Comment fonctionne réellement la traduction automatique

Pourquoi s’intéresser au mécanisme

On peut conduire sans connaître le moteur. On ne peut pas décider ce qu’on automatise sans savoir où un système se trompe — et cela se déduit directement de la manière dont il fonctionne.

Trois générations de technologies se sont succédé. Chacune produisait un type d’erreur caractéristique. La troisième, celle d’aujourd’hui, produit le type d’erreur le plus difficile à détecter, et c’est ce qui change tout pour l’organisation du travail.

Première génération : les règles

Jusqu’aux années 1990, un système de traduction était un ensemble de règles écrites par des linguistes : dictionnaires bilingues, règles d’analyse grammaticale, règles de transformation d’une structure vers l’autre.

Comment ça échouait. De manière spectaculaire et visible. Les phrases produites étaient souvent agrammaticales, les idiomes traduits littéralement, les ambiguïtés résolues au hasard. Personne ne pouvait prendre une sortie de ce type pour une traduction humaine.

Ce que ça avait de bon. Le comportement était explicable. Une erreur renvoyait à une règle identifiable, qu’on pouvait corriger.

Deuxième génération : le statistique

Dans les années 2000, l’approche change : plutôt que d’écrire des règles, on fait apprendre au système des correspondances à partir de grands corpus de textes déjà traduits. Le système découpe, aligne, compte les fréquences, et assemble la traduction la plus probable à partir de morceaux observés ailleurs.

Comment ça échouait. Par morceaux. Chaque fragment était plausible, l’assemblage ne l’était pas toujours. Les phrases restaient souvent bancales, avec des ruptures de construction au milieu.

Ce que ça avait de bon. La maladresse était un signal. Un relecteur voyait immédiatement où le système avait hésité.

Troisième génération : le neuronal

Depuis 2016 environ, le principe change à nouveau. Le système encode la phrase source dans une représentation numérique continue — une suite de nombres qui capture, imparfaitement mais utilement, ce dont il est question — puis génère la phrase cible mot après mot, chaque mot étant choisi en fonction de cette représentation et de ce qui a déjà été produit.

Deux évolutions importantes se sont ajoutées depuis. La prise en compte de contextes beaucoup plus longs : un système moderne peut tenir compte d’un document entier plutôt que d’une phrase isolée, ce qui résout des ambiguïtés autrefois insolubles. Et l’arrivée des modèles de langue généralistes, entraînés à prédire du texte plutôt qu’à traduire, qui traduisent parmi des milliers d’autres tâches.

Comment ça échoue. C’est le point décisif. Le système ne cherche pas la traduction juste : il cherche la suite la plus probable. La plupart du temps, ces deux objectifs coïncident. Quand ils divergent — passage difficile, source ambiguë, formulation elliptique — le système suit la vraisemblance.

Cela produit trois types d’erreurs caractéristiques :

L’hallucination. Une précision, une date, une nuance apparaissent dans la traduction sans exister dans l’original, parce qu’elles rendaient la phrase plus plausible.

L’omission. Un passage difficile disparaît. Contourner est parfois la continuation la plus probable, et rien dans le texte cible ne signale le trou.

Le glissement. Un degré de certitude se déplace — « peut entraîner » devient « entraîne » — ou un registre change insensiblement.

Ces trois erreurs ont une propriété commune : elles ne se voient pas. Le texte produit est fluide, cohérent, convaincant. Là où les générations précédentes signalaient leur difficulté par une maladresse, celle-ci la masque par une élégance.

La conséquence pratique

Elle est directe et dicte l’organisation du contrôle.

Relire une traduction machine moderne comme on relisait les précédentes — en cherchant les maladresses — c’est chercher les erreurs là où elles ne sont plus. La fluidité a cessé d’être un indicateur de fiabilité ; elle est même devenue un facteur de risque, puisqu’elle inspire une confiance que rien ne justifie.

Le contrôle doit donc être comparatif, jamais monolingue. Concrètement, quatre vérifications attrapent l’essentiel de ce qui coûte cher, et toutes se prêtent à l’automatisation :

• Tous les nombres, dates, montants et unités de la source figurent-ils dans la cible ?
• Les noms propres, références produit et numéros de version sont-ils intacts ?
• Le rapport de longueur source/cible est-il plausible ? Un écart anormal signale une omission ou un ajout, sans qu’il faille lire le texte.
• Les négations ont-elles survécu ?

Ces contrôles ne jugent pas la qualité linguistique. Ils attrapent les erreurs qui engagent — ce qui est une autre tâche, complémentaire de la relecture humaine et bien moins coûteuse.

Ce qu’aucune génération n’a résolu

Aucun de ces systèmes ne comprend le texte. Ils modélisent des régularités, avec une finesse qui produit souvent un résultat indiscernable de la compréhension.

Cette distinction n’est pas philosophique. Elle explique pourquoi un système peut traduire impeccablement dix paragraphes techniques puis inventer une précision au onzième, sans que rien ne marque le basculement. Il n’y a pas eu de basculement : le système a fait exactement la même chose dans les deux cas — produire la suite la plus probable. Simplement, au onzième paragraphe, la suite la plus probable n’était pas la traduction juste.

C’est cette propriété, et non un défaut de puissance, qui justifie qu’un humain reste dans la boucle partout où une erreur non détectée aurait une conséquence.