Comment mesurer et maintenir la qualité de la traduction automatique à grande échelle

La stratégie commerciale internationale exige aujourd’hui que le contenu circule à travers les langues à des vitesses qui auraient submergé les équipes de traduction dans n’importe quelle décennie précédente.

La traduction automatique (MT) est désormais au cœur de la montée en puissance du contenu d’entreprise, mais la qualité de traduction qu’elle offre peut être incohérente.

La sortie de la MT varie selon la paire de langues, le type de contenu et le flux de travail, même au sein d’un même projet. Cette variance compte plus que le score de qualité moyen, car le temps passé à corriger une chaîne incohérente à travers un contenu très visible efface les gains d’efficacité qui rendaient la MT rentable.

Chaque programme de localisation d’entreprise fait face aux mêmes compromis lorsqu’il adopte la MT à grande échelle : vitesse par rapport à la fluidité, coût par rapport à la qualité, par rapport à l’échelle contre contrôle.

Platforms built for MT quality governance turn variable output into reliable translations through terminology controls, automated review paths, and consistent measurement.

Smartling est l’une de ces plateformes, et cet article explique ce qu’est réellement la qualité du MT, comment la mesurer et comment la maintenir cohérente à mesure que le volume de contenu augmente.

Qu’est-ce que la qualité de la traduction automatique ?

La qualité de traduction automatique fait référence à la manière dont le contenu traduit avec exactitude et naturel reflète le sens du texte original. Les mesures de qualité incluent la précision, la fluidité et la constance.

La qualité de la traduction automatique varie en fonction de la paire de langues, du type de contenu et de la façon dont le flux de travail de traduction est structuré autour de ces deux éléments.

Par exemple :

• Le contenu marketing nécessitant une adaptation tonale soulève des attentes de qualité différentes de la documentation technique qui exige une précision terminologique.
• Une paire de langages avec de nombreuses données d’entraînement produit une sortie de référence différente d’une avec des données limitées.

Qu'est-ce qui détermine la qualité de la traduction automatique ?

Cinq facteurs déterminent si un moteur de MT produit une production utilisable pour une tâche donnée.

Complexité des paires de langage. Certaines paires comme anglais-espagnol et anglais-français disposent de décennies de données d’entraînement de haute qualité. D’autres en ont beaucoup moins, et la qualité de la production MT reflète cet écart.

Type de contenu. La documentation technique nécessite une précision terminologique. Le texte marketing nécessite une adaptation tonale. Le contenu juridique a besoin des deux, plus une fidélité littérale. La traduction automatique, qui manque de capacité de nuance, ne fonctionne pas de manière égale sur les trois.

Disponibilité du contexte. Les moteurs de traduction automatique capables d'accéder aux segments environnants, à la structure du document et au contexte visuel produisent un meilleur résultat que les moteurs traduisant les chaînes de caractères isolément.

Données d'entraînement Les modèles entraînés sur des données spécifiques au domaine et à la marque surpassent les moteurs à usage général pour le contenu spécialisé.

Choix du moteur ou du modèle. Se fier uniquement à la MT généralisée pour chaque type de contenu et paire de langues ne produira pas de résultats cohérents et de haute qualité. Les LLM, les moteurs de traduction automatique neuronale (NMT) finement réglés et les modèles augmentés par RAG gèrent chacun différents types de contenu différemment. Plutôt que de recourir par défaut à la méthode automatique, choisir le bon modèle pour chaque tâche garantit une qualité de traduction supérieure...

Dimensions clés de la qualité de la traduction automatique

La qualité de la MT peut se référer à différents facteurs, selon à qui vous demandez et ce qui a mal tourné. Ces quatre dimensions couvrent l’ensemble du tableau, et chacune d’elles, laissée sans gestion, devient le problème qui définit le projet.

Précision

La précision mesure si la traduction préserve le sens de la source. Une traduction fluide mais inexacte est plus difficile à retenir en lecture qu’une traduction lourde mais précise, ce qui rend ces erreurs plus risquées.

La fluidité

La fluidité est là où la MT révèle le plus souvent ses faiblesses. La grammaire et le choix des mots sont des enjeux essentiels. Le problème le plus difficile est le registre : un moteur qui traduit correctement mais écrit comme un manuel lorsque le contenu demande quelque chose de conversationnel, ou inversement.

Cohérence

La régularité se brise discrètement et à grande échelle. Le même terme exprimé de trois façons différentes : une interface produit, un article d’aide et une page marketing, érode la confiance auprès des utilisateurs et crée une refonte composée pour l’équipe.

Conscience du contexte

La prise en compte du contexte est ce qui distingue un moteur de traduction qui traduit des mots d'un moteur qui traduit le sens. Les pronoms genrés en allemand, une étiquette d'interface utilisateur qui se lit différemment selon l'écran, ou une phrase idiomatique sur un marché et absurde sur un autre nécessitent que le moteur interprète, et non se contente de convertir.

Comment Smartling renforce la cohérence

L’application du glossaire et la réutilisation de la mémoire de traduction (TM) maintiennent la terminologie approuvée et les formulations préalablement approuvées verrouillées à chaque tâche. Une fois qu’un terme est approuvé, Smartling l’applique automatiquement la prochaine fois qu’il apparaît, que la traduction se fasse via la traduction automatique, la traduction IA ou la traduction IA humaine (AIHT).

