{"id":3436,"date":"2023-10-19T12:38:12","date_gmt":"2023-10-19T10:38:12","guid":{"rendered":"https:\/\/www-staging.systransoft.com\/?page_id=3436"},"modified":"2023-10-19T12:46:21","modified_gmt":"2023-10-19T10:46:21","slug":"what-is-machine-translation","status":"publish","type":"page","link":"https:\/\/www-staging.systransoft.com\/es\/systran\/tecnologia\/what-is-machine-translation\/","title":{"rendered":"\u00bfQu\u00e9 es la traducci\u00f3n autom\u00e1tica?"},"content":{"rendered":"
\n
\n \n
\n
\n

Traducci\u00f3n autom\u00e1tica basada en reglas frente a traducci\u00f3n autom\u00e1tica estad\u00edstica<\/h2>\n<\/div>\n<\/section>\n
\n
\n
La traducci\u00f3n autom\u00e1tica (MT) es la traducci\u00f3n autom\u00e1tica. Es el proceso mediante el cual se utiliza un software inform\u00e1tico para traducir un texto de un idioma natural (como el ingl\u00e9s) a otro (como el espa\u00f1ol).\n

Para procesar cualquier traducci\u00f3n, humana o autom\u00e1tica, el significado de un texto en el idioma original (fuente) debe ser restaurado completamente en el idioma de destino, es decir, la traducci\u00f3n. Aunque en la superficie esto parece sencillo, es mucho m\u00e1s complejo. La traducci\u00f3n no es una simple sustituci\u00f3n palabra por palabra. Un traductor debe interpretar y analizar todos los elementos del texto y saber c\u00f3mo cada palabra puede influir en otra. Esto requiere una amplia experiencia en gram\u00e1tica, sintaxis (estructura de oraciones), sem\u00e1ntica (significados), etc., en los idiomas de origen y destino, as\u00ed como familiaridad con cada regi\u00f3n local.<\/p>\n

La traducci\u00f3n humana y la traducci\u00f3n autom\u00e1tica tienen cada una su cuota de desaf\u00edos. Por ejemplo, dos traductores individuales no pueden producir traducciones id\u00e9nticas del mismo texto en el mismo par de idiomas, y puede tomar varias rondas de revisiones para satisfacer la satisfacci\u00f3n del cliente. Pero el mayor desaf\u00edo reside en c\u00f3mo la traducci\u00f3n autom\u00e1tica puede producir traducciones de calidad publicables.<\/p>\n

Tecnolog\u00eda de traducci\u00f3n autom\u00e1tica basada en reglas<\/h2>\n

La traducci\u00f3n autom\u00e1tica basada en reglas se basa en innumerables reglas ling\u00fc\u00edsticas incorporadas y millones de diccionarios biling\u00fces para cada par de idiomas.<\/p>\n

El software analiza el texto y crea una representaci\u00f3n transicional a partir de la cual se genera el texto en el idioma de destino. Este proceso requiere lexicones extensos con informaci\u00f3n morfol\u00f3gica, sint\u00e1ctica y sem\u00e1ntica, y grandes conjuntos de reglas. El software utiliza estos complejos conjuntos de reglas y luego transfiere la estructura gramatical del idioma de origen al idioma de destino.<\/p>\n

Las traducciones se basan en diccionarios gigantescos y sofisticadas reglas ling\u00fc\u00edsticas. Los usuarios pueden mejorar la calidad de la traducci\u00f3n est\u00e1ndar a\u00f1adiendo su terminolog\u00eda al proceso de traducci\u00f3n. Crean diccionarios definidos por el usuario que reemplazan la configuraci\u00f3n predeterminada del sistema.<\/p>\n

En la mayor\u00eda de los casos, hay dos pasos: una inversi\u00f3n inicial que aumenta significativamente la calidad a un costo limitado, y una inversi\u00f3n continua para aumentar la calidad gradualmente. Aunque la MT basada en reglas lleva a las empresas al umbral de calidad y m\u00e1s all\u00e1, el proceso de mejora de la calidad puede ser largo y costoso.<\/p>\n

Tecnolog\u00eda de traducci\u00f3n autom\u00e1tica estad\u00edstica<\/h2>\n

La traducci\u00f3n autom\u00e1tica estad\u00edstica utiliza modelos de traducci\u00f3n estad\u00edstica cuyos par\u00e1metros se derivan del an\u00e1lisis de cuerpos monoling\u00fces y biling\u00fces. La creaci\u00f3n de modelos de traducci\u00f3n estad\u00edstica es un proceso r\u00e1pido, pero la tecnolog\u00eda depende en gran medida de los corporativos multiling\u00fces existentes. Se requiere un m\u00ednimo de 2 millones de palabras para un dominio espec\u00edfico y a\u00fan m\u00e1s para el lenguaje general. Te\u00f3ricamente es posible alcanzar el umbral de calidad, pero la mayor\u00eda de las empresas no tienen una cantidad tan grande de corporaciones multiling\u00fces existentes para construir los modelos de traducci\u00f3n necesarios. Adem\u00e1s, la traducci\u00f3n autom\u00e1tica estad\u00edstica requiere una gran cantidad de CPU y una amplia configuraci\u00f3n de hardware para ejecutar modelos de traducci\u00f3n para los niveles de rendimiento medios.<\/p>\n

