“Translated è orgogliosa di condividere che uno studio indipendente condotto da Achim Ruopp, fondatore di Polyglot Technology, ha dimostrato come la soluzione di traduzione automatica adattiva (MT) di ModernMT possa sovraperformare i principali sistemi di MT disponibili al pubblico, tra cui DeepL e Google Translate, in casi d’uso reali”.

Con queste parole, il team di Translated introduce lo studio e le sue conclusioni, a testimonianza di un’eccellenza pluriennale al servizio della traduzione assistita.

Traduzione assistita che, va ricordato, non sostituisce il compito del traduttore umano relegandolo al ruolo di mero spettatore, bensì lo supporta nei compiti più ripetitivi e per i quali non sono strettamente richieste le sue indispensabili competenze. Un binomio perfetto, capace di garantire i più alti standard qualitativi permettendo al contempo di ottimizzare le tempistiche necessarie per le varie fasi del progetto, contenendo parallelamente i costi.

Leggi anche:

• Il traduttore umano: 10 motivi per cui è essenziale
• Il traduttore del futuro secondo The Economist

ModernMT: lo studio

Nello svolgere la propria analisi, Polyglot Technology ha confrontato i punteggi ottenuti da diversi sistemi di machine translation, servendosi di metriche comuni nel settore, per valutare la qualità delle diverse traduzioni di uno stesso dataset pubblico. La conversione linguistica si basava su cinque diverse coppie linguistiche, traducendo dall’inglese americano al tedesco, italiano, portoghese brasiliano, spagnolo e cinese semplificato.

I sistemi oggetto di studio contavano, oltre ovviamente a ModernMT, anche Amazon Translate, Deepl Translator, Google Translate e Microsoft Translator.

Le conclusioni sono perfettamente riassumibili con le parole di Achim Ruopp, il fondatore di Polyglot Technology:

“Questo benchmark mostra che ModernMT, con la sua machine translation adattiva e il giusto contesto dei documenti, funziona molto bene per i tipici progetti di traduzione del settore linguistico, soprattutto se le organizzazioni di traduzione dispongono di set ampi e diversificati di dati di traduzione esistenti. Tutto ciò è possibile senza lo sforzo di formazione e manutenzione di sistemi MT personalizzati”.

Inoltre, il team di ricerca Translated ha successivamente ampliato il raggio d’azione dell’analisi, includendo il modello linguistico di grandi dimensioni sviluppato da OpenAI, ovvero GPT-4. I risultati confermano quanto emerso dallo studio indipendente, e cioè che ModernMT risulta essere il migliore sistema per la traduzione assistita di documenti aziendali e testi derivanti da contesti d’uso reali.

Insomma, quando affermiamo che in ASTW utilizziamo le migliori tecnologie presenti sul mercato, diciamo il vero.

^{Il grafico in copertina è stato estratto dalla pagina di Translated dedicata allo studio, visionabile qui.}

L'articolo ModernMT batte la concorrenza proviene da ASTW.

Nei giorni scorsi, su Instagram, diversi utenti hanno notato che qualora la parola inglese “Palestinian” fosse inserita in una frase contenente l’emoji della bandiera palestinese e la parola araba “alhamdulillah” (traducibile in “Lode a Dio” o “grazie a Dio”), l’algoritmo traducesse erroneamente il contenuto inserendo il concetto di “terrorista”.

Un grave, gravissimo errore. In grado di condurre a conseguenze anche gravi ai danni del singolo utente e del movimento a lui affine. Capace di offendere un’intera nazione e popolazione.

Leggi anche:

• I modelli linguistici di grandi dimensioni copiano gli umani
• Traduzione automatica, ibrida o umana
• Google, Facebook e Microsoft lavorano su modelli di IA multilingue

La notizia, inizialmente segnalata dal magazine tecnologico 404 Media, non poteva che esacerbare ulteriormente gli animi, specialmente in questo tragico periodo storico.

La risposta di Meta, azienda madre di Instagram, non si è certo fatta attendere. Tramite un suo portavoce, ha annunciato al The Guardian Australia la corretta risoluzione del problema, senza tuttavia fornire ulteriori dettagli relativi alle sue possibili cause.

