Gains :
- Capacité à distinguer les forces et les faiblesses de la traduction basée sur NMT et LLM et à choisir le bon moteur en fonction du type d'entreprise
- Possibilité de pré-classifier l'adéquation d'un texte à la machine et de le pré-évaluer pour un délai et un prix réalistes
- Capacité à mesurer rapidement la qualité de la production brute de la machine en cinq dimensions et à signaler les risques sans confondre douceur et précision
L’accélérateur le plus puissant dont vous disposez en tant que traducteur est la traduction automatique (TA), mais utiliser un outil consciemment signifie l’appliquer au bon travail, dans la bonne paire de langues et avec les bonnes attentes. Dans cette unité, vous apprendrez à connaître les deux grandes familles de MT (traduction basée sur NMT et LLM), à savoir laquelle est la meilleure pour quel travail, comment mesurer rapidement la qualité brute du résultat d'une traduction avant sa livraison et comment choisir le moteur en fonction du travail. L'objectif est de s'éloigner de l'idée du « quand même, coller-traduire » et de devenir un expert capable de prévoir quel texte convient à la machine et lequel nécessite un travail à forte intensité humaine.
Deux familles : traduction basée sur NMT et LLM
NMT (Neural Machine Translation) sont des systèmes qui ont appris de millions de phrases bilingues et traduisent la phrase dans son ensemble ; Google Translate, DeepL, Microsoft Translator en sont des exemples. Points forts : très rapide, cohérent, maîtrise des phrases courtes. Faiblesse : ne voit souvent pas le contexte au-delà des limites de la phrase (c'est-à-dire du texte dans son ensemble) ; Il peut être difficile de décider si le mot « banque » signifie banque ou rive de rivière en examinant le paragraphe et il ne correspond pas à la liste de termes fournie.
La traduction basée sur LLM (Large Language Model) consiste à utiliser des modèles basés sur des instructions tels que ChatGPT, Claude, Gemini pour la traduction. Force : accepte les instructions – comprend les instructions telles que « utiliser un ton formel », « suivre cette liste de termes », « le public cible est constitué d'enfants » ; voit le contexte plus large ; capture mieux l’idiome et le ton. Faiblesse : peut parfois être « trop créatif » et alourdir le source (risque d'hallucinations), perdre en cohérence dans les textes longs, et coût/rapidité varie selon le travail.
Règle générale : dans les textes techniques simples, répétitifs, la NMT est généralement rapide et adéquate ; LLM est plus flexible avec des textes qui nécessitent une discipline dans le ton, le contexte, le vocabulaire et l'instruction. Aujourd'hui, la plupart des professionnels utilisent les deux ensemble : brouillon rapide de NMT, correction de ton/terme de LLM.
Astuce : La qualité machine d'une paire de langues (par exemple turc → anglais) peut différer de la direction opposée (anglais → turc). Les langues à syntaxe agglutinante et flexible, comme le turc, sont généralement plus difficiles pour la MT. Jugez par vous-même quel moteur est le meilleur dans votre propre paire avec quelques exemples de textes.
Compatibilité machine du texte : posez cette question en premier
Tous les textes ne sont pas également adaptés à la machine. Avant de commencer la traduction, faites passer le texte à travers un filtre « convenance » :
- Bien adapté à la machine : manuel technique, description du produit, texte d'interface répétitif, correspondance standard, tableau/liste. Le langage est simple, la terminologie est figée, la créativité est rare.
- Support adapté : actualités, contenu d'entreprise, matériel pédagogique. La machine produit de bons contours mais nécessite une post-édition sérieuse pour le ton et la fluidité.
- Ne convient pas aux machines (risque élevé) : contrat juridique, texte médical, publicité/slogan, texte littéraire, humour, poésie. Ici la machine ne donne que des idées ; Le travail incombe en grande partie aux gens.
Si vous faites cette distinction dès le début, vous donnerez au client le bon délai/prix et vous éviterez de faire aveuglément confiance au résultat brut.
