La traducción automática basada en ejemplos (EBMT, por sus siglas en inglés) es un método de traducción automática que se basa en un corpus bilingüe de textos paralelos como su principal base de conocimiento en tiempo de ejecución. Es esencialmente una traducción por analogía y puede considerarse una implementación de un enfoque de razonamiento basado en casos para el aprendizaje automático. A diferencia de los sistemas basados en reglas que requieren un análisis lingüístico profundo, la EBMT traduce descomponiendo una oración fuente en frases, traduciendo esas frases mediante ejemplos del corpus y luego componiendo los fragmentos traducidos en una oración destino.
El enfoque fue sugerido por primera vez por Makoto Nagao en 1984, quien argumentó que es especialmente adecuado para la traducción entre dos lenguas muy diferentes, como el inglés y el japonés. En tales casos, una sola oración puede corresponder a varias oraciones bien estructuradas en la lengua meta, lo que hace que el análisis lingüístico profundo sea menos útil. Desde entonces, la EBMT se ha explorado como una alternativa a los métodos estadísticos y basados en reglas, y comparte el uso de corpus bilingües con la traducción automática estadística.
Traducción por analogía
El principio central de la EBMT es la traducción por analogía. Esta idea rechaza la noción de que los traductores humanos realizan un análisis lingüístico profundo de cada oración. En cambio, postula que los traductores descomponen una oración en frases, traducen cada frase por analogía con traducciones encontradas previamente y luego componen las frases traducidas en un todo coherente. En la EBMT, este principio se codifica a través de los ejemplos de traducción almacenados en el corpus de entrenamiento. El sistema recupera ejemplos análogos del corpus para guiar la traducción de nuevas entradas.
Historia y desarrollo
Makoto Nagao introdujo la EBMT en 1984, destacando su potencial para pares de lenguas con estructuras muy diferentes, como el inglés y el japonés. Su idea era que, para tales pares, una oración a menudo puede expresarse como varias oraciones bien estructuradas en la lengua meta, lo que hace que el análisis lingüístico profundo sea menos efectivo que los métodos basados en ejemplos. En las décadas siguientes, la EBMT se desarrolló y refinó, con contribuciones de investigadores como Michael Carl y Andy Way, quienes editaron el volumen de 2003 Recent Advances in Example-Based Machine Translation. Aunque la EBMT ha sido en gran medida eclipsada por los enfoques basados en redes neuronales en los últimos años, sus ideas sobre el uso de corpus paralelos y la analogía continúan influyendo en la investigación moderna de la traducción automática.
Cómo funciona la EBMT
Los sistemas de EBMT se entrenan con corpus paralelos bilingües que contienen pares de oraciones, como:
- "How much is that red umbrella?" ↔ "Ano akai kasa wa ikura desu ka."
- "How much is that small camera?" ↔ "Ano chiisai kamera wa ikura desu ka."
A partir de tales pares mínimos, el sistema aprende unidades de traducción: por ejemplo, "red umbrella" corresponde a "akai kasa," y "small camera" corresponde a "chiisai kamera." Estas unidades pueden componerse para producir traducciones novedosas. Por ejemplo, si el sistema ha visto oraciones como "President Kennedy was shot dead during the parade" y "The convict escaped on July 15th," puede traducir "The convict was shot dead during the parade" sustituyendo las partes apropiadas.
Verbos frasales y fenómenos de sub-lenguaje
La EBMT es particularmente adecuada para fenómenos de sub-lenguaje como los verbos frasales, que tienen significados altamente dependientes del contexto. Los verbos frasales en inglés consisten en un verbo seguido de un adverbio o preposición (la partícula), y sus significados a menudo no pueden derivarse de las palabras individuales. Por ejemplo, el verbo frasal "put on" puede significar "encender" (como en "Ram put on the lights") o "ponerse" (como en "Ram put on a cap"). En hindustaní, estos significados corresponden a verbos diferentes: "jalana" y "pahenna," respectivamente. La EBMT puede manejar tales ambigüedades recuperando ejemplos que coincidan con el contexto, en lugar de depender de la traducción palabra por palabra.
Relación con otros enfoques
La EBMT es uno de varios enfoques basados en datos para la traducción automática. Se diferencia de la traducción automática basada en reglas al evitar el análisis lingüístico profundo y, en su lugar, usar un corpus de ejemplos. También se diferencia de la traducción automática estadística, que utiliza modelos probabilísticos sobre grandes corpus, aunque ambas dependen de datos bilingües. En la década de 2010, los modelos basados en aprendizaje profundo y transformadores, como los utilizados en los modelos de lenguaje grandes, superaron en gran medida a la EBMT en aplicaciones prácticas. Sin embargo, el énfasis de la EBMT en la analogía y la recuperación de ejemplos sigue siendo relevante, y plataformas de código abierto como Cunei han explorado enfoques híbridos que combinan la EBMT con métodos estadísticos.