La traduction automatique : un exemple concret du rôle des SHS dans la société civile et économique

– Compte-rendu de la conférence de Claire Larsonneur –

La troisième séance du séminaire EPHN a été consacrée à la traduction automatique. En plein essor avec le contexte du Machine Learning et de l’Intelligence Artificielle, la traduction automatique a fait un bond qualitatif sans précédent ces derniers mois et remodèle des pans entiers de l’économie et des pratiques linguistiques. Les assistants personnels comme Cortana, Siri ou Alexa par exemple, mais aussi les « bots », ces robots qui répondent aux questions sur les réseaux sociaux, ou encore le logiciel Watson pour les diagnostics médicaux ; tous ces nouveaux outils s’appuient sur les technologies du Machine Learning.

La traduction automatique n’est pas en reste et ses enjeux sont essentiels comme l’a montré Claire Larsonneur (Paris 8) dans sa conférence « Disruptions numériques ». De fait, pendant le dernier World Economic Forum, également appelé Forum de Davos, indique que la traduction automatique supplantera la traduction humaine d’ici 2024. Cette annonce qui peut faire sourire (ou au contraire grincer des dents) n’est possible que depuis 2017. Entre 2016 et 2017, beaucoup de progrès ont été faits sur l’Intelligence Artificielle et les potentialités sont immenses.

Depuis les années 1970, la traduction a fait l’objet de diverses tentatives d’automatisation. Beaucoup d’efforts et de développements technologiques ont été consacrés à ce domaine. Selon Claire Larsonneur, la traduction automatique a suivi trois phases successives :

_ la première, dans les années 1970, appelée « rule-based Machine Translation » s’appuie sur un modèle épistémologique singulier, fondé sur la grammaire et le lexique. Elle trouve ses limites très rapidement avec les évolutions de la langue.

_ la seconde, à la fin des années 1980-1990, « statistical Machine Translation » se construit avec le modèle des bases de données. Organisées en catégories avec des tris de données, ces bases de données permettent des résultats statistiques de traduction automatique. Par exemple, tel mot est plus souvent associé à celui-ci que celui-là, donc c’est celui qui sera choisi. On passe d’une causalité temporelle linéaire à une grille spatialisée favorisant diverses connexions.

_ la troisième débute en 2016 et se poursuit encore ; c’est la « Neural Machine Translation ». Plus précisément, à l’automne 2016, Google  change son modèle de traduction automatique et passe du module statistique au NMT. En Août 2017, c’est l’entreprise allemande DeepL qui amorce un virage sans précédent où la qualité de la traduction automatique d’un texte lambda égale sensiblement celle d’un être humain. Les NMT sont basées sur l’Intelligence Artificielle et en particulier le machine learning. Le modèle épistémologique est celui du cerveau : l’approche est cognitive et proche de l’apprentissage des enfants : cumulatif, itératif avec fonctionnement par strate. Les segments ne sont plus alignés comme avant mais le modèle est prédictif avec des suggestions de mots (comme le logiciel d’écriture des SMS sur la plupart de nos smartphones). Les logiciels apprennent nos caractéristiques d’écritures et jusqu’aux prénoms de nos enfants, nos vocabulaires pour anticiper nos demandes.

Ces sauts qualitatifs s’expliquent naturellement par les progrès technologiques (puissance de calcul des ordinateurs) mais pas seulement. Le Big Data a également joué un rôle considérable pour la traduction automatique en offrant une quantité de textes à analyser, à tester et à comprendre de plus en plus impressionnante et, de fait, infinie .

Modèle économique des NMT 

Ces nouveaux outils technologiques s’appuient sur une économie différente, liée au développement du Web et fondée sur la « gratuité ». Des revenus sont générés de façon indirecte grâce à du profilage marketing par exemple et des suggestions de contenus en ligne. Le gratuit génère également souvent d’autres types d’achat (modèle freemium), il permet une fidélisation sur le long terme du client et ce qui relève de la maintenance et de la mise à jour est parfois facturé.

