de este sistema es el mismo que el de una TAE estándar. La calidad del resultado depende de su similitud con el texto del corpus de entrenamiento. Si bien esto convierte a este método en una excelente opción en un campo o ámbito exacto, tendrá dificultades o fallará si se aplica a diferentes dominios. Varios pases

Un enfoque de varios pases es una alternativa al enfoque de varios motores. El enfoque de varios motores produce un idioma de destino gracias a traductores automáticos paralelos, mientras que el sistema de varios pases es una traducción en serie del idioma de origen. El idioma de origen se procesaría a través de un sistema de TABR y se entregaría a un sistema de TAE para crear el idioma de destino. Basado en la confianza

El método basado en la confianza aborda la traducción de manera diferente a los otros sistemas híbridos, ya que no siempre utiliza múltiples traducciones automáticas. Este tipo de sistema normalmente enviará un idioma de origen a un sistema de TAN y otorgará un puntaje de confianza, que indica su probabilidad de ser una traducción correcta. Si la puntuación de confianza es satisfactoria, se produce el idioma de destino. De lo contrario, se envía a un sistema de TAE si se descubre que la traducción no es buena.

Las empresas de hoy en día tienen que atender un mercado global. Necesitan traductores que puedan producir textos en varios idiomas, más rápido y con menos errores. Por eso usan la traducción automática. A través de la traducción automática, las empresas pueden localizar sus sitios de comercio electrónico o crear contenido que pueda llegar a un público mundial. Esto abre el mercado y garantiza:

- Que aumenten los ingresos.

- Que los clientes estén más felices.

- Que los gastos generales disminuyan.

- Que la estrategia de llegada al mercado se implemente más rápido.

Normalmente, las empresas tienen que elegir entre calidad, eficiencia y precio. Afortunadamente, con Lilt, no es necesario hacer ese sacrificio. Si quieres ver cómo tu negocio puede funcionar en el escenario mundial, la tecnología de TAN de Lilt te ayudará a localizar tus sitios más rápidamente, mejor y a un costo más bajo. Con Lilt, tienes acceso a los mejores traductores humanos del mundo y al sistema de traducción automática neuronal más importante con tecnología de IA. Queremos que tu empresa crezca sin cambiar la forma en que haces negocios; por eso, hemos diseñado nuestros servicios de traducción para que se integren sin esfuerzo a tu flujo de trabajo actual. Los especialistas en traducción de Lilt trabajan con tu equipo para hacer los ajustes necesarios y para que puedas concentrarte en lo que mejor haces. Para saber más sobre cómo Lilt puede mejorar tu localización, ¡solicita una demostración hoy!