MT basado en reglas frente a MT estad\u00edstico<\/h2>\n

La MT basada en reglas ofrece una buena calidad fuera de dominio y es por naturaleza predecible. La personalizaci\u00f3n basada en diccionarios garantiza una calidad mejorada y el cumplimiento de la terminolog\u00eda corporativa. Pero los resultados de la traducci\u00f3n pueden carecer de la fluidez que los lectores esperan. En t\u00e9rminos de inversi\u00f3n, el ciclo de personalizaci\u00f3n necesario para alcanzar el umbral de calidad puede ser largo y costoso. El rendimiento es alto incluso en hardware est\u00e1ndar.<\/p>\n

La MT estad\u00edstica proporciona una buena calidad cuando se dispone de grandes corporaciones cualificadas. La traducci\u00f3n es fluida, lo que significa que se lee bien y por lo tanto cumple con las expectativas del usuario. Sin embargo, la traducci\u00f3n no es previsible ni coherente. El entrenamiento de los buenos corporativos es automatizado y m\u00e1s barato. Pero la formaci\u00f3n en los cuerpos de lenguaje general, es decir, en textos distintos del dominio especificado, es deficiente. Adem\u00e1s, la MT estad\u00edstica requiere un hardware significativo para crear y gestionar grandes modelos de traducci\u00f3n.<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
MT basado en reglas<\/th>\nMT estad\u00edstico<\/th>\n<\/tr>\n
+ Calidad constante y predecible<\/td>\n- Calidad de traducci\u00f3n impredecible<\/td>\n<\/tr>\n
+ Calidad de traducci\u00f3n fuera de dominio<\/td>\n- Mala calidad fuera de dominio<\/td>\n<\/tr>\n
+ Conoce las reglas gramaticales<\/td>\n- No sabe gram\u00e1tica<\/td>\n<\/tr>\n
<\/td>\n<\/td>\n<\/tr>\n
+ Alto rendimiento y robustez<\/td>\n- Requisitos de CPU y espacio en disco elevados<\/td>\n<\/tr>\n
+ Coherencia entre versiones<\/td>\n- Inconsistencia entre versiones<\/td>\n<\/tr>\n
<\/td>\n<\/td>\n<\/tr>\n
- Falta de fluidez<\/td>\n+ Buena fluidez<\/td>\n<\/tr>\n
- Dif\u00edcil manejar excepciones a las reglas<\/td>\n+ Bueno para detectar excepciones a las reglas<\/td>\n<\/tr>\n
<\/td>\n<\/td>\n<\/tr>\n
- Altos costes de desarrollo y personalizaci\u00f3n<\/td>\n+ Costes de desarrollo r\u00e1pidos y rentables<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Dados los requisitos generales, existe una clara necesidad de un tercer enfoque a trav\u00e9s del cual los usuarios alcanzar\u00edan una mejor calidad de traducci\u00f3n y un alto rendimiento (similar a la MT basada en reglas), con menos inversi\u00f3n (similar a la MT estad\u00edstica).<\/p>\n<\/article>\n<\/div>\n<\/section>\n\n <\/rich-text-component>\n <\/div>\n<\/section>","protected":false},"excerpt":{"rendered":"","protected":false},"author":12,"featured_media":0,"parent":3001,"menu_order":5,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","inline_featured_image":false,"footnotes":""},"class_list":["post-3436","page","type-page","status-publish","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/www-staging.systransoft.com\/es\/wp-json\/wp\/v2\/pages\/3436","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www-staging.systransoft.com\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www-staging.systransoft.com\/es\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www-staging.systransoft.com\/es\/wp-json\/wp\/v2\/users\/12"}],"replies":[{"embeddable":true,"href":"https:\/\/www-staging.systransoft.com\/es\/wp-json\/wp\/v2\/comments?post=3436"}],"version-history":[{"count":5,"href":"https:\/\/www-staging.systransoft.com\/es\/wp-json\/wp\/v2\/pages\/3436\/revisions"}],"predecessor-version":[{"id":3442,"href":"https:\/\/www-staging.systransoft.com\/es\/wp-json\/wp\/v2\/pages\/3436\/revisions\/3442"}],"up":[{"embeddable":true,"href":"https:\/\/www-staging.systransoft.com\/es\/wp-json\/wp\/v2\/pages\/3001"}],"wp:attachment":[{"href":"https:\/\/www-staging.systransoft.com\/es\/wp-json\/wp\/v2\/media?parent=3436"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}