Réseaux de neurones :franchir la prochaine frontière de la traduction automatique

L'article est rédigé et soumis par Rachel Wheeler. 

L’idée de la traduction automatique remonte à plusieurs décennies. Premièrement, il s’agissait simplement d’un système de traduction automatique basé sur des règles. Puis, dans les années 1980, les chercheurs ont développé des traductions automatiques statistiques. Au 21e siècle, le grand progrès technologique en matière de traduction automatique viendra de l’apprentissage automatique et de la technologie des réseaux neuronaux. 

Au cours des dernières années, nous avons assisté à des développements significatifs de la part des entreprises de traduction qui utilisent ces technologies d'intelligence artificielle pour fournir de meilleures traductions automatiques. Certains des exemples les plus impressionnants proviennent de systèmes tels que Google Neural Machine Translation (GNMT) et Neural Translator de Microsoft.

Qu'est-ce qu'une traduction automatique neuronale ?

Les traductions automatiques sont déjà largement disponibles, et ce depuis des années. Vous pouvez trouver des systèmes de traduction automatique dans un certain nombre d’applications populaires, et il existe des services en ligne proposant des services de traduction automatique. Cependant, il existe des différences significatives entre les services déjà disponibles et les systèmes en cours de développement pour utiliser les réseaux neuronaux.

La plupart des systèmes que vous trouverez actuellement sont des traductions automatiques statistiques. Ils utilisent des algorithmes et des modèles statistiques pour deviner au mieux la traduction correcte d’une phrase. Cela peut bien fonctionner pour des phrases courtes, mais il atteint ses limites lorsqu’on lui demande de traduire des échantillons plus longs, comme un manuel numérique entier pour une traduction e-learning. Les résultats peuvent aller d'une interprétation assez précise à une traduction complètement charabia.

Les traductions automatiques neuronales représentent une approche très différente des anciens systèmes qui utilisent des traductions automatiques statistiques. Avec un système NMT, un réseau neuronal est formé et optimisé pour effectuer des services de traduction.

Ces systèmes utilisent l'apprentissage profond pour analyser de grandes quantités de traductions déjà réalisées par des traducteurs humains. En analysant ce vaste ensemble de données, il peut prendre en compte des phrases entières, comprendre le contexte et les différentes variations, et travailler avec des subtilités linguistiques qui ne pourraient pas être programmées dans un modèle statistique. Le résultat final est un système de traduction automatique plus fluide et plus naturel.

Comment fonctionnent les réseaux de neurones ?

La clé pour doter les machines de cette capacité d’apprentissage est le réseau neuronal. Il s’agit d’un type de technologie informatique conçue pour imiter le fonctionnement du cerveau humain. Dans le cerveau, des voies neuronales se forment au fur et à mesure que nous apprenons. Si le chemin est utile et bénéfique, il devient plus fort. S'il ne fournit pas les bons résultats, il s'affaiblit.

L’idée derrière les réseaux neuronaux est de simuler la nature interconnectée des voies neuronales du cerveau. Grâce à cette conception, les ordinateurs peuvent apprendre, reconnaître des modèles et prendre des décisions d'une manière similaire au cerveau humain.

Les réseaux de neurones artificiels simulent cette structure en comportant des dizaines à des millions de neurones artificiels appelés unités. Ces unités sont disposées en couches. D'un côté, vous disposez d'unités d'entrée conçues pour recevoir des informations. Du côté opposé, vous avez des unités de sortie qui signalent la réponse aux informations apprises.

Entre les couches d'unités d'entrée et d'unités de sortie, vous avez les unités cachées. Ce sont les couches qui constituent la majeure partie du réseau neuronal et elles sont également utilisées pour former la plupart des connexions.

Chaque connexion dans un réseau neuronal reçoit un poids pour indiquer la force de la connexion entre les deux unités. Le poids peut être positif pour une connexion qui excite l’autre unité, ou il peut être négatif pour une connexion qui supprime l’action de l’autre unité. Plus le poids est élevé, plus l'influence d'une unité sur l'autre est grande dans la connexion.

Les réseaux de neurones apprennent en comparant le résultat produit au résultat souhaité. Les informations sont transmises au système à l’extrémité d’entrée. Il déclenche ensuite des connexions dans des unités cachées. Cela conduit à une connexion avec l'extrémité de sortie. Le résultat réellement produit par le réseau est ensuite comparé au résultat souhaité. Les poids sont ensuite modifiés en fonction de la différence entre le résultat produit et le résultat souhaité.

Pour les traductions automatiques, la structure d'un réseau neuronal rend le système plus adaptatif et capable de gérer des modèles plus complexes qu'un système basé sur des règles et des statistiques. Elle peut aussi apprendre de son expérience. S’il ne fournit pas le bon résultat, il apprend de ses erreurs et effectue des ajustements pour fonctionner plus efficacement la prochaine fois. 

Qu'est-ce que cela signifie pour les traductions automatiques ?

La traduction automatique neuronale est encore une technologie nouvelle. Même s’il n’en est qu’à ses débuts, il fournit déjà des résultats supérieurs aux meilleurs systèmes de traduction automatique statistique. Cela dit, nous avons encore un long chemin à parcourir avant que les traductions automatiques neuronales puissent rivaliser avec un traducteur humain compétent.

Lire : Intelligence artificielle, apprentissage automatique et apprentissage profond

Les progrès de la traduction automatique neuronale ne viendront pas d’une seule entreprise. Ce sera le résultat de plusieurs avancées réalisées par des chercheurs de différentes organisations et du monde entier. À mesure que la technologie se développe, la NMT va devenir un outil important pour les traducteurs humains. Avec le besoin croissant de traductions complexes, les professionnels utiliseront ces systèmes pour fournir des traductions précises en moins de temps, ce qui les aidera à répondre à la demande croissante.