La traduction automatique est un processus qui convertit un texte d’une langue à l’autre à l’aide d’un logiciel de traduction automatique. La traduction automatique traduit directement des expressions et des idiomes complexes d'une langue à l'autre. Bien que le concept semble simple, son exécution peut être déconcertante en raison des différences de syntaxe, de sémantique et de grammaire de différentes langues dans le monde entier. Que la traduction soit réalisée par un humain ou par une machine, le texte doit préalablement être divisé en éléments de base afin de pouvoir en extraire le message et de le restituer avec précision dans la langue cible. C'est pourquoi il est essentiel pour un traducteur automatique d'englober l'intégralité des nuances d'une langue, y compris les sous-dialectes régionaux. La source d'une traduction ajoute également à sa complexité. Ainsi, pour un texte donné, deux outils de traduction automatique différents peuvent produire deux résultats différents. Les paramètres et les règles régissant le traducteur automatique auront une incidence sur sa capacité à produire une traduction correspondant à la signification du texte original. L'objectif de toute traduction automatique est de produire un travail à même d'être publié sans intervention humaine. Actuellement, les logiciels de traduction automatique présentent des limites et nécessitent l’intervention d’un traducteur humain pour saisir un contenu de base. Toutefois, les progrès réalisés ont permis à la traduction automatique d'extraire la syntaxe et la grammaire d’une base plus large, produisant ainsi des traductions satisfaisantes à une vitesse inégalée.

La traduction automatique est issue des travaux du cryptographe arabe Al-Kindi. Les techniques qu'il a élaborées dans la traduction automatique systémique se retrouvent également dans la traduction automatique d'aujourd'hui. Après Al-Kindi, l'avancement de la traduction automatique a continué lentement à travers les âges, jusqu'aux années 1930. En effet, il a fallu attendre 1933 pour qu’un scientifique soviétique, nommé Peter Troyanskii, dépose l’un des brevets les plus célèbres dans le domaine. Troyanskii a présenté sa « machine à sélectionner et à imprimer des mots traduits d’une langue à l’autre » à l’Académie soviétique des sciences. Le traducteur automatique de Troyanskii était composé d'une machine à écrire, d'une caméra et d'un ensemble de cartes linguistiques. Le processus de traduction exigeait une série d'étapes :

Étape 1 : un locuteur de la langue d'origine organisait des cartes de texte dans un ordre logique, prenait une photo et introduisait les caractéristiques morphologiques du texte dans une machine à écrire.

Étape 2 : la machine créait ensuite un ensemble de cadres, traduisant efficacement les mots, avec la bande et le film de la caméra.

Étape 3 : enfin, un éditeur parlant couramment la langue cible examinait la traduction et veillait à ce qu'elle soit construite en respectant un ordre précis.