Meta e la traduzione automatica: perché il termine “terroristi”?

Il vuoto creatosi con l’assenza di spiegazioni sulle cause del problema, ha lasciato inevitabilmente ampio spazio alle riflessioni personali. Tra queste, non poteva certo mancare l’ipotesi di colpevolezza ai danni della big tech Meta.

Non spetta certo a noi sentenziare in merito. Tuttavia, cosa possiamo ipotizzare è la presenza di bias (o pregiudizi) all’interno del modello linguistico utilizzato per l’addestramento del sistema di traduzione automatica disponibile sul social network.

Come riportato da 404 Media, anche i ricercatori Gabriel Nicholas e Aliya Bhatia del Center for Democracy and Technology ritengono che il bug sia dovuto ai dati di addestramento del modello.

Volendo riassumere massivamente la questione, se il sistema è addestrato su dati, spesso reperiti online, all’interno dei quali è presente un pregiudizio, il modello riprodurrà questo pregiudizio a ogni nuova occorrenza. A meno che non si intervenga direttamente per eliminarlo.

Leggi anche:

• Sì, a volte la traduzione automatica ha pregiudizi razzisti
• I gender bias nella traduzione automatica sono ancora una realtà

“Meta si trova ad affrontare una carenza di dati disponibili sulla formazione in lingue diverse dall’inglese e in particolare nei dialetti arabi che potrebbero non essere ampiamente parlati o geopoliticamente forti”, ha sostenuto Bhatia. “Il modello linguistico riporta il collegamento presente negli esempi disponibili di discorsi in lingua araba o di discorsi relativi al popolo palestinese, e ciò significa che il risultato riflette la prospettiva di questi testi”.

Un pregiudizio in grado di provocare un danno di immagine difficilmente misurabile, dovuto ancora una volta all’utilizzo della traduzione automatica non supervisionata.

Ed è proprio per questo che ad oggi il gold standard per i servizi di traduzione richiede la presenza insindacabile di un traduttore umano.

Fonti: Multilingual – 404 Media – The Guardian

^{_{Foto di Pixabay}}

L'articolo I rischi della traduzione automatica: Meta e l’errore sui “terroristi” proviene da ASTW.

Come anticipato, lo studio in questione mira alla realizzazione di un sistema di rilevazione automatica della modalità di traduzione di un dato testo. Il classificatore, addestrato su modelli linguistici multilingue e su input testuali comprensivi del testo di origine accompagnato dalla relativa traduzione, ha mostrato risultati molto promettenti.

Per maggiori informazioni: Automatic Discrimination of Human and Neural Machine Translation in Multilingual Scenarios

Ma come è possibile distinguere la modalità di traduzione di un testo? E soprattutto, in cosa si differenziano l’una dall’altra?

Traduzione automatica, ibrida o umana: le differenze

Molti esperti del settore hanno ben chiare le informazioni presenti in questo articolo. La maggior parte dei traduttori professionisti, ad esempio, sarà in grado di rilevare l’origine di una traduzione semplicemente leggendo le prime righe del testo.

Ciononostante, può risultare un compito arduo per i non addetti ai lavori, specialmente alla luce dei traguardi raggiunti dalle nuove tecnologie.

Traduzione automatica

Questa espressione indica una tipologia di conversione linguistica ad appannaggio esclusivo dei sistemi di machine translation. Il testo di origine viene inserito nel sistema di traduzione automatica che restituisce un testo nella lingua di interesse.

Generalmente, questa tipologia di traduzione restituisce un output semanticamente coerente con il testo di partenza, spesso a discapito dello stile testuale, della coerenza terminologica e del rispetto del settore di appartenenza.

Spesso, non sempre. Esistono infatti ambiti e tipologie testuali che si prestano maggiormente a questo processo, sebbene il consiglio degli esperti sia quello usufruirne esclusivamente per la comprensione del messaggio e per un utilizzo privato della traduzione da parte di persone con una conoscenza, seppur limitata, della lingua e/o del contesto.

Leggi anche: Traduzione automatica: consigli per un post-editor

Traduzione ibrida

Altrimenti detta post-editing, definisce la sinergia tra esseri umani e sistemi di machine translation.