Comme le rappellent  McAfee & Brynjolfsson, dans leur ouvrage Machine platforms crowd, publié en 2017, les biens numériques en ligne ont trois caractéristiques :

_ ils sont gratuit, parfait et instantané. « parfait » non pas pour la qualité du produit mais parce que toutes les copies sont parfaites (en partant du principe qu’il n’y a pas de fichier abimé, etc.).

_ Ils peuvent être groupés et dégroupés (bundling et unbundling) : on choisit par exemple d’acheter un titre et non un album ou, avec l’abonnement, on a accès à plus de contenus (plateformes de films).

_ Le contenu n’est plus l’essentiel, c’est l’accès qui compte.

La traduction est cependant un cas particulier qui permet une plus large diversité d’offres. Pour les grosses entreprises, il s’agit par exemple d’articuler la voix au texte et à l’image, de proposer des intégrations dans les systèmes d’information du client, ou dans les interfaces grand public (via des API notamment).

Les NMT créent un autre rapport au langage

Claire Larsonneur a mené une rapide enquête pour comprendre l’intérêt du sujet « NMT » dans le monde à partir des sites Google Scholar et ResearchGate. Elle a pu constater que le sujet est très étudié en 2017 et que les cinquante premiers résultats de la liste (classée par pertinence) montrent que la recherche se fait pour 45% par les anglo-saxons (Dublin et New-York en priorité), 30% en Asie (Chine et Japon) et 12% en Europe de l’Est (Allemagne, Pologne et République Tchèque) qui dispose d’une longue tradition scientifique sur ces objets.

Par ailleurs, ce ne sont pas des linguistes qui travaillent sur ces questions mais, le plus souvent, des ingénieurs. Enfin, près de 40% des articles sont co-écrits par des auteurs d’entreprises (Google Brain, Huawei Techno, Systran, ebay, Amazon, Facebook). Ils sont intéressés par des questions d’optimisation, de coût, de qualité de la traduction (et de sa mesure) et des mises à jour.

Cette répartition géographique produit une concentration d’efforts sur un petit nombre de langues (anglais, chinois, japonais, allemand, tchèque, russe, espagnol/français) et pose la question de la visibilité des autres langues du monde, notamment les dialectes, etc. Cette répartition peut se lire comme un nouvel indice des zones économiques fortes dans le monde.

Les chercheurs en NMT quittent les pratiques de la linguistique pour passer à une représentation abstraite de la langue. Ils travaillent sur des modèles langagiers. Ainsi, le concept de « mot » n’est plus utilisé au profit du concept de « word pieces ». L’approche n’est plus linéaire mais s’appuie sur des éléments saillants « attention-based framework ».

Ce système a de nombreuses limites lorsque l’objectif est spécifique. Cependant, lorsqu’il s’agit de comprendre un texte et de se faire comprendre, la traduction automatique est maintenant suffisante la plupart du temps. Par contre, elle donne l’illusion que le texte est juste, qu’il n’y a pas d’erreur, qu’il n’existe qu’une version (fluency). Les erreurs sont imprévisibles, contrairement au système basé sur les statistiques (quirkiness). Les logiciels ont du mal à gérer les phrases longues (dependency) et cela implique d’avoir accès à un corpus conséquent (training).

Dans son ouvrage On Editorialisation, paru en 2018, Vitali-Rosati analyse la structure des logiciels de traduction automatique et notamment l’absence de phases intermédiaires, de paratextes, le face-à-face entre les textes ; tous ces éléments qui donnent une illusion de traduction parfaite et unique. Il montre comment la délimitation, la position, la question sont créatrices de sens.

A l’heure de la mondialisation, les enjeux de la traduction sont majeurs. Elle peut engendrer des confusions, créer des contresens, et doit être balisée et contrôlée. Les instances de traduction automatique ont potentiellement un pouvoir dangereux, quasiment monopolistique. On doit créer des instances de vérification, des autorités de régulation pour contrôler les choix technologiques mais aussi épistémologiques et économiques opérés par les sociétés qui développent des logiciels de traduction automatique. En effet, si l’ensemble de la traduction généraliste se fait par seulement 1, 2 ou 3 opérateurs, cela donne un pouvoir bien trop conséquent. Il y a de vrais risques de censure, de modification de textes. Nous sommes face à un vrai problème de responsabilité industrielle et humaine. Les entreprises dont le site est traduit déclinent en effet responsabilité dans la traduction et en même temps, le logiciel tend à s’installer automatiquement sur les interfaces sans contrôle d’aucune part.