La qualifiant d’inutile, l’invention de Troyanskii a été rejetée par l’Académie des sciences de l’URSS. Malgré cela, le scientifique a continué à perfectionner son traducteur automatique jusqu’en 1950, où il fut malheureusement emporté par une maladie. Sa machine n'a été reconnue qu'en 1956, lorsque son brevet a été redécouvert. La prochaine avancée majeure dans la traduction automatique a eu lieu pendant la guerre froide. En 1954, IBM, le géant de la technologie, a entamé une expérience avec son système informatique IBM 701, qui a réussi à obtenir la première traduction automatique en anglais d’un texte russe. La traduction se composait de 60 lignes de texte russe. En apprenant que les États-Unis avaient développé un système de traduction automatique, les pays du monde entier ont commencé à investir dans leurs propres systèmes de traduction automatique. Cependant, douze ans plus tard, le Comité consultatif américain pour le traitement automatique des langues (ALPAC) a publié une déclaration. Dans son rapport, l’organisation affirmait que la traduction automatique ne justifiait aucun investissement important, car elle n’était pas assez efficace pour venir compenser le coût de son développement. Ce rapport a conduit à une stagnation des innovations américaines en termes de traduction automatique pendant presque plus d'une dizaine d'années. Au cours des prochaines années, l'Amérique a pris des mesures mineures dans le développement de la traduction automatique. Des exemples remarquables ont été fournis par des entreprises comme Systran et Logos, qui ont servi le ministère de la Défense des États-Unis. Le Canada a fait un grand pas en avant avec la mise en œuvre de son système METEO. Il s’agissait d’un traducteur automatique qui traduisait les prévisions météorologiques de l’anglais vers le français pour la province de Québec. Le système a été utilisé de 1981 à 2001 et traduit près de 30 millions de mots annuellement. Au-delà du système METEO, les années 1980 ont vu une hausse dans l'avancement de la traduction automatique. Avec des précurseurs comme le Japon, la micro-informatique a permis à de petits traducteurs d’entrer sur le marché. Bien que la traduction ait été rudimentaire selon les normes contemporaines, ils ont tout de même réussi à combler le fossé entre deux locuteurs étrangers. Actuellement, la traduction automatique devient de plus en plus cruciale pour que les entreprises restent pertinentes face à une économie mondiale en perpétuel changement. Leurs clients potentiels étant dispersés dans les quatre coins du monde, il est indispensable que les entreprises proposent leurs sites Web dans plusieurs langues, voire traduisent leurs vidéos et leurs audios.

Fondamentalement, la traduction automatique est basée sur des règles linguistiques. Ces règles guident la machine dans le processus de substitution de simples mots. À elle seule, elle n’est pas en mesure de produire une traduction de grande qualité. L’utilité d’un outil de traduction automatique est optimisée à l’aide d’une méthode basée sur des règles pour décortiquer le texte à traduire. Les mots de chaque ligne sont interprétés en utilisant un vaste lexique, y compris des directives morphologiques, syntaxiques et semantiques. Avec suffisamment d'informations pour créer un ensemble de règles bien formulées, un traducteur automatique peut créer une traduction passable de la langue source à la langue cible, alors qu'un locuteur natif de la langue cible sera en mesure de déchiffrer l'intention. Toutefois, pour que ce processus soit probant et donne une traduction cohérente, il faut disposer d’une quantité suffisante de données précises. Traduction automatique basée sur des règles (RBMT)

La traduction automatique basée sur des règles a vu le jour dans les années 1970. Des scientifiques et des chercheurs ont commencé à développer un traducteur automatique à l’aide d’informations linguistiques sur les langues source et cible. Pour y parvenir, ils se sont armés de dictionnaires multilingues et ont utilisé les régularités sémantiques, morphologiques et syntaxiques de la langue source pour créer une traduction. Il existe trois types de systèmes de RBMT. La traduction automatique directe C'est la forme la plus élémentaire de la traduction automatique. À l’aide d’une structure de règles simple, la traduction automatique directe décompose la phrase source en mots, les compare au dictionnaire saisi, puis ajuste le résultat en fonction de la morphologie et de la syntaxe. Cette méthode est très chronophage, car elle exige la rédaction de règles pour chaque mot du dictionnaire. Même si la traduction automatique directe a été un excellent point de départ, elle est depuis tombée en désuétude, et a été remplacée par des techniques plus avancées. Traduction automatique basée sur le transfert En déviant de la méthode de traduction automatique directe, la méthode basée sur le transfert fait l'objet d'une traduction mot à mot, en organisant d'abord la structure de la grammaire de la langue source. La traduction automatique basée sur le transfert est divisée en trois étapes : 1. Analyse : la machine analyse la langue source pour identifier son ensemble de règles grammaticales. 2. Transfert : la structure de phrase est ensuite convertie en un formulaire qui est compatible avec la langue cible. 3. Génération : une fois qu'une structure appropriée a été déterminée, la machine produit un texte traduit.

