La traducción automática, o MT, es el uso de software para traducir automáticamente texto o habla de un idioma natural a otro. Es uno de los objetivos más antiguos en inteligencia artificial y procesamiento del lenguaje natural, y su historia sigue de cerca la evolución más amplia de los métodos de IA, desde reglas simbólicas hasta estadísticas y redes neuronales.
Historia temprana
La investigación en traducción automática comenzó en serio con el experimento Georgetown-IBM en 1954, una demostración que tradujo automáticamente un pequeño conjunto de oraciones en ruso al inglés y estuvo acompañada de predicciones optimistas de que la traducción completamente automática estaba solo a unos años de distancia. El progreso resultó ser mucho más lento de lo esperado; el informe ALPAC de 1966 en los Estados Unidos concluyó que la traducción automática había logrado poco progreso práctico en comparación con la traducción humana y recomendó recortar la financiación, contribuyendo al invierno de la IA más amplio de ese período. Las décadas posteriores produjeron sistemas basados en reglas que codificaban reglas gramaticales y léxicas a mano, logrando resultados utilizables pero artificiales para pares de idiomas con buenos recursos.
Traducción automática estadística
A partir de finales de la década de 1980 y madurando durante las décadas de 1990 y 2000, la traducción automática estadística reemplazó las reglas escritas a mano con modelos entrenados en grandes corpus bilingües, aprendiendo probabilidades de traducción directamente de los datos en lugar de la teoría lingüística. Este enfoque se escalaba más fácilmente entre pares de idiomas y conjuntos de datos, pero a menudo producía resultados gramaticalmente torpes, ya que modelaba la traducción por partes en lugar de como una oración coherente.
Traducción automática neuronal
El cambio a la traducción automática neuronal a mediados de la década de 2010 marcó otro salto importante en calidad. Los primeros sistemas neuronales utilizaban arquitecturas Seq2seq, un codificador red neuronal recurrente o LSTM que comprimía una oración fuente en un vector y un decodificador que generaba la traducción, refinado por la adición de un mecanismo de atención que permitía al decodificador enfocarse en palabras fuente relevantes en cada paso en lugar de depender de un resumen fijo único. Google cambió su sistema de traducción de producción a una arquitectura neuronal en 2016, reportando mejoras sustanciales en calidad. La arquitectura Transformer (architecture) de 2017 mejoró aún más tanto la calidad como la eficiencia del entrenamiento y se convirtió en la arquitectura estándar para los sistemas de traducción.
La era de los grandes modelos de lenguaje
Desde principios de la década de 2020, los grandes modelos de lenguaje de propósito general como GPT-4 y Claude (AI model family) se han utilizado cada vez más para tareas de traducción, a menudo igualando o superando a los sistemas de traducción dedicados en muchos pares de idiomas, particularmente para textos que requieren juicio contextual o idiomático en lugar de una interpretación literal. Esta convergencia ha difuminado la línea entre la traducción automática como una categoría de producto distinta y la traducción como una capacidad entre muchas dentro de un modelo de propósito general, aunque los sistemas dedicados conservan ventajas en latencia, costo y soporte para idiomas con muy pocos recursos.
Aplicaciones y limitaciones
La traducción automática está integrada en navegadores web, aplicaciones de mensajería, software empresarial y herramientas de comunicación internacional, y ha reducido sustancialmente el costo del acceso a la información entre idiomas. Continúa teniendo dificultades con idiomas de bajos recursos que carecen de grandes corpus de entrenamiento, expresiones idiomáticas y culturalmente específicas, y consistencia en documentos largos, y los errores pueden tener consecuencias reales en contextos legales, médicos o diplomáticos, una preocupación continua dentro de la ética de la IA aplicada.