América Latina. O ChatGPT e sua capacidade de manter conversas e gerar conteúdo escrito concentraram grande parte da atenção no último ano no campo da tecnologia e inteligência artificial.
Mas, na realidade, a IA já existe há algum tempo, nos ajudando com todos os tipos de tarefas diárias, de sistemas de navegação a algoritmos de mídia social e tradução automática.
Desde que os sistemas de tradução automática neural (TAN) começaram a ser amplamente utilizados há alguns anos, a IA aumentou exponencialmente sua presença na indústria de tradução. E isso abriu novos desafios na relação entre tradutores humanos e automáticos.
Actualmente, a pós-edição da tradução automática é a segunda competência mais procurada entre os prestadores de serviços linguísticos e a tarefa com maior potencial de crescimento, de acordo com o European Language Industry Survey. Os tradutores editam as traduções automáticas brutas, corrigindo o texto gerado pela inteligência artificial. Isso traz inúmeras vantagens para os tradutores humanos, mas também coloca obstáculos significativos se a qualidade do trabalho automático não for boa. É por isso que ser capaz de avaliar objetivamente a qualidade das ferramentas de tradução automática é fundamental para a indústria.
Dois investigadores da Universidade Aberta da Catalunha (UOC), Antoni Oliver, investigador do Grupo Interuniversitário de Investigação em Aplicações Linguísticas (GRIAL), coordenador do projeto TAN-IBE e professor da Faculdade de Letras da UOC, e Sergi Álvarez-Vidal, também investigador do GRIAL-UOC, desenvolveram um novo método de avaliação do trabalho da IA com o objetivo de melhorar o trabalho dos tradutores. reforçando suas capacidades com o potencial da tradução automática e aumentando a qualidade do resultado final para todos os usuários.
Um novo método para avaliar a IA na tradução
A maioria das empresas de tradução e serviços linguísticos analisa a qualidade das ferramentas de IA de maneira semelhante: usando métricas automatizadas. Em seu estudo mais recente, Assessing MT with measures of PE effort, Oliver e Álvarez-Vidal analisaram até que ponto esses sistemas de avaliação automática levaram à escolha de ferramentas que realmente facilitariam o trabalho subsequente de tradutores humanos. Para isso, mediram o chamado esforço de pós-edição, calculando o tempo, as pausas e as teclas usadas pelo tradutor para conhecer em detalhes a dificuldade de editar e corrigir um texto gerado com tradução automática.
"Concluímos que não há relação direta entre o que as medidas automáticas de avaliação de qualidade indicam e o esforço pós-edição", diz Antoni Oliver. "Assim, entendemos que era necessário acrescentar mais uma etapa no sistema de avaliação da qualidade." Dessa forma, os pesquisadores propõem complementar o sistema de avaliação automática com outro programa que permita a avaliação do esforço real de pós-edição. Assim, a empresa pode escolher a ferramenta de IA que realmente melhora a eficiência do processo de tradução.
"Adicionamos mais uma etapa: os tradutores traduzem uma amostra de tradução automática com um programa especial desenvolvido por nós. Esse programa nos permite coletar uma série de dados e decidir se o esforço dos tradutores é menor ou não do que em outros sistemas", explica Sergi Álvarez-Vidal. "Se for menor, significa que essa ferramenta de tradução automática é válida para o fluxo de trabalho da empresa de tradução."
IA, um reforço para tradutores humanos
Os sistemas automatizados são amplamente utilizados na indústria de tradução, embora os resultados finais sejam sempre revisados por pessoas. Durante o trabalho de pós-edição, os profissionais humanos aceitam, modificam e corrigem ou até rejeitam totalmente a saída gerada pela máquina. "Neste momento é muito importante refletir sobre quem está no centro dessa tarefa, o pós-editor humano ou o sistema de inteligência artificial?", questiona Oliver. "Estamos convencidos de que o protagonista é o ser humano e que o sistema de inteligência artificial deve estar ao seu serviço, permitindo que sejam mais produtivos e mantenham a qualidade final do produto."
Segundo os pesquisadores, a qualidade da tradução automática afeta diretamente o trabalho dos tradutores. Um esforço maior leva a mais tempo e dificuldade na pós-edição e isso tem duas consequências claras: aumenta o risco de o resultado final ser de pior qualidade, porque o tradutor não consegue detectar todos os erros, e aumenta o tempo que o tradutor gasta pós-edição, o que também é um desperdício de dinheiro. "A qualidade da tradução automática é essencial para um processo de pós-edição adequado", acrescenta Oliver.
Estudos como o dos dois pesquisadores da UOC também têm uma grande consequência indireta: melhorar o conhecimento sobre as ferramentas de tradução automática, a fim de democratizar o acesso a elas e garantir que seu uso não afete as condições de trabalho dos tradutores humanos. "É muito importante que o conhecimento sobre essas tecnologias e o acesso a essas ferramentas não caibam a poucos especialistas e poucas empresas", conclui Álvarez-Vidal. "As universidades em geral, e a UOC em particular, estão fazendo um grande esforço para incluir o conhecimento sobre essas tecnologias em seus estudos, tanto na graduação quanto no mestrado."
Esta pesquisa da UOC apoia o Objetivo de Desenvolvimento Sustentável (ODS) número 8 das Nações Unidas, para promover o crescimento econômico inclusivo e sustentável, o emprego e o trabalho decente para todos.
