d'établir automatiquement les correspondances à un niveau plus fin que celui de
la phrase: syntagmes et mots. Les résultats obtenus laissent entrevoir toute une
famille de nouveaux outils pour le traducteur humain, dont les aides au
dépouillement terminologique, les aides à la dictée et à la frappe des
traductions ainsi que les détecteurs de fautes de traduction."
5. RECHERCHE
[Dans ce chapitre:]
[5.1. Traduction automatique et recherche / 5.2. Linguistique computationnelle /
5.3. Ingénierie du langage / 5.4. Internationalisation et localisation]
5.1. Traduction automatique et recherche
Au sein du Laboratoire CLIPS (Communication langagière et interaction
personne-système) de la Fédération IMAG (France), le Groupe d'étude pour la
traduction automatique (GETA) est une équipe pluridisciplinaire formée
d'informaticiens et de linguistes. Les thèmes de recherche du GETA concernent
tous les aspects théoriques, méthodologiques et pratiques de la traduction
assistée par ordinateur (TAO), et plus généralement de l'informatique
multilingue. Le GETA est issu du CETA (1961- 1971), laboratoire pionnier de la
traduction automatique en France.
Actuellement, le GETA reste actif en TAO du réviseur, mais réoriente sa
recherche, depuis 1988, vers la TAO individuelle, qui comporte deux volets, la
TAO du traducteur et celle du rédacteur. Les définitions de ces deux TAO sont
données sur le site:
"La TAO du traducteur consiste à offrir des outils de bureautique linguistique à
des traducteurs (professionnels ou occasionnels). C'est l'homme qui traduit.
Dans ce domaine, nous travaillons en coopération avec d'autres groupes de
recherche, qui apportent des données ou outils linguistiques (lexiques,
lemmatiseurs), et nous nous intéressons aux problèmes informatiques liés à
l'intégration de ces éléments sous une forme utilisable par des traducteurs
occasionnels, désireux de les employer depuis leurs applications favorites. Nous
avons récemment élaboré et proposé en collaboration avc SITE-Eurolang, le projet
Montaigne, qui vise à mettre à disposition de la communauté scientifique le
logiciel Eurolang-Optimizer, via Internet, et à l'utiliser pour constituer des
grosses bases terminologiques pouvant ensuite aussi alimenter des systèmes
automatiques.
La TAO du rédacteur est l'objectif principal des travaux en cours, regroupés
dans le projet LIDIA. L'idée de base est d'offrir à un rédacteur unilingue la
possibilité de rédiger dans sa langue, et, au prix d'un dialogue de
standardisation et de désambiguïsation (qu'il conviendra de rendre le moins
lourd et le plus convivial possible), d'être traduit dans plusieurs langues,
sans révision ou avec une révision minimale. Il s'agit donc de TAO fondée sur le
dialogue (DBMT, pour dialogue-based machine translation) et de préédition
indirecte, mais c'est bien la machine qui traduit. Une première maquette,
LIDIA-1, partant du français et allant vers l'allemand, le russe et l'anglais, a
été spécifiée et réalisée au cours des trois dernières années.
Le GETA participe aussi au projet de l'Universal Networking Language (UNL) sous
l'égide de l'Université des Nations Unies (UNU). Voici la présentation du projet
préparée en septembre 1998 par Christian Boitet, directeur du GETA:
"Il s'agit non de TAO habituelle, mais de communication et recherche
d'information multilingue. 14 groupes ont commencé le travail sur 12 langues
(plus 2 annexes) depuis début 97. L'idée est:
- développer un standard, dit UNL, qui serait le HTML du contenu linguistique.
- pour chaque langue, développer un générateur (dit 'déconvertisseur')
accessible sur un ou plusieurs serveurs, et un 'enconvertisseur'.
L'UNU (Université des Nations Unies, Tokyo) finance 50% du coût. D'après notre
évaluation sur la première année, c'est plutôt 30 à 35%, car le travail
(linguistique et informatique) est énorme, et le projet passionnant: les
permanents des laboratoires s'y investissent plus que prévu. [...]
La déconversion tourne pour le japonais, le chinois, l'anglais, le portugais,
l'indonésien, et commence à tourner pour le français, l'allemand, le russe,
l'italien, l'espagnol, l'hindi, l'arabe, et le mongol.
Chaque langue a une base lexicale de 30.000 à 120.000 liens UW [universal
word]--lexème.
