Tradução automática, ou MT, é o uso de software para traduzir automaticamente texto ou fala de uma língua natural para outra. É um dos objetivos mais antigos da inteligência artificial e do processamento de linguagem natural, e sua história acompanha de perto a evolução mais ampla dos métodos de IA, de regras simbólicas a estatísticas e redes neurais.
História inicial
A pesquisa em tradução automática começou de fato com o experimento Georgetown-IBM em 1954, uma demonstração que traduziu automaticamente um pequeno conjunto de frases do russo para o inglês e foi acompanhada por previsões otimistas de que a tradução totalmente automática estava a apenas alguns anos de distância. O progresso mostrou-se muito mais lento do que o esperado; o relatório ALPAC de 1966 nos Estados Unidos concluiu que a tradução automática havia feito pouco progresso prático em relação à tradução humana e recomendou cortar o financiamento, contribuindo para o inverno da IA mais amplo daquele período. Décadas subsequentes produziram sistemas baseados em regras que codificavam regras gramaticais e lexicais manualmente, alcançando resultados utilizáveis, porém artificiais, para pares de línguas bem dotados de recursos.
Tradução automática estatística
A partir do final dos anos 1980 e amadurecendo ao longo dos anos 1990 e 2000, a tradução automática estatística substituiu regras escritas à mão por modelos treinados em grandes corpora bilíngues, aprendendo probabilidades de tradução diretamente dos dados, em vez de teoria linguística. Essa abordagem escalou mais facilmente entre pares de línguas e conjuntos de dados, mas frequentemente produzia saídas gramaticalmente desajeitadas, pois modelava a tradução em partes, em vez de como uma frase coerente.
Tradução automática neural
A mudança para a tradução automática neural em meados dos anos 2010 marcou outro salto importante na qualidade. Os primeiros sistemas neurais usavam arquiteturas Seq2seq, um codificador rede neural recorrente ou LSTM que comprimia uma frase de origem em um vetor e um decodificador que gerava a tradução, refinados pela adição de um mecanismo de atenção que permitia ao decodificador focar em palavras de origem relevantes a cada etapa, em vez de depender de um único resumo fixo. O Google trocou seu sistema de tradução de produção para uma arquitetura neural em 2016, relatando ganhos substanciais de qualidade. A arquitetura Transformer (architecture) de 2017 melhorou ainda mais tanto a qualidade quanto a eficiência de treinamento e tornou-se o padrão para sistemas de tradução.
A era dos grandes modelos de linguagem
Desde o início dos anos 2020, grandes modelos de linguagem de propósito geral, como GPT-4 e Claude (AI model family), têm sido cada vez mais usados para tarefas de tradução, frequentemente igualando ou superando sistemas de tradução dedicados em muitos pares de línguas, particularmente para textos que exigem julgamento contextual ou idiomático, em vez de renderização literal. Essa convergência borrou a linha entre a tradução automática como uma categoria de produto distinta e a tradução como uma capacidade entre muitas dentro de um modelo de propósito geral, embora sistemas dedicados mantenham vantagens em latência, custo e suporte para línguas com pouquíssimos recursos.
Aplicações e limitações
A tradução automática está incorporada em navegadores da web, aplicativos de mensagens, software empresarial e ferramentas de comunicação internacional, e reduziu substancialmente o custo do acesso à informação entre línguas. Ela continua a enfrentar dificuldades com línguas de poucos recursos que carecem de grandes corpora de treinamento, expressões idiomáticas e culturalmente específicas, e consistência em documentos longos, e erros podem ter consequências reais em contextos legais, médicos ou diplomáticos, uma preocupação contínua na ética da IA aplicada.