Come “funziona” l’intelligenza artificiale (IA) nella traduzione letteraria

Quando Google Translate è stato lanciato per la prima volta nel 2006, poteva tradurre solo due lingue. Nel 2016 supportava oltre 103 lingue e traduceva oltre 100 miliardi di parole al giorno. Ora, non solo traduce, ma può anche trascrivere otto delle lingue più parlate in tempo reale.

Le macchine stanno imparando e stanno imparando velocemente.

Ci sono ancora alcuni codici linguistici che le macchine devono ancora decifrare. L’intelligenza artificiale continua a lottare con la vasta complessità del linguaggio umano e da nessuna parte il linguaggio è più complesso e significativo che in letteratura. La bellezza delle parole nei romanzi, nelle poesie e nelle opere teatrali risiede spesso nelle sfumature e nelle sottigliezze. Tuttavia, poiché le macchine traducono parola per parola con regole stabilite dai linguisti, i tradizionali sistemi di traduzione automatica non sono riusciti a catturare il significato dietro i testi letterari. Hanno faticato a comprendere l’importanza del contesto all’interno della frase, del paragrafo e della pagina in cui risiede la parola.

Tuttavia, esiste una nuova tecnologia che sta imparando a dare un senso a questo caos contestuale: la Neural Machine Translation (NMT, Traduzione Automatica Neurale). Sebbene sia ancora agli inizi, NMT ha già dimostrato che i suoi sistemi col tempo impareranno ad affrontare le complessità delle traduzioni letterarie.

NMT segna l’inizio di una nuova era dell’intelligenza artificiale.

Le macchine non giocano più secondo le regole scritte dai linguisti, ma stanno creando le proprie regole e hanno persino creato la propria lingua.

Neural Machine Translation (NMT, Traduzione Automatica Neurale)

Lanciato nel 2016, NMT è il software di traduzione automatica di maggior successo fino ad oggi. Non solo vanta un’impressionante riduzione del 60% degli errori di traduzione rispetto al suo predecessore, la traduzione automatica statistica (SMT), ma traduce anche molto più velocemente.

Questi progressi sono dovuti alla rete neurale artificiale del sistema. Si dice che sia basato sul modello dei neuroni nel cervello umano, la rete consente al sistema di effettuare importanti connessioni contestuali tra parole e frasi. Può effettuare queste connessioni perché è addestrato ad apprendere le regole della lingua, scansionando milioni di esempi di frasi dal suo database per identificare le caratteristiche comuni. La macchina utilizza quindi queste regole per creare modelli statistici, che la aiutano a imparare come dovrebbe essere costruita una frase.

Una lingua artificiale

Una caratteristica rivoluzionaria di NMT è l’utilizzo di un nuovo “linguaggio comune” composto da numeri.

Prendiamo la frase “To thine own self be true” (A te stesso sii fedele) dall’Amleto di Shakespeare. Innanzitutto, ogni parola della frase verrebbe codificata in numeri (chiamati vettori): 1, 2, 3, 4, 5, 6. Questa stringa di numeri entra quindi nella rete neurale. È qui, negli strati nascosti, che avviene la magia. Sulla base delle sue regole linguistiche apprese, il sistema trova le parole più appropriate, ad esempio in tedesco. Vengono prodotti i numeri 7, 8, 9, 10, 11, che corrispondono alle parole nella frase di destinazione tedesca. Questi numeri vengono poi decodificati nella lingua di destinazione: “Zu dir selber treu sein”.

In sostanza, il sistema traduce le parole nella propria lingua, quindi “pensa” al modo migliore per trasformarle in una frase comprensibile basata su ciò che già sa, proprio come il cervello umano.

Comprensione del contesto

NMT può tradurre con successo la letteratura perché inizia ad analizzare il contesto. Non si concentra solo sulla parola che desidera tradurre, ma esamina anche le parole che compaiono prima e dopo.