L'enconversion n'est pas (si on veut de la qualité pour du tout venant) une
analyse classique. C'est une méthode de fabrication de graphes UNL qui suppose
une bonne part d'interaction, avec plusieurs possibilités :
- analyse classique multiple suivie d'une désambiguïsation interactive en langue
source,
- entrée sous langage contrôlé,
- encore plus séduisant (et encore pas clair, au niveau recherche pour
l'instant), entrée directe via une interface graphique reliée à la base lexicale
et à la base de connaissances.
Applications possibles :
- courriel multilingue
- informations multilingues
- dictionnaires actifs pour la lecture de langues étrangères sur le Web
- et bien sûr TA [traduction automatique] de mauvaise qualité (ce qu'on trouve
actuellement, mais pour tous les couples à cause de l'architecture à pivot) pour
le surf web et la veille.
On travaille actuellement sur les informations sportives sur le Web, surtout sur
le foot. On construit une base de documents, où chaque fichier est structuré (à
la HTML) et contient, pour chaque énoncé, l'énoncé original, sa structure UNL,
et autant de traductions qu'on en a obtenu. Un tel document peut être recherché
dans une base en traduisant la question en UNL, puis affiché (le UNL viewer
existe depuis un an) dans autant de fenêtres d'un brauser Web que de langues
sélectionnées.
Perspectives:
Le projet a un problème de volume: grande surface, pas assez d'épaisseur. Il
faudrait 3 à 5 fois plus de monde partout pour que ça avance assez vite (pour
que Microsoft et d'autres ne finissent pas par tout reprendre et revendre, alors
qu'on vise une utilisation ouverte, du type de ce qu'on fait avec les serveurs
et clients Web). Les subventions des sociétés japonaises à l'UNU pour ce projet
(et d'autres) se tarissent à cause de la crise japonaise. Le groupe central est
beaucoup trop petit (4 personnes qui font le logiciel, le japonais, l'anglais,
l'administration, c'est peu même avec de la sous-traitance).
De plus, le plan général est d'ouvrir aux autres langues de l'ONU en 2000. Il
faudrait arriver à un état satisfaisant pour les 13 autres avant.
Du point de vue politique et culturel, ce projet est très important, en ce qu'il
montre pour la première fois une voie possible pour construire divers outils
soutenant l'usage de toutes les langues sur Internet, qu'elles soient
majoritaires ou minoritaires. En particulier, ce devrait être un projet majeur
pour la francophonie.
Dans l'état actuel des choses, je pense que l'élan initial a été donné, mais que
la première phase (d'ici 2000) risque de retomber comme un soufflé si on ne
consolide pas très vite le projet, dans chaque pays participant.
Et donc:
L'UNU cherche comment monter un soutien puissant à la mesure de cette ambition.
Je pense que, pour la francophonie par exemple, il faudrait un groupe d'une
dizaine de personnes ne se consacrant qu'à ce projet pendant au moins 10 ans,
plus des stagiaires et des collaborateurs sur le réseau, bénévoles ou intéressés
par la mise à disposition gratuite de ressources et d'outils."
Voici quelques groupes de recherche anglophones.
Créé à la fin des années 80, le CL/MT Research Group (Computational Linguistics
(CL) and Machine Translation (MT) Group - Groupe de linguistique
computationnelle et de traduction automatique) est un groupe de recherche du
Département des langues et de linguistique de l'Université d'Essex
(Royaume-Uni).
Fondé en 1986, le Center for Machine Translation (CMT) (Centre pour la
traduction automatique) est un centre de recherche inclus dans le nouvel
Institut des technologies des langues de l'Université Carnegie Mellon
(Pittsburgh, Pennsylvanie, USA). Il est spécialisé dans les technologies de
traitement de la langue naturelle, particulièrement la traduction automatique
multilingue de haute qualité.
Le Computing Research Laboratory (CRL) (Laboratoire de recherche informatique) à
la New Mexico State University (NMSU) (Université d'Etat du Nouveau Mexique -
Etats-Unis) est un centre de recherche à but non lucratif qui se consacre à la
recherche de base et au développement de logiciels dans les applications
informatiques avancées du traitement de la langue naturelle, de l'intelligence
artificielle et de la conception d'interfaces graphiques pour les utilisateurs.
Les applications développées à partir de cette recherche de base incluent un
ensemble de configurations de traduction automatique, extraction d'information,
acquisition du savoir, enseignement intelligent, et systèmes de traduction pour
poste de travail.
Géré par le Département de linguistique du Groupe de recherche sur la traduction
de l'Université Brigham Young (Utah, USA), TTT.org (Translation, Theory and
Technology) (Traduction, théorie et technologie) procure des informations sur la
théorie et la technologie de la langue, particulièrement dans le domaine de la
traduction. La technologie de la traduction inclut les outils de traduction pour
poste de travail et la traduction automatique.
