Dans la traduction augment\u00e9e par la m\u00e9moire de traduction (TM), ce n\u2019est pas l\u2019IA qui g\u00e9n\u00e8re le texte, mais la m\u00e9moire de traduction. Les correspondances compl\u00e8tes sont reprises telles quelles, les correspondances partielles sont transmises au fournisseur d\u2019IA comme consigne, et les entr\u00e9es de la base terminologique correspondant au segment sont ins\u00e9r\u00e9es dans le prompt de traduction. L\u2019IA ne fournit que ce qui manque dans le fonds existant. Pour les textes fortement r\u00e9p\u00e9titifs \u2013 bulletins, rapports, normes, catalogues \u2013, cela ne repr\u00e9sente souvent que quelques pour cent du texte. TTN fournit l\u2019ossature, l\u2019IA les mots de remplissage.<\/p>\n\n\n\n
Comment na\u00eet la pr\u00e9traduction<\/strong><\/p>\n\n\n\n Avant la pr\u00e9traduction, TTN TMS compare chaque segment avec les m\u00e9moires de traduction rattach\u00e9es au projet. Les correspondances \u00e0 99 % et \u00e0 100 % sont reprises telles quelles dans le texte cible\u00a0; elles ne sont jamais envoy\u00e9es \u00e0 un fournisseur d\u2019IA. Pour les correspondances entre 60 % et 98 %, l\u2019entr\u00e9e trouv\u00e9e dans la TM est jointe au prompt comme consigne, accompagn\u00e9e de l\u2019instruction de traduire le segment sur cette base. En parall\u00e8le, le syst\u00e8me recherche pour chaque segment les entr\u00e9es pertinentes de la base terminologique et les ins\u00e8re \u00e9galement dans le prompt \u2013 c\u2019est l\u2019injection terminologique. Pour le court bulletin d\u2019avalanches que le SLF de Davos publie chaque jour en hiver, cela repr\u00e9sente jusqu\u2019\u00e0 80 termes.<\/p>\n\n\n\n Toutes les traductions nouvellement g\u00e9n\u00e9r\u00e9es alimentent une deuxi\u00e8me m\u00e9moire de traduction, int\u00e9gr\u00e9e comme source secondaire. Le fonds entretenu par des traducteurs humains reste ainsi la source primaire, tandis que le r\u00e9sultat de la pr\u00e9traduction automatique est conserv\u00e9 s\u00e9par\u00e9ment tout en \u00e9tant r\u00e9utilis\u00e9.<\/p>\n\n\n\n Avec cette m\u00e9thode de travail, le pourcentage affich\u00e9 dans l\u2019\u00e9diteur Trados n\u2019a pas la m\u00eame signification que dans le processus classique sans pr\u00e9traduction. Une correspondance orange \u00e0 74 % ne signifie pas que 26 % du segment s\u2019\u00e9cartent du texte source, mais que 26 % du segment ont \u00e9t\u00e9 traduits ou adapt\u00e9s par l\u2019IA, tandis que 74 % proviennent tels quels de la m\u00e9moire de traduction.<\/p>\n\n\n\n L\u2019effet est imm\u00e9diatement mesurable\u00a0: l\u2019injection terminologique et les indications TM am\u00e9liorent consid\u00e9rablement la qualit\u00e9 de la pr\u00e9traduction. Il vaut donc la peine d\u2019int\u00e9grer le plus de termes possible dans la base terminologique \u2013 chaque entr\u00e9e fait gagner du temps lors de la commande suivante. S\u2019y ajoute un effet qui prend de l\u2019importance avec le temps\u00a0: les mod\u00e8les d\u2019IA sont de plus en plus entra\u00een\u00e9s sur leurs propres r\u00e9sultats, ce que l\u2019on appelle la cannibalisation de l\u2019IA ou le ph\u00e9nom\u00e8ne Habsbourg, et qui tend \u00e0 faire baisser la qualit\u00e9 de la traduction purement automatique. L\u2019injection terminologique et les indications TM brisent ce cercle, car le point de r\u00e9f\u00e9rence reste le fonds entretenu par des humains.