Il glossario del post-editor

Un software in grado di tradurre un testo da una lingua all’altra senza intervento umano o con un intervento ridotto al minimo. A seconda di come viene “addestrato”, un motore di traduzione può avere più lingue di partenza e consiste in un sistema di elaborazione linguistica (basato su regole, statistico, neurale o combinato), una o più memorie di traduzione e uno o più termbase. 

Esistono tanti motori di traduzione sul mercato (Google Translate, Microsoft Translator, DeepL, Yandex, ecc.); la scelta ideale di un motore di traduzione cambia a seconda del settore, dell’argomento, dello stile e della combinazione linguistica. Ciononostante, molte aziende utilizzano soltanto un motore di traduzione per tutte le combinazioni linguistiche e tutte le tipologie di contenuti.

Motori di traduzione automatica neurale personalizzati secondo algoritmi. Tali motori permettono di applicare la tecnologia di apprendimento automatico su banche dati di espressioni e terminologia proprie, per insegnare alla macchina a migliorare l’accuratezza delle traduzioni tecniche e specifiche. In questo modo, la traduzione automatica diventa domain specific, ovvero specifica di un settore: la macchina impara il vocabolario specifico di un’area di competenza, esegue l’analisi e il riconoscimento dei termini e gestisce basi terminologiche proprie o esterne per offrire una traduzione automatica personalizzata. Con i motori addestrati è possibile stabilire come si vogliono tradurre determinati nomi o insiemi di parole e, quindi, costruire un glossario: quando deve tradurre, il sistema rileva il glossario, lo consulta e sostituisce la traduzione con la parola o le parole appropriate. È possibile anche personalizzare un corpus o una base terminologica, ovvero, oltre a parole specifiche, aggiungere al sistema frasi o frammenti di testo di documenti specifici del settore, affinché il motore abbia una base di apprendimento più ampia e sia quindi addestrato per adattare e ottimizzare la traduzione automatica a un dominio specifico. Naturalmente, i risultati di questi motori di traduzione necessitano ancora dell’intervento umano di post-editing e di controllo qualità, tuttavia riducono di molto i tempi di modifica richiesti e il carico di lavoro per l’editor.

La persona che si occupa della revisione e ottimizzazione delle traduzioni automatiche. Sebbene queste ultime offrano tempi di elaborazione brevi, di solito la loro qualità non è convincente al 100%: è il traduttore umano che fa la differenza. Un buon post-editor è sempre un buon traduttore, ma un buon traduttore non è automaticamente un buon post-editor.

Le competenze necessarie per eseguire un PE (post-editing) completo sono state definite dalla norma ISO 18587, ovvero: competenze traduttive; competenze linguistiche e testuali nella lingua di partenza e di arrivo; abilità di ricerca, reperimento ed elaborazione delle informazioni; competenze culturali nel Paese della lingua di origine e della lingua di destinazione; competenze tecniche riguardanti la funzione, le prestazioni e i limiti della traduzione automatica; conoscenza del rispettivo settore specialistico.

La difficoltà principale del lavoro del post-editor è quella di sfruttare al massimo l’output della traduzione automatica intervenendo solo quando è necessario, evitando di riscrivere da capo il testo con il proprio stile.

I sistemi di elaborazione linguistica di un motore di traduzione possono essere di 4 tipi:

– BASATO SU REGOLE (RBMT, rule-based machine translation): si basa su informazioni linguistiche sulla lingua di partenza e di arrivo recuperate da dizionari e grammatiche (monolingue, bilingue o multilingue) che trattano le principali regolarità semantiche, morfologiche e sintattiche di ciascuna lingua. Inserendo frasi in ingresso (input) nella lingua di partenza, un sistema RBMT genera le frasi in uscita (output) nella lingua di arrivo sulla base dell’analisi morfologica, sintattica e semantica di entrambe le lingue

– STATISTICO (SMT, statistical machine translation): le traduzioni sono generate sulla base di modelli statistici i cui parametri derivano dall’analisi di ampi database di contenuti multilingue, i cosiddetti corpora di testi multilingue. Non vengono utilizzate regole grammaticali, ma si usano le probabilità di occorrenza e di frequenza delle parole. La creazione dei modelli di traduzione statistica è un processo rapido, ma la traduzione automatica è di buona qualità solo se sono disponibili corpora estesi e qualificati. I risultati dei sistemi statistici risultano nel complesso migliori rispetto a quelli basati su regole

– IBRIDO: sviluppato a partire dal 2000, è la combinazione tra RBMT e SMT, volta a unire i punti di forza di entrambi gli approcci e ridurre al minimo le loro debolezze. Combinando i parametri grammaticali e sintattici con i corpora monolingue, bilingue e multilingue, un sistema ibrido ha molte probabilità di fornire delle versioni di traduzione che possono funzionare bene

– NEURALE (NMT, neural machine translation): è un approccio che utilizza reti neurali artificiali (ovvero sistemi di calcolo ispirati alle reti neurali biologiche che costituiscono i cervelli animali) per prevedere la probabilità di una sequenza di parole, in genere modellando intere frasi in un unico modello integrato. Questo modello ha guadagnato terreno nel 2017 e sfrutta l’apprendimento profondo basato sulle reti neurali per imparare regole di linguistica a partire da modelli statistici, cosa che permette di ottenere risultati migliori in tempi brevi.