Tradução automática baseada em regras (RBMT) é uma abordagem clássica de tradução automática que gera frases de saída com base em informações linguísticas sobre os idiomas de origem e de destino. Essas informações são extraídas de dicionários e gramáticas unilíngues, bilíngues ou multilíngues que cobrem as principais regularidades semânticas, morfológicas e sintáticas de cada idioma. Um sistema RBMT analisa a frase de origem e constrói a frase de destino usando regras explícitas, em contraste com métodos baseados em dados, como a tradução automática neural. Embora a RBMT tenha sido o paradigma dominante por décadas, ela foi progressivamente superada por métodos mais eficientes, especialmente aqueles baseados em aprendizado profundo e modelos de linguagem de grande escala.
História
Os primeiros sistemas RBMT surgiram no início da década de 1970. Um dos mais influentes foi o Systran, que começou a ser desenvolvido em 1968 e foi amplamente utilizado para traduzir russo e inglês durante a Guerra Fria. O Systran posteriormente expandiu-se para muitos pares de idiomas e foi adotado pela Comissão Europeia em 1976. Outro sistema inicial notável foi o projeto japonês de tradução automática, que levou a sistemas comerciais na década de 1980. Atualmente, sistemas RBMT comuns incluem o Apertium, uma plataforma de código aberto para traduzir entre idiomas relacionados, e o GramTrans, um sistema comercial para idiomas escandinavos e outros europeus.
Tipos de RBMT
Os sistemas RBMT são geralmente classificados em três tipos. Sistemas diretos, também chamados de tradução automática baseada em dicionário, mapeiam palavras de entrada para palavras de saída com regras básicas, muitas vezes sem análise sintática profunda. Sistemas baseados em transferência empregam análise morfológica e sintática do idioma de origem e, em seguida, transferem a estrutura para o idioma de destino. Sistemas interlinguais usam uma representação abstrata de significado, chamada interlíngua, que é independente de qualquer idioma específico. A RBMT é frequentemente contrastada com a tradução automática baseada em exemplos, que usa corpora paralelos em vez de regras explícitas. Sistemas híbridos de tradução automática combinam princípios da RBMT com métodos estatísticos ou neurais.
Princípios básicos
A abordagem central da RBMT é vincular a estrutura da frase de origem à estrutura da frase de destino, preservando o significado. Por exemplo, traduzir "A girl eats an apple" do inglês para o alemão requer um dicionário que mapeie cada palavra inglesa para um equivalente alemão, regras para a estrutura de frases em inglês, regras para a estrutura de frases em alemão e regras que relacionem as duas estruturas. O processo geralmente envolve várias etapas: obter informações de classe gramatical para cada palavra de origem, determinar informações sintáticas sobre o verbo (como tempo e voz), analisar a frase de origem (frequentemente de forma parcial), traduzir as palavras para o idioma de destino e, finalmente, gerar as formas flexionadas apropriadas. No exemplo, a saída é "Ein Mädchen isst einen Apfel", onde o artigo e os casos do substantivo são ajustados de acordo com a gramática alemã.
Ontologias
Uma ontologia é uma representação formal do conhecimento que inclui conceitos e relações dentro de um domínio. No processamento de linguagem natural, ontologias podem servir como fonte de conhecimento para tradução automática, ajudando a resolver ambiguidades lexicais. Por exemplo, a frase "I saw a man with a microscope" pode ser interpretada de várias maneiras, mas uma ontologia grande pode reduzir as interpretações possíveis com base no contexto. O sistema de tradução automática baseado em conhecimento PANGLOSS, desenvolvido em 1993, exemplifica como ontologias são construídas. Ele visava fundir o dicionário LDOCE e o WordNet para combinar definições concisas com relações semânticas. Um algoritmo de correspondência de definições mesclava automaticamente significados com base em palavras compartilhadas nas definições, e um algoritmo de correspondência de hierarquia usava estruturas taxonômicas para resolver ambiguidades. A ontologia resultante, com cerca de 50.000 nós, apoiava a análise e a geração no sistema.
Componentes
Um sistema RBMT típico consiste em vários componentes: um analisador morfológico do idioma de origem que fornece informações morfológicas para palavras, um analisador sintático do idioma de origem que analisa a sintaxe das frases, um tradutor que mapeia palavras de origem para palavras do idioma de destino, um gerador morfológico do idioma de destino que produz formas flexionadas apropriadas e um analisador sintático do idioma de destino que compõe a frase final. Além disso, pelo menos três dicionários são necessários: um dicionário do idioma de origem para análise morfológica, um dicionário bilíngue para tradução e um dicionário do idioma de destino para geração. Esses componentes trabalham juntos para aplicar as regras linguísticas que definem o processo de tradução.
Limitações e legado
Os sistemas RBMT têm várias limitações. Eles exigem desenvolvimento manual extensivo de regras e dicionários, o que é demorado e caro. Frequentemente, enfrentam dificuldades com expressões idiomáticas, ambiguidade e idiomas com morfologia complexa. Como resultado, abordagens estatísticas e, posteriormente, neurais, como modelos Sequence-to-Sequence (Seq2Seq) e arquiteturas Transformer (architecture), substituíram amplamente a RBMT em aplicações comerciais. No entanto, os princípios da RBMT permanecem influentes em sistemas híbridos e em contextos de idiomas com poucos recursos, onde dados paralelos são escassos. A ênfase no conhecimento linguístico e na explicabilidade continua a informar a pesquisa em inteligência artificial e aprendizado de máquina.