Cette méthode utilise tout de même un modèle de substitution de mots, ce qui limite son champ d’utilisation. Bien qu'elle ait rationalisé les règles grammaticales, elle a également augmenté le nombre de formules de mots par rapport à la traduction automatique directe. Traduction automatique interlinguale La traduction automatique interlinguale est la méthode de traduction du texte de la langue source vers l'interlingua, une langue artificielle développée pour traduire des mots et des significations d'une langue à l'autre. Le processus de traduction automatique interlinguale consiste à convertir la langue source en interlingua (une représentation intermédiaire), puis à convertir la traduction interlingua dans la langue cible. L’interlingua est similaire au concept de l’espéranto, une langue tierce qui agit comme une langue médiatrice. La différence est que l'espéranto était censé être une seconde langue universelle pour l'usage oral, tandis que l'interlingua a été conçue pour le traducteur automatique, avec des applications techniques à l'esprit. Les gens confondent quelquefois cette méthode avec un système de traduction automatique basé sur le transfert. Toutefois, la traduction automatique interlinguale offre un éventail d’applications plus large. Le texte source étant converti en utilisant une interlingua, elle peut inclure plusieurs langues cibles. À titre de comparaison, la méthode basée sur le transfert définit des règles entre des paires de langues, ce qui limite le processus. En effet, elle ne peut traiter que deux langues à la fois. L’avantage principal de l’interlingua est que les développeurs ont uniquement besoin de créer des règles entre une langue source et une interlingua. L'inconvénient est que la création d'une interlingua globale est extrêmement difficile. Avantages et inconvénients de la RBMT Alors qu'il existe certaines applications où la RBMT est utile, de nombreux inconvénients empêchent son adoption généralisée. L’avantage principal de la méthode RBMT est cette capacité à reproduire les traductions. Étant donné que les règles de traduction dictées tiennent compte de la morphologie, de la syntaxe et de la sémantique même si la traduction manque de clarté, elle sera toujours la même. Cela permet aux linguistes et aux programmeurs de l’adapter à des cas d’utilisation spécifiques, là où les idiomes et les intentions sont concis. Par exemple, les prévisions météorologiques ou les manuels techniques pourraient être un bon support à cette méthode. Le principal inconvénient de la RBMT est que chaque langue comprend des expressions subtiles, des expressions familières et des dialectes. Un nombre incalculable de règles et des milliers de dictionnaires bilingues doivent être intégrés dans l’application. Les règles doivent être construites à partir d’un vaste lexique, qui tiendra compte des attributs morphologiques, syntaxiques et sémantiques de chaque mot. Les exemples incluent :

l'anglais : la langue anglaise rregorge de verbes irréguliers et se compose des trois sous-ensembles principaux suivants : l'anglais américain, l'anglais britannique et l'anglais australien. Bien que ces trois langues partagent un vocabulaire commun, chacune d’elle a sa propre liste d’exceptions.

le grec : la syntaxe prédominante du grec est la suivante : SVO (sujet - verbe - complément). Cependant, le grec réorganise librement et fréquemment l’ordre des mots et omet le nom, si le contexte du message y fait référence.

le russe : le russe est une langue qui n'utilise pas de sujet, donc une phrase peut ne pas en contenir.

Pour développer un système de RBMT fonctionnel, son créateur doit examiner son plan de développement avec soin. Il est possible d’investir une somme non négligeable dans le système et de produire un contenu de grande qualité. Une autre option à envisager serait l’adoption d’un système progressif. Cela commence par une traduction de faible qualité, et à mesure que plus de règles et de dictionnaires sont ajoutés, elle devient plus précise. Bien que les utilisateurs puissent continuellement ajouter aux dictionnaires et créer des sous-règles pour chaque mot, ce n'est pas une méthode efficace. Elle nécessite un investissement considérable en temps pour prendre en compte l’intégralité des particularités, des homonymes et des phrases qui composent une langue. Traduction automatique basée sur des exemples (EBMT)