Rappresenta a oggi il gold standard dei servizi di traduzione, capace di unire l’elevata qualità garantita dai linguisti umani e il contenimento delle tempistiche e dei costi del servizio.

In questa modalità di lavoro il testo viene dapprima elaborato da un sistema di machine translation, accuratamente addestrato e istruito dal linguista. La traduzione automatica viene quindi controllata e modificata dal traduttore umano, in grado di identificare e correggere ogni aspetto testuale incorretto o impreciso.

Leggi anche: Light e full post-editing: di cosa si tratta?

Traduzione umana

Com’è facilmente immaginabile, questa modalità prevede la presenza quasi esclusiva di un linguista umano all’interno del processo.

Si sposa particolarmente bene con i testi di carattere creativo, nei quali l’utilizzo della traduzione automatica potrebbe risultare svantaggioso, appesantendo il lavoro del professionista.

Ad oggi il mercato tende a sfavorire questa tipologia di conversione linguistica, in quanto la competizione in termini di costi e tempistiche fa sì che l’adattamento ai nuovi workflow diventi quasi imprescindibile.

Non sai quale tipologia sia la più adatta alle tue necessità? Non esitare a contattarci, i nostri esperti saranno lieti di risolvere ogni tuo dubbio.

L'articolo Traduzione automatica, ibrida o umana proviene da ASTW.

eTranslation è uno strumento di traduzione automatica neurale concepito per permettere ai cittadini di accedere più agevolmente alle informazioni sull’Unione europea nella loro lingua preferita. […] Consente di tradurre automaticamente sia testi o parti di testo che interi documenti, in tutte e 24 le lingue ufficiali dell’UE.

La decisione segue l’evoluzione attuale del panorama globale dei servizi di informazione, profondamente rivoluzionati dal web e dall’utilizzo dei social network. In un mondo sempre più connesso e digitalizzato, le notizie si diffondono molto più rapidamente che in passato, consentendo un aggiornamento continuo “minuto per minuto”.

Questa crescente rapidità ha fatto sì, ad esempio, che le testate giornalistiche di tutto il mondo aprissero i propri portali digitali e canali social, attraverso i quali raggiungere gli utenti a ogni notizia di cronaca.

L’immediatezza nella comunicazione è divenuta di primaria importanza, ed è proprio da questa necessità che nasce il programma dell’UE per una traduzione automatica istantanea di tutte le notizie diramate dalla Commissione.

Leggi anche:

• L’intelligenza artificiale nell’Unione europea
• PMI europee: ecco come traducono e localizzano i propri siti web

UE e traduzione automatica

L’utilizzo di eTranslation sarà quindi destinato alla traduzione immediata della rassegna stampa nelle lingue per le quali ancora non è disponibile il lavoro di un traduttore professionista.

Come ha affermato lo stesso Mamer “Continueremo a fornire la traduzione professionale umana del nostro materiale per la stampa, che sostituirà le traduzioni automatiche non appena sarà disponibile.”

In pratica, eTranslation riempirà il vuoto temporale che separa l’uscita della comunicazione dalla sua traduzione da parte di un linguista qualificato.

Generalmente, queste informazioni sono disponibili sul portale della Commissione europea, visionabile nella sezione Press corner del sito ufficiale CE, in quattro lingue europee. Più precisamente in inglese, tedesco, francese e spagnolo.

Queste traduzioni automatiche copriranno non solamente il vuoto creato dall’attesa fisiologica del lavoro di un professionista, ma amplieranno anche la copertura linguistica della CE.

Infine, vista l’inaffidabilità della traduzione non supervisionata prodotta dai sistemi di traduzione automatica, le pagine tradotte da eTranslation saranno contrassegnate da un disclaimer, volto ad avvertire gli utenti della possibile inesattezza di quanto appena letto.

Fortunatamente, e ancora una volta, il ruolo del traduttore umano non viene messo in discussione dalle autorità. Spetterà ai professionisti l’ultima parola, così da garantire la massima qualità e correttezza della conversione linguistica.

_{Foto di Marco da Pexels}

L'articolo UE, traduzione automatica e rassegna stampa proviene da ASTW.

Il Post-editing

Iniziamo dal principio. Il primo concetto sul quale risulta doveroso soffermarsi per un approfondimento è proprio il post-editing.

Questa tecnica si è affermata sempre più come modus operandi nel nostro settore, divenendo un servizio essenziale all’interno dell’offerta dei fornitori di servizi linguistici di tutto il mondo.

Volendo dare una definizione, il post-editing è il processo di elaborazione effettuato dal linguista (post-editor) su un testo precedentemente tradotto da strumenti di traduzione automatica.

Una sorta di revisione testuale, del tutto simile a quella svolta dal revisore su un testo tradotto dal traduttore umano.

Inoltre, le similitudini non riguardano esclusivamente il metodo di lavoro adottato dal linguista. Citando quanto riportato in un documento della Commissione europea “la differenza tra i due gruppi [traduzione con o senza l’ausilio della traduzione automatica] non è statisticamente significativa. La qualità è equiparabile se valutiamo la qualità solo in termini di errori di traduzione. Il post-editing è un po’ più veloce della traduzione umana, con un incremento di produttività dal 6 al 15%”.

Tuttavia, è ormai affermata la consapevolezza che questa tecnica di traduzione è maggiormente indicata per le tipologie testuali più tecniche e settoriali. Parliamo ad esempio di traduzione brevettuale, medica, tecnica e giuridica.

Si tende invece a sconsigliare l’uso del post-editing per i testi più creativi, come quelli letterari e pubblicitari.

Light e full post-editing: le differenze

Arriviamo ora al fulcro del nostro argomento: le differenze tra light e full post-editing.

La principale distinzione tra le due modalità di PE risiede nell’impegno richiesto al post-editor. Una elaborazione lieve, caratteristica del light post-editing, impegnerà il linguista per un minor tempo, tenuto conto del fatto che dovrà concentrarsi esclusivamente sulla rilevazione degli errori.

Nello specifico, l’esperto dovrà:

• Correggere gli errori che influenzano negativamente la comprensione del testo;
• Riscrivere le frasi prive di significato;
• Eliminare eventuali porzioni di testo extra;
• Verificare che il testo sia tradotto integralmente.

Il post-editing leggero è particolarmente indicato per testi diretti alla comunicazione interna aziendale, così come per tutti i testi il cui scopo è puramente informativo.

Il full post-editing, al contrario, impegnerà maggiormente il professionista. In questo caso il post-editor dovrà valutare tutti gli aspetti testuali, tra cui la terminologia specifica, la sintassi e lo stile.

L’obiettivo del post editing completo è quello di ottenere una traduzione ideale, all’interno della quale l’intervento della traduzione automatica non è riconoscibile in alcun modo.

La qualità del documento deve quindi essere massima.

In questo caso, il post-editor dovrà:

• Correggere tutti gli errori presenti nel testo;
• Verificare il corretto uso della terminologia specifica;
• Verificare la coerenza intra ed extra-testuale;
• Mantenere inalterate le caratteristiche testuali sopra menzionate;
• Verificare la formattazione del documento.

Alla luce di quanto detto finora, appare chiaro come siano le reali necessità del cliente a stabilire quale modalità di post-editing sia meglio utilizzare, alfine di ottimizzare il processo e ottenere i risultati desiderati.

_{Foto di cottonbro studio da Pexels}

L'articolo Light e full post-editing: di cosa si tratta? proviene da ASTW.

Apple, con i suoi prodotti tecnologici venduti in ogni parte del mondo, è divenuta una delle big tech più note e celebri di sempre. Tuttavia, sebbene sia comune sentirne parlare all’interno dell’ambito informatico e delle telecomunicazioni, non capita spesso di accostare questo marchio al mondo della traduzione.

Generalmente, i volti più noti a cui si pensa quando si parla di machine traslation sono infatti Google e Microsoft. Affiancati nel tempo anche da Meta.

Ciononostante, nel corso degli anni, numerose realtà si sono interessate al settore dei servizi linguistici, sviluppando e includendo all’interno dei propri prodotti e servizi le funzioni di traduzione automatica a loro più affini.

