Sélectionner des données pertinentes pour l’entraînement des réseaux de neurones

Jingshu Liu

La traduction automatique neuronale (TAN) est l'état-de-l'art de la traduction automatique. En utilisant des données du domaine général pour entraîner les modèles de traduction, nous sommes capables de générer des traductions de haute qualité. Si nous nous limitions à cette étape, les traductions seraient moins précises pour un texte spécialisé en finance. Les corpus spécialisés utilisés pour nourrir les moteurs sont plus rares que les corpus issus du domaine général. Notre valeur ajoutée réside précisément dans notre capacité à enrichir nos données d'entraînement en terminologie financière. L'entraînement sélectif des données est l'une des approches les plus étudiées. Notre but est de permettre d'augmenter les données d'entraînement, en limitant l’introduction de données bruitées (noisy data).

Contrôler la terminologie dans un domaine de spécialité

Melissa Ailem

Malgré leur efficacité, les systèmes de Traduction Automatique Neuronale (TAN) présentent un inconvénient important : ils ne fournissent pas de correspondances source-cible explicites entre les segments du texte d’origine et les segments traduits. Sans ce lien source-cible, il est particulièrement difficile pour les systèmes TAN de forcer la traduction de certains termes issus de domaines de spécialité tel que la finance. L'objectif de ce projet est double. Premièrement, il consiste à construire les terminologies (lexiques) bilingues issues du domaine financier. Deuxièmement, il consiste à proposer une nouvelle méthode pour imposer au système les traductions provenant de cette terminologie.

Traduire des textes balisés avec des modèles de traduction automatique neuronale

Raheel Qader

Les modèles de traduction automatique neuronale sont des modèles puissants qui donnent des résultats précis dans la plupart des langues. Cependant, ces modèles ne fournissent pas de correspondances source-cible explicites, ce qui rend difficile la gestion de certaines tâches telles que la traduction de balises (html, xml...etc). Une balise donne des indications de format, elle est attachée à un mot pour indiquer que celui-ci doit être en italique par exemple. Dans ce projet, l'objectif est d'abord de créer des données d'apprentissage parallèles contenant des balises. Ces données d'apprentissage pourront ensuite être utilisées afin de concevoir un réseau capable de traduire correctement les balises et de les placer aux bons endroits dans les textes traduits. Les résultats de ce projet permettront de traduire du html, du xml et de nombreux autres types de documents qu'il serait autrement impossible de traduire automatiquement avec les modèles de traduction neuronale habituels.