Mesurez rapidement la qualité du résultat brut
Lorsque vous voyez une sortie MT, vous vous demandez « est-ce bon ou mauvais ? » Répondez à la question avec une liste de contrôle rapide, pas par intuition. Regardez ces cinq dimensions : précision (le sens est-il fidèle à la source ?), exhaustivité (la phrase est-elle omise ou ajoutée ?), terminologie (est-elle correcte et cohérente ?), fluidité (est-elle naturelle dans la langue cible ?), format (les balises, les nombres, le formatage sont-ils conservés ?). Nous approfondirons ces dimensions dans la prochaine unité qualité ; Pour l’instant, que ce soit votre réflexe avant l’accouchement.
Attention : Les erreurs les plus dangereuses de la sortie MT sont celles « fluides mais incorrectes ». La phrase est peut-être en turc parfait, mais la « remise de 15 % » dans la source a peut-être été remplacée par « 50 % de réduction ». Ne vous laissez pas décourager par la maîtrise ; Regardez toujours le nombre, le négatif et le nom propre séparément.
trois mini-cases
Cas 1 — Le moteur droit a réduit le temps de moitié. Un traducteur a choisi de traduire une interface logicielle de 12 000 mots avec NMT et un livret marketing du même volume avec LLM. La cohérence de NMT au niveau de l'interface a rendu le travail plus rapide ; La flexibilité tonale de LLM dans le livret a réduit la charge de réécriture de 40 %. Donner les deux tâches au même moteur serait une perte de temps.
Cas 2 — La pré-évaluation a permis d'économiser le prix. Un bureau était sur le point de proposer un texte juridique car "cela peut être fabriqué par des machines, ce sera bon marché". Lors de la pré-évaluation, un échantillon de 500 mots a été traduit ; La machine a renvoyé deux termes juridiques avec l'équivalent du mauvais système. Le bureau a évalué le travail comme une « post-édition lourde » et a donné un délai réaliste ; Il a évité de perdre de l’argent à cause d’une mauvaise offre.
Cas 3 — Différence de paire de langues. Une équipe a pensé qu'un moteur qui fonctionnait très bien en anglais→allemand était de la même qualité en turc→arabe. Le test de 300 mots a montré que la version arabe nécessitait beaucoup plus de corrections. L'équipe a alloué différents moteurs et différents budgets de post-édition en fonction de la paire de langues.
Quatre modèles copiables
1) Évaluation de l’adéquation du texte :
Votre rôle : spécialiste senior MTPE. Évaluez le texte suivant pour déterminer s'il est adapté à la traduction automatique : littéral/technique ou créatif/contextuel ? Classez-le comme (1) très convivial, (2) moyen, (3) risque élevé et rédigez votre justification. Estimez la charge de post-édition attendue comme étant légère/moyenne/lourde. Exemple de texte : [coller 200 à 300 mots]
2) Traduction LLM enseignée (avec terminologie et contrôle de tonalité) :
Traduisez ce texte [source] → [cible]. Public : [qui]. Tonalité : [par ex. officiel]. Champ : [par ex. finance].Liste de termes (veiller à utiliser) : [A→a, B→b].Règles : ne pas ajouter ce qui n'est pas dans la source, conserver les chiffres/dates/noms, remplacer chaque phrase par une phrase. Marquez là où vous n'êtes pas sûr avec [?]. Texte : [...]
3) Comparaison de deux moteurs :
Vous trouverez ci-dessous deux traductions différentes de la même phrase source (A et B). Comparez chacun en termes d'exactitude, de terminologie et de naturel, et dites-moi lequel nécessitera le moins de correction, avec la justification. Source : [...] | Traduction A: [...] | Traduction B : [...]
4) Inspection rapide de la sortie brute :
Vous trouverez ci-dessous la source et la traduction automatique. Marquez simplement les éléments suivants : (1) informations omises/ajoutées, (2) numéro/date/nom incorrect, (3) erreur de négation, (4) terme incohérent. N'écrivez aucune correction, énumérez simplement les zones à risque.Source : [...] | Traduction : [...]
Invite faible/Invite forte
Faible : « Traduisez ce texte et ce sera bien. » (Pour le moteur, « bon » n'est pas défini ; pas de tonalité, pas de terme, pas de masse.)