TTT.org s'intéresse aussi aux normes d'échanges de données permettant à divers
outils de fonctionner en lien les uns avec les autres, ce qui permet
l'intégration d'outils de la part de vendeurs multiples dans la chaîne
multilingue de production de documents. Dans ce domaine, TTT.org est impliqué
dans le développement de MARTIF (machine-readable terminology interchange format
- format d'échange de terminologie lisible par la machine), un format permettant
de faciliter l'interaction de données terminologiques entre les systèmes de
gestion de terminologie. Ce format est le résultat de plusieurs années de
collaboration internationale intense entre les terminologues et les experts en
bases de données de plusieurs organisations, incluant les organismes
universitaires, la Text Encoding Initiative (TEI) (Initiative pour le codage du
texte) et la Localisation Industry Standards Association (LISA) (Association
pour les normes de l'industrie de la localisation).
Le Natural Language Group (NLG) (Groupe de langue naturelle) de l'USC/ISI
(University of Southern California/Information Sciences Institute - Université
de la Californie du Sud/Institut des sciences de l'information) traite de
plusieurs aspects du traitement de la langue naturelle: traduction automatique,
résumé automatique de texte, accès multilingue aux verbes et gestion du texte,
développement de taxonomies de concepts (ontologies), discours et génération de
texte, élaboration de grands lexiques pour plusieurs langues, et communication
multimédias.
Eduard Hovy, directeur du Natural Language Group, expliquait dans son courrier
électronique du 27 août 1998:
"Le plan de votre étude me paraît très intéressant. Je me demande cependant où
vous présentez les applications et fonctionnalités n'ayant pas trait à la
traduction, comme la recherche documentaire et le résumé automatique de texte.
On ne peut rien trouver sur le Web sans recherche documentaire, et tous les
engins de recherche (AltaVista, Yahoo!, etc.) sont basés sur cette technologie.
De même, bien que ceci soit plus récent, il y a des chances pour que beaucoup de
gens utilisent bientôt des fonctions de résumé automatique pour condenser ou
extraire le contenu principal d'un document long ou d'un ensemble de documents.
[...]
Dans ce contexte, le multilinguisme sur le Web est un autre facteur de
complexité. Les gens écrivent dans leur propre langue pour diverses raisons:
commodité, discrétion, communication locale, mais ceci ne signifie pas que
d'autres personnes ne soient pas intéressées de lire ce qu'ils ont à dire! Ceci
est particulièrement vrai pour les sociétés impliquées dans la veille
technologique (disons, une société informatique qui souhaite connaître tous les
articles de journaux et périodiques japonais relatifs à son activité) et des
services de renseignements gouvernementaux (ceux qui procurent l'information la
plus récente qui sera ensuite utilisée par les fonctionnaires pour décider de la
politique, etc.). Un des principaux problèmes auquel ces services doivent faire
face est la très grande quantité d'informations. Ils recrutent donc du personnel
bilingue 'passif' qui peut scanner rapidement les textes afin de supprimer ce
qui est sans intérêt avant de donner les documents significatifs à des
traducteurs professionnels. Manifestement, une combinaison de résumé automatique
de texte et de traduction automatique sera très utile dans ce cas; comme la
traduction automatique est longue, on peut d'abord résumer le texte dans la
langue étrangère, puis faire une traduction automatique rapide à partir du
résultat obtenu, laissant à un être humain ou un classificateur de texte (type
recherche documentaire) le soin de décider si on doit garder l'article ou le
rejeter.
Pour ces raisons, durant ces cinq dernières années, le gouvernement des
Etats-Unis a financé des recherches en traduction automatique, en résumé
automatique de texte et en recherche documentaire, et il s'intéresse au
lancement d'un nouveau programme de recherche en informatique documentaire
multilingue. On sera ainsi capable d'ouvrir un navigateur tel que Netscape ou
Explorer, entrer une demande en anglais, et obtenir la liste des textes dans
toutes les langues. Ces textes seront regroupés par sous-catégorie avec un
résumé pour chacun et une traduction pour les résumés étrangers, toutes choses
qui seraient très utiles.
En consultant le MuST Multilingual Information Retrieval, Summarization, and
Translation System (Système MuST de recherche documentaire, résumé et traduction
multilingues), vous aurez une démonstration de notre version de ce programme de
recherche, qui utilise l'anglais comme langue de l'utilisateur sur un ensemble
d'environ 5.000 textes en anglais, japonais, arabe, espagnol et indonésien.