La traduction automatique basée sur des exemples (EBMT) est une méthode de traduction automatique qui utilise comme noyau central des textes placés en parallèle (corpus bilingue), côte à côte, phrase par phrase. Prenons la célèbre pierre de Rosette, cette pierre antique sur laquelle est inscrit le décret du roi Ptolémée V Épiphane en trois langues différentes. C’est grâce à la pierre de Rosette que les secrets des hiéroglyphes, dont on avait perdu la signification pendant nombre d’années, ont pu être percés. Les hiéroglyphes ont été décodés grâce au script parallèle en démotique et le texte en grec antique sur la pierre, qui étaient encore des langues comprises. Le Japon a fortement investi dans l'EBMT dans les années 80, car il est devenu un marché mondial pour les voitures et l'électronique, et son économie a connu un véritable essor. Bien que les horizons financiers du pays se soient étendus, peu de ses citoyens parlaient l'anglais, et la nécessité de la traduction automatique s'est accrue. Malheureusement, les méthodes existantes de traduction basée sur des règles ne pouvaient pas produire de résultats adéquats, car la structure grammaticale du japonais et de l'anglais sont substantiellement différentes. Pour y remédier, en 1984, Makoto Nagao de l’Université de Kyoto a découvert qu’une méthode phrase par phrase permettrait une meilleure traduction qu’une méthode mot par mot. Avec cette méthode, plus vous ajoutez de phrases à la base de données, plus il est facile pour le système de trouver un substitut. Par exemple, si la simple phrase, « Je veux boire quelque chose », a déjà été convertie dans la langue cible, alors la traduction, « Je veux manger quelque chose » ne nécessite pas que la phrase complète soit traduite mot à mot. Seul le mot de substitution, « manger », doit être trouvé dans le dictionnaire. Avec l'EBMT, vous n'avez qu'à déchiffrer les différences entre les phrases, rechercher les mots inconnus, et espérer qu'une exception n'existe pas. Cette méthode a permis de faire des avancées considérables en matière d’accessibilité à la traduction automatique, puisque les règles linguistiques complexes sont généralement déjà intégrées dans chaque phrase. Traduction automatique basée sur des statistiques (SMT)