Claire Larsonneur conclue ainsi sur des questions de régulation, d’encadrement de la circulation des informations. La diversité des pratiques humaines doit être soutenue pour éviter le monopole, en même temps que le contrôle des pratiques de traduction automatique, en termes de législation et de régulation, doit être mis en place. De toute évidence, l’interface de traduction automatique est faite pour éliminer les questions et les doutes.

L’humain est désormais passé du rôle d’expert à celui de « peopleware », c’est-à-dire celui qui « nourrit la machine » pour qu’elle ait de plus en plus d’informations à analyser. La traduction doit être une activité lente, critique pour garder un œil extérieur à l’entreprise et en théorie déontologiquement neutre.

Dans la discussion, Ioanna Galleron replace les propos de Claire Larsonneur dans une perspective temporelle. Il ne s’agit pas, bien sûr, de tomber dans une certaine « nostalgie du passé » ni dans une quête du progrès irréfléchie. Elle contextualise davantage dans la perspective d’une entreprise de « commodification », visible tant dans le secteur économique que dans l’enseignement supérieur où chacun fait au plus vite. On vise davantage le gain de temps ou la quantité, plus que la qualité. La discussion met en avant la responsabilité scientifique de notre positionnement envers le marché. Le linguiste est évincé et les langues minoritaires sont négligées. Les chercheurs peuvent réagir contre cet état de fait. La linguistique légale, en particulier, est en plein développement pour vérifier la fiabilité des traductions et déterminer des responsabilités en cas de problèmes.

Les diverses questions mettent en avant les manques de la traduction automatique, liés à la modélisation de notre fonctionnement en tant qu’humain dans la production de l’émotion. De plus en plus les logiciels de traduction automatique s’efforce de tenir compte du contexte émotionnel ; en travaillant davantage sur le contexte, plus que sur le registre. De fait, les robots gèrent très mal l’imprévu. Ils ne sont pas inventifs sur le langage et conservent une sphère langagière très cloisonnée et classique.

A l’inverse, les logiciels de traduction automatique restreignent le rôle de l’anglais qui n’est plus la langue de passage obligée dans les échanges. On peut échanger avec d’autres en parlant chacun dans sa langue.  Cela amène à un repositionnement des langues et notamment de l’anglais, comme langue hégémonique. La question de l’apprentissage des langues se pose également. Les logiciels de traduction automatique peuvent modifier les besoins d’apprentissage, non pour les dissoudre, mais pour les repenser ; en fonction de nouveaux besoins ou d’éléments nouveaux à mettre en avant.

Les questions de traduction automatique montrent bien le rôle des SHS dans les développements technologiques. Il ne s’agit pas de bloquer le progrès, ni de s’y opposer mais de mettre en avant des principes de précaution, des pratiques, mais aussi de proposer des évolutions pédagogiques, culturelles, sociales qui n’avaient pas été anticipé avec les progrès technologiques. Cet exemple, qui touche à toutes les parties de la société, reflète particulièrement bien la nécessité de s’appuyer sur l’expérience et l’expertise des sciences humaines et sociales pour intégrer au mieux les évolutions technologiques dans la société et le monde.


OpenEdition vous propose de citer ce billet de la manière suivante :
Suzanne Dumouchel (20 mai 2018). La traduction automatique : un exemple concret du rôle des SHS dans la société civile et économique. Modéliser et virtualiser. Consulté le 25 avril 2025 à l’adresse https://doi.org/10.58079/rn3u


Une réflexion sur « La traduction automatique : un exemple concret du rôle des SHS dans la société civile et économique »

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

This site uses Akismet to reduce spam. Learn how your comment data is processed.