Parliamo, ad esempio, di Amazon e Canva. Due nomi che più di altri possono sottolineare la ormai generalizzata tendenza a consentire un accesso linguistico diffuso agli utenti di tutto il mondo.

Accesso linguistico che, come più spesso sottolineato all’interno del nostro blog, quando è affidato esclusivamente ai sistemi di traduzione automatica presenta ancora oggi insidie e problematiche di diversa natura. I gender bias sono tra questi.

Approfondimenti:

• Gender bias e gli sforzi di Amazon translate
• Il pregiudizio di genere e Google translate: il dataset di Wikipedia

Ed è proprio all’interno di questo quadro generale che si inserisce lo studio sulla traduzione multilingue made in Apple: Learning Language-Specific Layers for Multilingual Machine Translation.

Apple e la traduzione automatica multilingue

Lo studio in questione trae spunto da una consapevolezza ormai diffusa nel settore: i sistemi di MT che usano l’inglese come lingua pivot sono ormai superati.

Volendo approfondire il concetto, è sufficiente soffermarsi sull’idea stessa di lingua pivot, ovvero il sistema linguistico (generalmente l’inglese) utilizzato come fase intermedia della traduzione tra due diverse lingue.

Questi sistemi, quindi, per tradurre un testo (ad esempio in italiano) in una lingua diversa dall’inglese (ad esempio il russo) effettuano prima un traduzione italiano-inglese, per poi effettuare la conversione linguistica inglese-russo.

Com’è facile immaginare, questa prassi comporta spesso tutta una serie di problematiche legate alla duplice conversione. Tra questi troviamo i cosiddetti errori a cascata e la perdita del genere del soggetto (spesso in favore del maschile neutro).

Per ovviare a questi inconvenienti, il progresso tecnologico ha portato alla nascita delle MNMT, ovvero le machine translation neurali multilingue che gestiscono ogni coppia linguistica singolarmente.

Ma come spesso accade, anche le innovazioni più all’avanguardia hanno dei punti deboli. In questo caso, i limiti delle MNMT risiedono nella complessità dei parametri necessari per l’addestramento del sistema, un maggior tempo di latenza e un aumento delle capacità di archiviazione richieste.

La soluzione a questi problemi potrebbe risiedere nella proposta Apple di stratificare diversamente i livelli dell’encoder dei sistemi di traduzione automatica.

L’architettura di nuova concezione includerebbe pesi specifici per ogni lingua e altri condivisi. Alcuni livelli del codificatore sarebbero quindi specifici della lingua di origine o di destinazione, mentre i livelli rimanenti rimarrebbero condivisi. “L’idea è semplice. Invece di condividere gli stessi parametri in tutte le lingue, i pesi per il livello devono essere specifici della lingua”, hanno affermato i ricercatori.

Inoltre, lo studio evidenzia che l’utilizzo di questi sistemi ridurrebbe la presenza di gender bias. Dovuti al passaggio dalla lingua inglese e da un addestramento finora più complesso.  

Per maggiori e più complete informazioni consigliamo la lettura integrale dello studio, disponibile al link nel primo paragrafo.

_{Foto da Pixabay}

L'articolo Apple, traduzione automatica e gender bias proviene da ASTW.

I ricercatori, e nello specifico il Senior Researcher Tom Kocmi e il Principal Research Manager Christian Federmann, sono partiti da un concetto di recente diffusione: “Se i modelli possono tradurre, potrebbero anche essere in grado di distinguere le buone traduzioni da quelle scadenti”.

Un tema da noi trattato all’interno dell’articolo ChatGPT sa tradurre? Uno studio ci aiuta a capirlo, e in parte anche in I fuzzy matches e i modelli linguistici di grandi dimensioni.

Volendo riassumere, è possibile strutturare il lavoro dei ricercatori in due fasi principali: valutazione e confronto.

Se quindi il primo step ha riguardato la raccolta delle valutazioni sulla qualità della traduzione fornite dai modelli linguistici di grandi dimensioni, la seconda fase si è concentrata sul confronto tra queste ultime e i giudizi dati da professionisti umani.

I risultati potrebbero aprire la via a nuovi interessanti scenari.

LLM e qualità della traduzione

Entrando nel dettaglio della ricerca, i ricercatori hanno preso in esame sette LLM differenti, tutti appartenenti alla famiglia GPT.

Per le valutazioni, si sono quindi serviti della metrica GEMBA (da GPT Estimation Metric Based Assessment) applicata a tre coppie linguistiche: dall’inglese al tedesco, dall’inglese al russo e dal cinese all’inglese.

I ricercatori hanno quindi sottoposto ai modelli quattro diversi tipi di prompt, modellando due attività di punteggio e due attività di classificazione. Il dataset di riferimento utilizzato comprendeva un totale di 106 mila segmenti di traduzione, provenienti dal lavoro di traduttori umani e dagli output di traduzione automatica.

Il dato che risulta davvero interessante per il settore dei servizi linguistici riguarda i risultati ottenuti da questo studio.

I ricercatori, infatti, sottolineano che sebbene solamente i modelli superiori a GPT 3.5 sono in grado di eguagliare i giudizi umani, questo potrebbe essere un punto di partenza per approfondire ulteriormente le capacità di questi sistemi.

In linea generale, è quindi possibile affermare che con i dovuti accorgimenti, è possibile immaginare un futuro prossimo nel quale saranno i modelli linguistici di grandi dimensioni a valutare la qualità della traduzione dei sistemi di machine translation, consentendo dunque una sempre maggiore accuratezza negli output di traduzione automatica.

Potrebbero inoltre diventare uno strumento utile per i traduttori professionisti, i quali potranno affidarsi a questi modelli per la revisione del proprio lavoro.

Per maggiori dettagli circa lo svolgimento della ricerca, le metriche e le procedure utilizzate si rimanda al documento pubblicato dai ricercatori: Large Language Models Are State-of-the-Art Evaluators of Translation Quality.

_{Foto di Salvatore De Lellis da Pexels}

L'articolo Qualità della traduzione e modelli linguistici: la ricerca Microsoft proviene da ASTW.

Una notizia che ha chiaramente provocato lo stupore generale. In particolare, se si considera il campo di azione di questo tool, incentrato più sull’aspetto visivo anziché testuale dei prodotti. Nondimeno, questa novità può aprire le porte a nuovi interessanti sviluppi, e come vedremo, insidie inattese.

“Quando si parla di sistemi di traduzione automatica si fa spesso riferimento ai colossi dell’industria, capaci di affermarsi come principali attori del mercato. Parliamo, solo per citarne alcuni, di Google, Meta e Microsoft”.

Con queste parole, nel nostro articolo Amazon: il nuovo attore della machine translation, parlavamo delle realtà più inaspettate interessate al mondo dei servizi linguistici.

Oggi, è il turno di Canva.

La traduzione automatica in Canva

Translate, Traduttore nella versione italiana, è il nuovo servizio di traduzione automatica ideato da Canva.

Questo strumento di machine translation è implementato dall’intelligenza artificiale e consentirà di tradurre il contenuto testuale delle pagine create sulla piattaforma in oltre 100 lingue.

Come riportato sulla pagina dedicata del sito, il servizio di traduzione sarà disponibile per la quasi totalità dei progetti, e garantirà a tutti gli utenti un massimo di 50 pagine mensili (intese come singola unità grafica di progetto). Per gli utenti che utilizzano la versione Pro o Teams, questo numero sale a 500.

Sebbene al momento sia ancora prematuro parlare della qualità di queste traduzioni automatiche, un suggerimento viene dato proprio da Canva: “Il traduttore utilizza la traduzione automatica per generare traduzioni basate sul testo fornito e utilizza una tecnologia avanzata di apprendimento automatico (NMT) per fornire traduzioni più precise e naturali. Poiché le traduzioni dipendono dal testo fornito, più le frasi sono semplici e brevi, migliore sarà la traduzione”.

Tuttavia, è importante ricordare che sebbene la traduzione automatica sia uno strumento molto utile può avere conseguenze negative per gli utenti che confidano troppo nelle sue capacità.

Il ruolo degli esperti

Nel presentare il proprio servizio di traduzione, Canva precisa: “Traduttore è una nuova tecnologia, perciò consigliamo di verificare che il contenuto sia appropriato”.

Come abbiamo più volte espresso all’interno dei nostri articoli, il traduttore umano riveste ancora un ruolo essenziale nel processo traduttivo.

Sebbene i motori di traduzione siano sempre più evoluti, non garantiscono la totale correttezza e la migliore qualità del testo tradotto. Garanzie che al contrario saranno assicurate dai professionisti incaricati del compito.

Questo non significa svalutare la machine translation bensì definirne la funzione, ovvero aiutare il linguista a svolgere al meglio il proprio compito.  

Prima di sottoporre ai clienti, alle aziende con cui si collabora e al pubblico il proprio progetto, è bene poter essere certi del suo valore. Così da scongiurare possibili inconvenienti e assicurarsi che il valore del proprio progetto non venga intaccato da errori o imprecisioni commessi dalla traduzione automatica.

Affidarsi ai professionisti è sempre la migliore delle soluzioni.

_{Foto di Ron Lach da Pexels}

L'articolo Canva entra nel mondo della traduzione automatica proviene da ASTW.

Non è la prima volta che trattiamo l’argomento. In un nostro precedente articolo abbiamo parlato della variabile Time to Edit, introdotta dal team di Translated nel corso di un proprio report, e dei dati forniti dagli esperti del settore relativi ai tempi di traduzione.

Riprendendo quanto scritto nel testo sopracitato, cercheremo di fare un confronto tra le tempistiche di mercato e i riferimenti contenuti all’interno dei documenti pubblicati dal Centro di traduzione dell’Unione europea.

Time to Edit e tempi di traduzione

La variabile Time to Edit (TTE) nasce per rappresentare quello che è il tempo medio impiegato dal linguista nel modificare l’output di traduzione della MT, diviso per il numero totale di parole. Vale a dire, il tempo necessario per il post-editing di una parola del testo pre-tradotto.

Confrontando le tempistiche medie registrate nel corso degli ultimi anni, il dato che più di altri risalta all’interno del report citato è certamente la maggiore rapidità con cui il traduttore riesce a svolgere il proprio compito se coadiuvato dai motori di traduzione più avanzati (2 secondi a parola sorgente nel 2022).

Maggiore rapidità che trova ulteriore conferma nelle affermazioni dei professionisti della traduzione intervistati nei mesi scorsi da Slator.

Volendo riassumere i numeri riportati nel testo, la media giornaliera (senza il supporto della traduzione automatica) si attesta attorno alle 2 500 parole.

Un volume che cresce notevolmente servendosi della machine translation. I dati a riguardo passano dalle 7 000 parole/giorno indicate da MemoQ, alle 1000 parole l’ora riportate dalla professoressa Olena Blagodarna. Pari a circa 8 000 parole al giorno se consideriamo un impegno giornaliero di otto ore.

Il confronto con il Centro di traduzione UE

Quanto detto finora servirà ora per avere un metro di paragone con il quale soppesare le informazioni contenute nel bando del Centro di traduzione dell’Unione europea.

All’interno delle specifiche della gara d’appalto, troviamo indicazioni relative alle coppie linguistiche interessate, alle modalità di svolgimento del processo traduttivo così come alla mole di lavoro giornaliera calcolata dal Centro.

Nello specifico, queste stime utilizzano come metro di misura le pagine processate in un giorno, ovvero:

• 10 per i servizi di traduzione;
• 15 per il full post-editing;
• 20 per il light post-editing.

Per meglio interpretare i dati appena elencati occorre chiarire che la pagina standard equivale a 1 500 caratteri, spazi esclusi, di testo sorgente.

Nel tentativo di confrontare finalmente tutti i tempi di traduzione indicati in questo testo, e basandoci sull’opinione diffusa in campo linguistico, possiamo affermare che nella lingua italiana e in quella inglese, 1 500 caratteri corrispondono rispettivamente a 218 e 250 parole in media.

Per i servizi di traduzione, quindi, 10 pagine da 1 500 caratteri al giorno corrispondono a 2 180 parole giornaliere (10 pagine moltiplicate per le 218 parole medie) per l‘italiano e 2 500 per l’inglese. Mole di lavoro che è quindi in linea con i dati riportati in precedenza.