Güçlü : "Traduisez cette description de produit de l'anglais vers le turc. Domaine : e-commerce. Public : jeune consommateur. Ton : amical mais rassurant. 'checkout' → 'checkout step', 'wishlist' → 'wish list'. Changez les numéros et le nom de la marque. Turc courant sans aucune odeur de traduction. "
Différence : une invite forte donne au moteur un objectif mesurable ; le résultat se rapproche directement du brouillon post-édité.
Tableau comparatif NMT vs LLM
Taille
NMT (Google, DeepL)
LLM (ChatGPT, Claude)
vitesse
très vite
moyen
Recevoir des instructions/tonalités
faible
fort
Respecter la liste de termes
limité
Bien (avec invite)
Contexte général
faible
bien
Risque d'hallucinations
faible
Moyen (contrôle requis)
emploi le plus approprié
Direct/technique/répétitif
Ton/contexte/créatif
Erreurs courantes
- Utiliser le même moteur pour chaque tâche. Ne pas choisir un moteur en fonction du type de travail entraîne une perte de temps et de qualité.
- Donner le prix/délai sans pré-évaluation. Un test de 200 à 300 mots révèle les surprises du début.
- Confondre aisance et précision. Une belle phrase ne veut pas dire une phrase correcte.
- Ignorer la paire de langues et la différence de direction. Un bon moteur dans une paire peut être faible dans une autre.
- Ne pas remarquer les ajouts de LLM. LLM ajoute parfois des phrases qui ne figurent pas dans la source « pour aider » ; regarde ça.
Fenêtre de contexte et cohérence
Lors de la traduction d'un texte long avec LLM, il est nécessaire de connaître une limite technique : la fenêtre contextuelle — la quantité de texte que le modèle peut « voir » et retenir à la fois. Si le texte est plus grand que cette fenêtre, vous devrez le diviser en morceaux, et le modèle peut « oublier » dans le morceau suivant le terme décision ou le ton que vous avez pris dans les morceaux précédents. Ainsi, au lieu de traduire un long livre ou document en un seul morceau, rappeler à chaque morceau la base terminologique et le résumé de style permet de maintenir la cohérence. Ce problème ne se produit pas dans les textes courts ; Cependant, dans les ouvrages longs tels que les romans et les manuels, il est nécessaire de vérifier en outre la cohérence des passages. Solution pratique : préparer une « mémoire de projet » (termes + caractères + décisions de ton) et l'ajouter au début de chaque morceau et scanner la cohérence entre les morceaux à la fin de la traduction. Dans NMT, ce problème est vécu d'une manière différente : puisque NMT traduit phrase par phrase, la cohérence de la longueur des paragraphes est déjà faible, donc la base terminologique entreprend la discipline des termes.
En résumé
Il existe deux familles de traduction automatique : la NMT, qui est rapide et cohérente, et la LLM, qui prend en compte les instructions et voit mieux le contexte et le ton. Le maître traducteur évalue à l'avance l'adéquation du texte à la machine, sélectionne le moteur en fonction du travail à accomplir, mesure rapidement la qualité du texte brut avant la livraison et ne confond jamais fluidité et précision. Ce réflexe de pré-évaluation permet à la fois de donner un délai/prix réaliste et de se protéger d'une confiance aveugle.
Tâche de candidature
Traduisez le même texte de 200 mots avec à la fois un outil NMT et un LLM. Comparez les deux résultats sur cinq dimensions (exactitude, exhaustivité, terminologie, fluidité, format) et écrivez les raisons pour lesquelles on nécessite moins de post-édition pour ce texte. Signalez ensuite les risques liés aux problèmes/contingences/termes sur les deux avec le modèle de « vérification rapide des résultats bruts ».
liste de contrôle
- [ ] J'ai classé l'adéquation du texte à la machine (risque faible/moyen/élevé).
- [ ] En fonction du type d'emploi, j'ai décidé d'utiliser NMT ou LLM.
- [ ] J'ai fait une évaluation préliminaire avec un petit échantillon et j'ai déterminé la durée/prix en conséquence.
- [ ] J'ai rapidement inspecté le résultat brut en cinq dimensions.
- [ ] J'ai vérifié le numéro, la date, le nom et les négatifs séparément sans me laisser tromper par la fluidité.