<\/p>\n\n\n\n Autres arguments en faveur de la traduction augment\u00e9e par la TM<\/strong><\/p>\n\n\n\n 1. R\u00e9p\u00e9tabilit\u00e9.<\/strong> Une IA traduit le m\u00eame bulletin diff\u00e9remment \u00e0 chaque fois. L\u2019ex\u00e9cution d\u00e9pend notamment du temps de calcul disponible, qui r\u00e9sulte du nombre total de t\u00e2ches en attente divis\u00e9 par la capacit\u00e9 de calcul disponible. Apr\u00e8s une \u00e0 deux secondes, un d\u00e9lai d\u2019expiration (timeout) intervient et l\u2019\u00e9valuation des candidats est interrompue. Qui traduit pendant la Coupe du monde de football obtient une bonne traduction\u00a0; aux heures de pointe, une moins bonne. D\u00e8s le XVIIe si\u00e8cle, Ren\u00e9 Descartes \u00e9tablissait qu\u2019un ph\u00e9nom\u00e8ne n\u2019est scientifique que s\u2019il est r\u00e9p\u00e9table. Chez TTN, le texte est g\u00e9n\u00e9r\u00e9 en premier lieu \u00e0 partir de la TM entretenue par des traducteurs humains\u00a0; toutes les traductions nouvellement g\u00e9n\u00e9r\u00e9es alimentent une deuxi\u00e8me TM, int\u00e9gr\u00e9e comme source secondaire. Chez TTN, la m\u00eame entr\u00e9e produit \u00e0 100 % le m\u00eame r\u00e9sultat. Avec ChatGPT, il en sort toujours quelque chose de diff\u00e9rent.<\/p>\n\n\n\n 2. Tra\u00e7abilit\u00e9.<\/strong> Apr\u00e8s un grand accident d\u2019avalanche, par exemple, une enqu\u00eate du minist\u00e8re public suit en r\u00e8gle g\u00e9n\u00e9rale\u00a0; les avertissements, les mesures de s\u00e9curit\u00e9 ainsi que leurs d\u00e9roulements et processus sont examin\u00e9s de pr\u00e8s \u00e0 la recherche de failles. De nombreux arr\u00eats du Tribunal f\u00e9d\u00e9ral accordent une importance centrale \u00e0 la tra\u00e7abilit\u00e9. Un mod\u00e8le comme Kimi K3, avec ses 2,8 billions de param\u00e8tres, est une bo\u00eete noire \u2013 l\u2019origine d\u2019une traduction ne peut pas \u00eatre prouv\u00e9e. Avec le mod\u00e8le TTN, le journal indique combien de correspondances \u00e0 99 % et \u00e0 100 %, combien d\u2019indications TM \u00e0 quel pourcentage et combien de termes inject\u00e9s ont \u00e9t\u00e9 int\u00e9gr\u00e9s. TTN fournit l\u2019ossature, l\u2019IA les mots de remplissage \u2013 qui, dans un bulletin hautement r\u00e9p\u00e9titif, ne repr\u00e9sentent que quelques pour cent.<\/p>\n\n\n\n 3. Corrigibilit\u00e9.<\/strong> Avec un mod\u00e8le comptant des billions de param\u00e8tres, personne ne sait exactement o\u00f9 intervenir lorsqu\u2019un texte n\u2019est pas satisfaisant et doit \u00eatre g\u00e9n\u00e9r\u00e9 diff\u00e9remment \u00e0 l\u2019avenir. Dans la traduction augment\u00e9e par la TM, toutes les donn\u00e9es se trouvent dans une base de donn\u00e9es Microsoft SQL. Une seule commande permet de modifier toutes les occurrences d\u2019un token de texte, de sorte que le nouveau terme ou la nouvelle correspondance approximative est d\u00e9sormais utilis\u00e9.<\/p>\n\n\n\n