Passando invece ai numeri relativi al post-editing, otteniamo rispettivamente 4 360 (it) e 5 000 (en) parole tradotte al giorno per il light PE. Dati che passano a 3 270 (it) e 3 750 (en) parole/giorno in caso di full post-editing.

In questo caso, è possibile notare quanto questo numero sia notevolmente inferiore a quello espresso dai professionisti intervistati da Slator a ottobre 2022.

Questi dati sono in linea con la vostra esperienza professionale? Fatecelo sapere nella sezione commenti dei nostri canali social!

_{Foto di Cats Coming}

L'articolo Tempi di traduzione: UE e professionisti a confronto proviene da ASTW.

“La coerenza terminologica è uno dei requisiti fondamentali per una traduzione di alta qualità. È particolarmente importante aderire alla terminologia e alle traduzioni pre-approvate per ogni progetto specifico di un dato dominio […] tuttavia, l’adattamento in tempo reale risulta ancora complesso. I modelli linguistici su larga scala (LLM) hanno recentemente mostrato interessanti capacità di apprendimento contestuale, in cui imparano a replicare determinati modelli di generazione di testo input-output, senza ulteriore messa a punto. Alimentando un LLM con un prompt costituito da un elenco di coppie di traduzioni, quest’ultimo potrà quindi simulare le caratteristiche del dominio e dello stile al momento dell’inferenza”.

Con queste parole la ricercatrice Yasmin Moslem e i ricercatori Rejwanul Haque e Andy Way introducono il proprio studio, dal titolo Adaptive Machine Translation with Large Language Models.

In sintesi, una delle caratteristiche degne di nota dei modelli linguistici di grandi dimensioni è il cosiddetto “in-context learning”, l’apprendimento contestuale che permette loro di adattarsi a un determinato contesto o dominio senza necessitare di ulteriori informazioni. I ricercatori hanno quindi voluto mettere alla prova questa feature sfruttando le corrispondenze parziali per migliorare l’accuratezza terminologica e sintattica di questi sistemi.

Nello specifico, i ricercatori hanno utilizzato il modello Generative Pre-trained Transformer 3 (GPT-3), sviluppato da Open AI e struttura di base del fenomeno del momento: ChatGPT.

Fuzzy matches e modelli linguistici: lo studio

Lo studio, visionabile anche nel post LinkedIn pubblicato dalla ricercatrice Yasmin Moslem, vuole approfondire tutti i possibili vantaggi che possono scaturire dall’interazione tra questo modello linguistico di grandi dimensioni e i sopracitati fuzzy matches.

Più dettagliatamente, per ogni porzione dei testi oggetto di analisi, i ricercatori hanno anzitutto selezionato una pluralità di segmenti al cui interno fossero riscontrabili corrispondenze parziali con il documento sorgente.

Questi segmenti, in totale 3.070, hanno permesso di condurre i test su cinque coppie linguistiche, dall’inglese all’arabo, al cinese, al francese, allo spagnolo e al kinyarwanda.

I risultati, seppur eterogenei nella globalità delle combinazioni, hanno mostrato i benefici qualitativi che questi modelli hanno raggiunto mediante l’apprendimento da traduzioni simili in tempo reale.

Come affermato dai ricercatori: “Invece di chiedere al modello di tradurre una frase o fornire esempi casuali, risulta che mostrare al modello da 1 a 10 coppie di traduzioni specifiche del dominio simili alla frase da tradurre può migliorare immediatamente la traduzione della nuova frase”.

Le disparità nei risultati ottenuti sono da attribuire, sempre secondo i ricercatori, al fatto che il modello GPT-3 supporta principalmente lingue latine ad alte risorse. Fattore che penalizzerebbe maggiormente le due coppie linguistiche inglese-arabo e inglese-kinywanda.

Per approfondire e visionare lo studio nella sua interezza clicca qui.

_{Foto di Brett Sayles da Pexels}

L'articolo I fuzzy matches e i modelli linguistici di grandi dimensioni proviene da ASTW.