Proprio come un cervello che decifra informazioni, la rete neurale artificiale esamina le informazioni che le sono state fornite e genera la parola successiva, in base alle parole vicine. Nel tempo, “impara” su quali parole concentrarsi e dove creare le migliori connessioni contestuali basate su esempi precedenti. Questo processo è una forma di “deep learning” (apprendimento approfondito) e consente ai sistemi di traduzione di apprendere e migliorare continuamente con il passare del tempo. In NMT, la decifrazione del contesto è chiamata “allineamento” e avviene nel meccanismo dell’attenzione, che si trova tra il codificatore e il decodificatore nel sistema della macchina.

Certo, le macchine non sono perfette. Quando viene tradotta in italiano, la frase diventa “Sii fedele a te stesso”, non catturando del tutto il tono o il registro storico della scrittura di Shakespeare nell’Inghilterra dei Tudor. La traduzione letterale parola per parola sarebbe “Sei deinem eigenen Selbst treu”, ma in tedesco le parole di Shakespeare sono solitamente tradotte dagli esseri umani come “Sei dir selbst treu”.

La qualità delle traduzioni automatiche

Sebbene la traduzione automatica abbia fatto molta strada negli ultimi anni, non riesce ancora a soddisfare standard letterari accettabili.

I bot linguistici I.A. potranno presto sostituire le società di traduzioni?

NMT continua a lottare con parole rare, nomi propri e linguaggio altamente tecnico nella traduzione letteraria, con solo il 25-30% della produzione considerata di qualità letteraria accettabile. Uno studio sulla traduzione di romanzi dal tedesco all’inglese ha scoperto che mentre c’erano pochi errori sintattici, il significato delle parole ambigue continuava a perdersi nella traduzione. Nonostante questi errori, tuttavia, i ricercatori hanno scoperto che la qualità del testo dopo la traduzione automatica era sufficientemente elevata da rendere comprensibile la storia e persino piacevole da leggere. Un altro studio sulla traduzione di romanzi dall’inglese al catalano ha prodotto risultati altrettanto impressionanti.

Tuttavia, il sistema della macchina non funziona allo stesso modo con tutte le combinazioni linguistiche. Lotta particolarmente con le lingue morfologicamente ricche dove c’è molta inflessione, come le lingue slave. Ciò è particolarmente evidente quando si traduce da una lingua meno complessa a una più complessa, il che significa che NMT non può ancora essere utilizzato come strumento di traduzione globale.

Una collaborazione essenziale

Chiaramente, nonostante i migliori sforzi della macchina, l’intrinseca ambiguità e flessibilità del linguaggio umano che si trova nei testi letterari continua a necessitare di una gestione umana. NMT non può sostituire i traduttori umani, ma serve invece come strumento utile nella traduzione della letteratura.

La collaborazione tra esseri umani e sistemi di traduzione automatica è fondamentale. È probabile che una risposta a questo problema arrivi sotto forma di traduzione automatica post-editata. Qui, traduttori professionisti, con conoscenza dei problemi coinvolti nella traduzione automatica, modificheranno e correggeranno la prima bozza della macchina, in modo simile a come un traduttore affermato aiuterebbe a modificare il lavoro di un traduttore inesperto. La traduzione automatica di post-editing leggero consiste in modifiche minori, come l’ortografia e la grammatica, mentre il post-editing completo aiuterà a chiarire problemi più profondi, tra cui la struttura della frase e lo stile di scrittura. Certamente, quando si tratta di tradurre letteratura, è probabile che sia necessario un post-editing completo per generare il registro e il tono corretti della scrittura.

Con l’intelligenza artificiale che gioca un ruolo sempre più centrale in tutte le nostre vite, adottarla come strumento di traduzione è essenziale per far progredire il settore. La traduzione automatica ha fatto molta strada da dove è iniziata ed è destinata ad aiutare la traduzione letteraria attraverso tecniche di post-editing, facendo il noioso lavoro di gamba in modo che i traduttori umani possano dare gli ultimi ritocchi. Non solo riduce l’onere per i traduttori, ma NMT apre anche molteplici finestre di opportunità alle lingue, dalla traduzione di testi che non sono mai stati tradotti prima, al fornire un aiuto all’apprendimento delle lingue.

Riferimenti: https://www.goethe.de/ins/gb/en/kul/lue/art/21967556.html