Entrez votre demande (par exemple, 'baby', ou ce que vous voulez) et appuyez sur
la touche 'Retour'. Dans la fenêtre du milieu vous verrez les titres (ou bien
les mots-clés, traduits). Sur la gauche vous verrez la langue de ces documents:
'Sp' pour espagnol, 'Id' pour indonésien, etc. Cliquez sur le numéro situé sur
la partie gauche de chaque ligne pour voir le document dans la fenêtre du bas.
Cliquez sur 'Summarize' pour obtenir le résumé. Cliquez sur 'Translate' pour
obtenir la traduction (attention, les traductions en arabe et en japonais sont
extrêmement lentes! Essayez plutôt l'indonésien pour une traduction rapide mot à
mot).
Ce programme de démonstration n'est pas (encore) un produit. Nous avons de
nombreuses recherches à mener pour améliorer la qualité de chaque étape. Mais
ceci montre la direction dans laquelle nous allons."
5.2. Linguistique computationnelle
Le Laboratoire de recherche appliquée en linguistique informatique (RALI)
(Montréal, Québec) réunit des informaticiens et des linguistes d'expérience dans
le traitement automatique de la langue tant par des méthodes symboliques
"classiques" que par de nouvelles méthodes probabilistes.
Un rapide historique du RALI est donné sur le site web: grâce au laboratoire
Incognito fondé en 1983, le département d'informatique et de recherche
opérationnelle (DIRO) de l'Université de Montréal avait acquis une stature de
premier plan en matière de recherche en traitement automatique de la langue
naturelle. En juin 1997, le DIRO a obtenu du ministère de l'Industrie du
gouvernement canadien l'impartition du programme de recherche en traduction
assistée par ordinateur (TAO) poursuivi depuis 1984 par le Centre d'innovation
en technologie de l'information (CITI). C'est dans ce cadre qu'a été mis sur
pied le RALI qui permet de mettre en valeur les résultats de ces recherches.
Les domaines de compétence du RALI sont les suivants: outils d'aide à la
traduction, appariement automatique de textes, génération automatique de texte,
réaccentuation automatique, recherche d'information aidée par des outils
linguistiques, extraction d'information, identification de la langue et du
codage, et transducteurs à états finis.
Dans le cadre du Projet TransX, le RALI élabore une nouvelle génération d'outils
d'aide aux traducteurs (TransType, TransTalk, TransCheck et TransSearch). Ces
outils sont tous fondés sur des modèles de traduction probabilistes qui
calculent automatiquement les correspondances entre le texte produit par le
traducteur et le texte en langue de départ.
"TransType accélère la saisie de la traduction en anticipant les choix du
traducteur et, au besoin, en les critiquant. L'outil propose ses choix en tenant
compte à la fois du texte en langue de départ et de la traduction partielle déjà
produite par le traducteur.
TransTalk effectue la transcription automatique d'une traduction dictée. Cet
outil se sert d'un modèle de traduction probabiliste pour améliorer la
performance du module de reconnaissance vocale.
TransCheck détecte automatiquement certaines erreurs de traduction en vérifiant
que les correspondances entre les segments d'une ébauche de traduction et les
segments du texte en langue de départ respectent les propriétés souhaitées d'une
bonne traduction.
TransSearch permet au traducteur d'effectuer des recherches dans des bases de
données de traductions pré-existantes pour y retrouver des solutions toutes
faites à ses problèmes de traduction. Les bases de données requises nécessitent
un appariement entre la traduction et le texte en langue de départ."
Financés par le société XEROX, les projets du Xerox Palo Alto Research Center
(PARC) incluent deux projets relatifs aux langues: Inter-Language Unification
(ILU) et Natural Language Theory and Technology (NLTT).
L'Inter-Language Unification (ILU) System (Système d'unification inter-langues)
est un système d'interface-objet multi-langues. Les interfaces-objet fournis par
l'ILU dissimulent les différences d'implémentation entre les différentes
langues, les différents espaces d'adresse et les types de systèmes
d'exploitation. ILU peut être utilisé pour construire des bibliothèques
multilingues orientées vers l'objet ("bibliothèques de catégorie") avec des
interfaces bien spécifiés indépendants des langues. Il peut être utilisé aussi
pour réaliser des systèmes distribués, ou pour définir et établir les documents
des interfaces entre les modules de programmes non distribués.
