La traduction automatique neuronale est partout (et pas seulement sur ce blog). Les traducteurs veulent savoir comment cela influencera leur moyen de subsistance, et les responsables de localisation internes veulent savoir comment ils peuvent l'adapter à leur stratégie de traduction. Que vous cherchiez à évaluer les applications commerciales de la traduction automatique neuronale, ou à jeter un œil sous le capot pour voir comment tous les équipements s'adaptent ensemble, ces vidéos de la NMT peuvent vous aider à comprendre cette marée montante qu'est la traduction automatique neuronale.
La traduction automatique a historiquement toujours été la mauvaise élève de la localisation. Les professionnels expérimentés de la langue craignent que leur propre travail, avec une diction nuancée et des considérations géographiques hyper sensibles, soit remplacé par la production froide, sans vie et robotique d'un algorithme. Et en considérant les récentes approches de la traduction, ils n'ont pas tort.
Cet article est une annexe à notre article original publié le 10/01/2017 intitulé Évaluation de la qualité de la traduction automatique 2017. Conception expérimentale Nous évaluons tous les systèmes de traduction automatique en anglais-français et anglais-allemand. Nous rapportons le code BLEU-4 [2] insensible aux majuscules, qui est calculé par le script de score mteval, de la boîte d'outils open source Phrasal de l'Université de Stanford. La segmentation du texte en unités lexicales de NIST a été appliquée à la fois aux résultats du système et aux traductions de référence.