Près de cinq ans après l’implémentation de l’EBMT, le Centre de recherche Thomas J. Watson d’IBM a présenté un système de traduction automatique totalement différent des systèmes de RBMT et EBMT. Le système de SMT ne s’appuie pas sur des règles ou la linguistique pour générer ses traductions. Au lieu de cela, le système aborde la traduction linguistique en analysant les modèles et la probabilité. Le système SMT est issu d’un modèle de langue qui calcule la probabilité qu’une phrase soit utilisée par un locuteur de langue maternelle. Il procède ensuite à une mise en correspondance des deux langues, divisées en mots. Pour finir, il compare la probabilité qu’un sens spécifique soit visé. Par exemple, la SMT calculera la probabilité que le mot grec « γραφείο (grafeío) » soit traduit soit par « cabinet » soit par « bureau » en anglais. Cette méthodologie est également utilisée pour l’ordre des mots. La SMT attribuera une plus grande probabilité syntaxique à l’expression « Je vais l’essayer » par opposition à « Ça, je vais essayer ». Notez que ce ne sont pas les règles dictées par un programmeur qui décident d’utiliser le mot « bureau » pour traduire « γραφείο ». Les traductions se basent sur le contexte de la phrase. La machine détermine que si un formulaire est plus couramment utilisé, il est plus probable que ce soit la bonne traduction. La méthode SMT s'est révélée beaucoup plus précise et moins coûteuse que les systèmes RBMT et EBMT. Le système s'est appuyé sur des quantités de texte massives pour produire des traductions viables, de sorte que les linguistes n'étaient pas tenus d'appliquer leur expertise. La beauté d'un système de traduction automatique statistique est que lorsqu'il a été créé, toutes les traductions ont un poids égal. À mesure que l’on saisit de plus en plus de données dans la machine pour construire des modèles et des probabilités, les traductions potentielles commencent à changer. Cependant, nous ne savons toujours pas comment la machine sait que le mot « γραφείο » doit être traduit par « bureau », et non pas par « pupitre ». C'est lorsqu'un SMT est décomposé en plus petites parties. SMT basés sur les mots Le premier système de traduction automatique statistique présenté par IBM, appelé Model 1, divisait chaque phrase en mots. Ces mots étaient ensuite analysés, comptés et estimés par rapport aux autres mots auxquels ils pouvaient correspondre une fois traduits, ne tenant pas compte de l'ordre des mots. Pour améliorer ce système, IBM a ensuite développé le Model 2. Ce modèle mis à jour a examiné la syntaxe en mémorisant où les mots étaient placés dans une phrase traduite. Le Model 3 a encore élargi le système en intégrant deux étapes supplémentaires. Premièrement, l’insertion de jetons NULL. La SMT pouvait ainsi déterminer à quel moment de nouveaux mots devaient être ajoutés à sa banque de termes. La deuxième étape dictait le choix du mot grammaticalement correct pour chaque alignement de mots. Le modèle 4 a commencé à tenir compte de l'arrangement des mots. Comme les langues peuvent avoir des syntaxes différentes, en particulier en ce qui concerne les adjectifs et le placement des noms, le Model 4 a adopté un système de commande relative. Tandis que les SMT basés sur les mots avaient dépassé les systèmes précédents de RBMT et EBMT, le fait qu'ils traduisaient presque toujours « γραφειο » par « cabinet » au lieu de « bureau » signifiait qu'un changement de base était nécessaire. Ainsi, ils ont rapidement été dépassés par la méthode basée sur les phrases. SMT basé sur les phrases Le système de traduction automatique statistique mis à jour et basé sur les phrases a des caractéristiques similaires à celles du système de traduction basée sur les mots. Cependant, bien que ce dernier divise les phrases en composants de mots avant de réorganiser et de pondérer les valeurs, l’algorithme du système basé sur les phrases intègre des groupes de mots. Le système est construit sur une séquence contiguë d’éléments « n » d’un bloc de texte ou de phrase. En termes linguistiques informatiques, ces blocs de phrases sont appelés n-grammes. Le but de la méthode basée sur les phrases est d'élargir la portée de la traduction automatique pour intégrer les n-grammes à des longueurs différentes. Cependant, la machine ne calcule pas les n-grammes de la même manière que nous traitons des phrases. Au lieu d’utiliser des phrases linguistiques comme nous le faisons lorsque nous parlons normalement, la machine aborde son classement statistique à partir de phrasèmes. En effet, généralement, les phrases ne se construisent pas toujours avec une syntaxe standard. Avec ces ajouts en place, la traduction automatique s'est sensiblement améliorée. Cette méthode a été rapidement adoptée par des grandes entreprises de technologie telles que Google, Microsoft et Yandex. Pendant plus d'une décennie, la traduction automatique basée sur les phrases était la norme en matière de traduction linguistique, rendant toutes les autres méthodes obsolètes. SMT basé sur la syntaxe Une autre forme de SMT était basée sur la syntaxe, bien qu'elle n'ait pas réussi à gagner une traction significative. L’idée d’une méthode basée sur la syntaxe consiste à combiner une RBMT à un algorithme qui décompose une phrase en un arbre syntaxique ou un arbre d’analyse. Cette méthode a cherché à résoudre les problèmes d'alignement de mots trouvés dans d'autres systèmes. Inconvénients des SMT L'un des principaux inconvénients que vous trouverez sous n'importe quelle forme de SMT est que, si vous essayez de traduire du texte qui est différent de la principale corpora sur laquelle le système est construit, vous rencontrerez de nombreuses anomalies. Le système peinera également à rationaliser les expressions idiomatiques et familières. Cette approche est particulièrement désavantageuse lorsqu'il s'agit de traduire des langues obscures ou rares. L'inaptitude d'un SMT à bien traduire le language familier signifie que son utilisation en dehors de domaines techniques spécifiques limite sa portée sur le marché. Bien que la SMT soit supérieure à la RBMT, les erreurs que commettait l’ancien système étaient faciles à identifier et à corriger. La correction d’une erreur que vous avez détectée est bien plus difficile à réaliser sur des systèmes de SMT, car cela implique un réentraînement de l’intégralité du système. Traduction automatique neuronale (NMT)

Les systèmes de SMT basés sur les phrases ont régné sur le marché jusqu’en 2016, l’année au cours de laquelle de nombreuses entreprises ont adopté des systèmes de traduction automatique neuronale (NMT). Sur le plan opérationnel, la NMT ne représente pas un changement majeur par rapport à la SMT d’antan. L'avancement de l'intelligence artificielle et l'utilisation de modèles de réseau neuronal permettent à la NMT de contourner la nécessité des composants propriétaires trouvés dans les SMT. La NMT fonctionne en accédant à un vaste réseau neuronal qui est formé à lire des phrases entières, contrairement aux SMT, qui analysaient le texte en expressions. Cela permet d’avoir une conduite directe, de bout en bout, entre la langue source et la langue cible. Ces systèmes ont évolué au point que les réseaux neuronaux récurrents (RNN) sont organisés en une architecture encodeur-décodeur. Cela supprime les restrictions sur la longueur de texte, garantissant que la traduction conserve son véritable sens. Cette architecture de codeur-décodeur fonctionne en codifiant la langue source dans un vecteur de contexte. Un vecteur de contexte est une représentation à longueur fixe du texte source. Ensuite, le réseau neuronal utilise un système de décodage pour convertir le vecteur de contexte en la langue cible. Autrement dit, le côté encodage crée une description du texte, de la taille, de la forme, de l’action, etc. La partie de décodage lit la description et la traduit dans la langue cible. Alors que de nombreux systèmes de NMT ont un problème avec de longues phrases ou des paragraphes, des entreprises telles que Google ont minutieusement développé l'architecture RNN d'encodeur-décodeur. Ce mécanisme d’attention entraîne les modèles à analyser les mots primaires d’une séquence au moment où la séquence de sortie est décodée. Google n’est pas la seule entreprise à avoir adopté des RNN pour alimenter son traducteur automatique. Apple utilise le RNN comme épine dorsale du logiciel de reconnaissance vocale de Siri. Cette technologie est en constante expansion. À l’origine, un RNN était mono-directionnel. Il ne prenait en considération que le mot précédemment saisi. Il est ensuite devenu bidirectionnel pour prendre également en considération le mot précédent et le mot suivant. À terme, la NMT a réussi à dépasser les capacités de la SMT basée sur les phrases. La NMT a commencé à produire des textes contenant deux fois moins de fautes dans l’ordre de mots et près de 20 % d’erreurs typographiques et grammaticales en moins qu’avec les traductions de SMT. La NMT a été conçue en tenant compte de l’apprentissage machine. Plus les corpora introduits dans le RNN sont nombreux, plus il est adaptable, ce qui entraîne moins d'erreurs. L'un des principaux avantages de la NMT par rapport aux systèmes de SMT est que la traduction entre deux langues en dehors de la lingua franca du monde ne nécessite pas l'anglais. Avec la SMT, la langue source était préalablement convertie en anglais avant d’être traduite dans la langue cible. Cette méthode a entraîné une perte de qualité du texte original lors de la traduction en anglais et une marge supplémentaire d'erreur dans la traduction de l'anglais en langue cible. Le système de NMT est encore amélioré par sa fonctionnalité de crowdsourcing. Lorsque les utilisateurs interagissent avec Google Translate en ligne, ils obtiennent une traduction primaire et d’autres traductions potentielles. En voyant que les internautes sélectionnent plus une traduction qu’une autre, le système commence à apprendre laquelle des options est la plus précise. Cela signifie que les linguistes et les développeurs peuvent prendre du recul et laisser la communauté optimiser la NMT. Inconvénients de la NMT Il est facile de voir pourquoi la NMT est devenue la référence absolue lorsqu'il s'agit de la traduction occasionnelle. C'est rapide, efficace et en constante croissance en termes de capacité. Le principal problème est son coût. Par rapport aux autres systèmes de traduction automatique, les NMT sont incroyablement chères. Elles requièrent également plus d’entraînement que leurs homologues de SMT et rencontrent des difficultés pour traduire les mots peu répandus ou fabriqués. Malgré ces inconvénients, il semble que la NMT continuera à dominer l’industrie.

Afin d’atténuer certains des problèmes les plus couramment rencontrés dans une méthode de traduction automatique unique, des approches permettant de combiner certaines fonctions ou des systèmes complets ont vu le jour. Multimoteur

Une approche multimoteur exploite une combinaison de deux ou plusieurs systèmes de traduction automatique en parallèle. Le résultat dans la langue cible est une combinaison des résultats finaux multiples du système de traduction automatique. Génération de règles statistiques

L’approche fondée sur la génération de règles statistiques vient combiner les données statistiques cumulées pour créer un format de règles. Le principe fondamental de cette approche est de créer une structure de règles linguistiques similaire à un RBMT en utilisant un corpus de formation, par opposition à une équipe de linguistes. Les inconvénients de ce système sont les mêmes que ceux d'un SMT standard. La qualité du résultat repose sur sa similitude avec le texte du corpus d’entraînement. Bien que cela en fasse un excellent choix si le contenu traite d’un domaine ou d’un contexte particulier, il aura du mal à fonctionner et fléchira si vous l’appliquez à d’autres domaines. Multi-pass

Une approche dite multi-pass est une alternative à l’approche multimoteur. L’approche multimoteur génère une langue cible par l’intermédiaire de traducteurs automatiques parallèles pour créer une traduction, tandis que le système multi-pass est une traduction en série de la langue source. La langue source est traitée par un système de traduction automatique basé sur des règles et transmise à un système de traduction automatique statistique pour créer la traduction dans la langue cible. Basé sur la fiabilité

La méthode basée sur la fiabilité n’aborde pas la traduction comme le font d’autres systèmes hybrides dans le sens où elle n’utilise pas toujours de traductions automatiques multiples. Ce type de système traitera naturellement une langue source par l’intermédiaire d’une traduction automatique neuronale. Il recevra ensuite une note de fiabilité indiquant dans quelle mesure il s’agit d’une traduction adaptée. Si la note de fiabilité est satisfaisante, le résultat dans la langue cible est donné. Sinon, si la traduction n’est pas à la hauteur, la source passera par une traduction automatique statistique séparée.

De nos jours, les entreprises doivent s’adresser à un marché mondial. Elles ont besoin de trouver des traducteurs capable de produire une copie dans plusieurs langues, plus rapidement et avec moins d’erreurs. C'est pourquoi elles se tournent vers la traduction automatique. Grâce à la traduction automatique, les entreprises peuvent localiser leurs sites de commerce électronique ou créer du contenu qui peut atteindre un public mondial. Cette démarche a pour effet d’ouvrir le marché et de garantir :

- l’augmentation des revenus.

- la satisfaction de vos clients.

- la réduction des frais généraux.

- l’accélération de l’implémentation d’une stratégie de commercialisation.

Généralement, les entreprises doivent faire un choix entre la qualité, l’efficacité et le prix. Heureusement, avec Lilt, vous n’avez pas à faire ce compromis. Si vous souhaitez voir comment votre entreprise peut fonctionner sur la scène mondiale, la technologie NMT de Lilt vous aidera à localiser vos sites plus rapidement, mieux et à un prix abordable. Avec Lilt, vous avez accès aux meilleurs traducteurs humains au monde et au système de traduction automatique neuronale optimisé par l'IA. Nous souhaitons que votre entreprise se développe, sans changer votre manière de travailler. Nos services de traduction ont donc été conçus pour s’intégrer sans effort à votre flux de travail actuel. Les spécialistes de la traduction de Lilt travaillent avec votre équipe pour apporter les ajustements nécessaires, afin que vous puissiez vous concentrer sur ce que vous faites de mieux. Pour en savoir plus sur la façon dont Lilt peut prendre en charge votre localisation, demandez une démo dès aujourd'hui !