Le but de la Natural Language Theory and Technology (NLTT) (Théorie et
technologie de la langue naturelle) est de développer des théories sur la façon
dont l'information est codée dans la langue naturelle et dans la technologie
pour organiser l'information vers et à partir des représentations en langue
naturelle. Le but est le maniement efficace et intelligent du texte en langue
naturelle dans les phases critiques du traitement du document, comme
l'identification, le résumé, l'indexation, l'extraction et la présentation des
faits, le stockage et la recherche des documents ainsi que la traduction, et
permettra également plus de puissance et de commodité dans la communication en
langue naturelle avec les machines.
Basé à Cambridge (Royaume-Uni) et Grenoble (France), le Xerox Research Centre
Europe (XRCE) est lui aussi un laboratoire de recherche de la société XEROX. Les
travaux menés ont pour but d'améliorer la productivité sur le lieu de travail,
grâce à la mise en oeuvre de nouvelles technologies centrées sur le document.
Un des projets du XRCE est Théories et technologies multilingues (MLTT), qui
étudie l'analyse et la génération de textes pour une grande variété de langues
(allemand, anglais, arabe, espagnol, français, italien, russe, etc.). L'équipe
du MLTT crée des outils de base pour l'analyse linguistique multilingue, tels
que analyseurs morphologiques, étiqueteurs morpho-syntaxiques, plate-formes pour
le parsage et la génération, ou encore outils d'analyse de corpus. Ces outils
sont utilisés pour décrire diverses langues ainsi que les relations d'une langue
à l'autre. Les projets en cours incluent des analyses syntaxiques à états finis
pour le français et l'allemand, une grammaire LFG (lexical functional grammar -
grammaire fonctionnelle lexicale) du français ainsi que des projets en recherche
documentaire multilingue, en génération et en traduction.
Créée en 1979, l'American Association for Artificial Intelligence (AAAI)
(Association américaine pour l'intelligence artificielle) est une société
scientifique à but non lucratif visant une meilleure compréhension scientifique
des mécanismes sous-jacents de la pensée et du comportement intelligent et de
leur incorporation dans les machines. L'AAAI a également pour but de favoriser
la compréhension de l'intelligence artificielle par le grand public, d'améliorer
l'enseignement et la formation des praticiens en intelligence artificielle, et
de procurer des conseils aux planificateurs de recherches et financeurs sur
l'importance des développements en cours sur l'intelligence artificielle, les
possibilités qui en découlent et les orientations futures.
Rattaché à l'Université de Genève (Suisse), l'Institut Dalle Molle pour les
études sémantiques et cognitives (ISSCO) mène des recherches théoriques et
appliquées en linguistique computationnelle et en intelligence artificielle.
Créé par la Fondation Dalle Molle en 1972 pour mener des recherches en cognition
et en sémantique, l'Institut en est venu à se spécialiser dans le traitement de
la langue naturelle et, en particulier, dans le traitement multilingue des
langues dans un certain nombre de domaines: traduction automatique,
environnement linguistique, génération multilingue, traitement du discours,
collection de données, etc. Si l'université de Genève procure un soutien
administratif et une infrastructure à l'ISSCO, la recherche est uniquement
financée par des subventions et des contrats avec des organismes publics et
privés.
L'Institut est multidisciplinaire et multinational, avec un petit groupe de
permanents complété par un certain nombre de personnes sous contrat
(spécialisées en informatique, linguistique, mathématiques, psychologie et
philosophie) restant de six mois à deux ans, ce qui permet une grande
flexibilité et un échange continuel d'idées.
L'International Committee on Computational Linguistics (ICCL) (Comité
international de linguistique computationnelle) organise l'International
Conference on Computational Linguistics (COLING) (Conférence internationale de
linguistique computationnelle). L'ICCL a été mis sur pied dans les années 60 par
David Hays en tant qu'organisme permanent
"pour organiser des conférences internationales en linguistique computationnelle
d'une manière originale, sans secrétariat permanent, inscriptions ou financement
propre. Pour ces raisons et d'autres, cette démarche était en avance sur son
temps. Les COLINGs ont toujours été des lieux de rendez-vous caractérisés par
une atmosphère agréable, plutôt que des rassemblements à l'efficacité clinique
se déroulant dans un hôtel d'aéroport. [...] Ces dernières années, l'ACL
[Association for Computational Linguistics - Association de linguistique
computationnelle] a beaucoup contribué à la réalisation des compte-rendus de
conférences et à leur diffusion."
5.3. Ingénierie du langage
Lancé en janvier 1999 par la Commission européenne, le site HLTCentral (HLT:
Human Languages Technologies - Technologies des langues humaines) propose une
courte définition de l'ingénierie du langage: