Latinoamérica. ChatGPT y su capacidad de mantener conversaciones y generar contenido escrito han centrado buena parte de la atención durante el último año en el campo de la tecnología y la inteligencia artificial.
Pero, en realidad, la IA lleva tiempo entre nosotros, asistiéndonos en todo tipo de tareas cotidianas, desde los sistemas de navegación hasta los algoritmos de las redes sociales, pasando por la traducción automática.
Desde que los sistemas de traducción automática neuronal (TAN) empezaron a usarse de forma generalizada hace algunos años, la IA ha aumentado su presencia en la industria de la traducción de forma exponencial. Y eso ha abierto nuevos desafíos en la relación entre traductores humanos y máquinas.
Hoy, la posedición de traducciones automáticas es la segunda habilidad más demandada entre los proveedores de servicios lingüísticos y la tarea con mayor potencial de crecimiento, de acuerdo con la European Language Industry Survey. Los traductores editan las traducciones automáticas sin procesar, corrigiendo el texto generado por la inteligencia artificial. Esto trae numerosas ventajas para los traductores humanos, pero también supone obstáculos importantes si la calidad del trabajo automático no es buena. Por eso, poder evaluar de forma objetiva la calidad de las herramientas de traducción automática es clave para el sector.
Dos investigadores de la Universitat Oberta de Catalunya (UOC), Antoni Oliver, investigador del Grupo de Investigación Interuniversitario en Aplicaciones Lingüísticas (GRIAL), coordinador del proyecto TAN-IBE y profesor de los Estudios de Artes y Humanidades de la UOC, y Sergi Álvarez-Vidal, también investigador de GRIAL-UOC, han desarrollado un nuevo método de evaluación del trabajo de la IA con el objetivo de mejorar el trabajo de los traductores, reforzando sus capacidades con el potencial de la traducción automática e incrementando la calidad del resultado final para todos los usuarios.
Un nuevo método para evaluar la IA en traducción
La mayoría de las empresas de traducción y servicios lingüísticos analizan la calidad de las herramientas de IA de una forma similar: usando métricas automáticas. En su último estudio, Assessing MT with measures of PE effort, publicado en abierto, Oliver y Álvarez-Vidal analizaron hasta qué punto estos sistemas automáticos de evaluación llevaban a escoger herramientas que realmente facilitasen el trabajo posterior de los traductores humanos. Para ello, midieron el llamado esfuerzo de posedición, calculando el tiempo, las pausas y las teclas que usa el traductor para conocer en detalle la dificultad de editar y corregir un texto generado con traducción automática.
"Hemos concluido que no hay una relación directa entre lo que indican las medidas automáticas de evaluación de la calidad y el esfuerzo de posedición", señala Antoni Oliver. "Así, entendimos que era necesario añadir otro paso en el sistema de evaluación de la calidad". De esta manera, los investigadores proponen complementar el sistema de evaluación automática con otro programa que permite evaluar el esfuerzo real de posedición. Así, la empresa puede escoger la herramienta de IA que realmente mejora la eficiencia del proceso de traducción.
"Hemos añadido un paso más: los traductores traducen una muestra de la traducción automática con un programa especial desarrollado por nosotros. Ese programa nos permite recoger una serie de datos y decidir si el esfuerzo de los traductores es menor o no que con otros sistemas", explica Sergi Álvarez-Vidal. "Si es menor, significa que esa herramienta de traducción automática es válida para el flujo de trabajo de la empresa de traducción".
La IA, un refuerzo para los traductores humanos
Los sistemas automáticos son usados ampliamente en el sector de la traducción, aunque los resultados finales siempre son revisados por personas. Durante el trabajo de posedición, los profesionales humanos aceptan, modifican y corrigen o, incluso, rechazan por completo el resultado generado por la máquina. "En este punto es muy importante reflexionar sobre quién está en el centro de esta tarea, ¿el poseditor humano o el sistema de inteligencia artificial?", se pregunta Oliver. "Nosotros estamos convencidos de que el protagonista es el humano y que el sistema de inteligencia artificial ha de estar a su servicio, permitiéndole ser más productivo y mantener la calidad final del producto".
De acuerdo con los investigadores, la calidad de la traducción automática afecta directamente al trabajo de los traductores. Un mayor esfuerzo conlleva más tiempo y dificultad de posedición y eso tiene dos consecuencias claras: aumenta el riesgo de que el resultado final sea de peor calidad porque el traductor no puede detectar todos los errores y aumenta el tiempo que el traductor pasa poseditando, lo que supone también una pérdida de dinero. "La calidad de la traducción automática es imprescindible para que haya un proceso de posedición adecuado", añade Oliver.
Estudios como el de los dos investigadores de la UOC tienen también una gran consecuencia indirecta: mejorar el conocimiento sobre las herramientas de traducción automática para democratizar su acceso y lograr que su uso no afecte las condiciones laborales de los traductores humanos. "Es muy importante que el conocimiento sobre estas tecnologías y el acceso a estas herramientas no recaigan sobre unos pocos especialistas y unas pocas empresas", concluye Álvarez-Vidal. "Las universidades en general, y la UOC muy especialmente, están haciendo un gran esfuerzo para incluir el conocimiento sobre estas tecnologías en sus estudios, tanto de grado como de máster".
Esta investigación de la UOC favorece el objetivo de desarrollo sostenible (ODS) de las Naciones Unidas número 8, promover el crecimiento económico inclusivo y sostenible, el empleo y el trabajo decente para todos.