Le kit d'outils de traduction IA de Smartling va encore plus loin. L’insertion de termes dans le glossaire IA garantit que les substitutions correspondent au contexte de la chaîne et sont grammaticalement correctes, plutôt que de simplement remplacer le terme.

Les garanties grammaticales sont essentielles pour les langues où un terme de glossaire doit s’infléchir différemment selon sa position dans une phrase. La mémoire adaptative de traduction IA augmente l’influence de la MT dans les flux de travail de traduction automatique en optimisant les correspondances disponibles, de sorte que la formulation approuvée à l’avance se maintient même lorsque le contenu environnant a changé.

Pour les contenus où la cohérence signifie plus que la terminologie (accent sur le ton, le registre ou la voix de la marque), l’outil de transcréation Smartling maintient la mémoire de transcréation séparée de la mémoire de traduction. En conséquence, les adaptations créatives ne s’immiscent pas dans les flux de travail de traduction standards ni n’introduisent d’incohérences là où une précision littérale est requise.

Comment la qualité de la traduction automatique est mesurée

La mesure de la qualité de la MT combine trois approches. La plupart des programmes d’entreprise utilisent les trois à différents moments du flux de travail.

Évaluation humaine

L’évaluation humaine repose sur des linguistes formés qui examinent le contenu traduit selon des catégories d’erreur objectives. Le cadre Multidimensional Quality Metrics (MQM) est la norme industrielle pour ce travail.

Les évaluateurs consignent les erreurs par type, telles que la précision, la fluidité, la terminologie, le style et les conventions locales, ainsi que par gravité, comme neutre, mineur, majeur ou critique. Le système calcule un score global de qualité basé sur des poids de sévérité.

L’assurance qualité linguistique (LQA) simplifie l’évaluation humaine lors de l’évaluation MQM. LQA est basé sur l’échantillonnage, ce qui signifie que les équipes examinent une tranche représentative de contenu traduit pour produire une mesure indirecte de la qualité globale plutôt que d’inspecter chaque chaîne.

Métriques automatisées

Des métriques automatisées comme BLEU, COMET et TER comparent la sortie MT aux traductions de référence de façon algorithmique. Ils s’exécutent en quelques secondes, s’étendent sur des millions de chaînes et produisent des scores numériques cohérents.

Ils corréléent de manière imparfaite au jugement humain, c’est pourquoi les indicateurs automatisés fonctionnent mieux comme signaux d’alerte précoce que comme verdicts finaux de qualité.

Mesure hybride

La mesure hybride combine l’examen humain sur le contenu échantillonné avec la notation automatisée sur l’ensemble du corpus. Les approches hybrides sont les plus courantes dans la production d’entreprise, car elles équilibrent la profondeur de mesure avec le coût de mesure.

Comment Smartling permet la mesure hybride

La suite LQA de Smartling gère une évaluation humaine structurée. Les linguistes évaluent les traductions par rapport à des schémas compatibles MQM personnalisables. LQA attribue un niveau de gravité à chaque erreur qui alimente un score global de qualité.

Les résultats apparaissent dans le tableau de bord LQA selon le délai, le lieu, le projet ou le travail, offrant aux responsables de localisation une vue structurée et basée sur les données de la position de la qualité et de ses faiblesses.

Pour les équipes qui utilisent la MT à grande échelle, l’échantillonnage seul ne suffit pas. L’agent d’estimation de la qualité du langage (LQE) évalue automatiquement chaque chaîne de MT, en étiquetant chaque Haut, Moyen ou Faible en fonction de l’effort prédit après le montage.

Les chaînes de caractères élevées peuvent complètement contourner la revue humaine dans un flux de travail dynamique ; Les cordes moyennes sont signalées pour un montage léger. L’effort de révision va là où il est nécessaire.

Les deux outils couvrent les deux extrémités du problème de mesure : signal complet du corps sur chaque chaîne MT, et notation humaine structurée sur le contenu échantillonné. Les deux alimentent Smartling Analytics, fournissant aux équipes les données nécessaires pour optimiser les flux de travail, justifier les décisions et tenir les programmes de qualité responsables au fil du temps.

Problèmes courants de qualité de la traduction automatique

Cinq modes de défaillance apparaissent dans les programmes de MT en entreprise. La plupart de ces échecs sont des problèmes de workflow, pas des problèmes de modèles.

Traductions littérales. Les idiomes, le langage figuré et les formulations culturellement spécifiques se traduisent mot à mot plutôt que par signification. Un « home run » devient une référence au baseball dans une langue où le baseball n’a aucune importance culturelle.

Incohérence terminologique. Le même terme de marque apparaît sous la forme de trois traductions différentes sur le même site. Le nom d’un produit est traduit sur une page et laissé en anglais sur une autre.

Fautes de grammaire. L’accord de genre, le temps verbal et l’ordre des mots sont incorrects dans des langues à morphologie plus riche que la source. Ces erreurs surviennent lorsque les moteurs MT manquent de contexte sur le sujet ou l’objet d’une phrase.

Erreurs de contexte. Les pronoms se résolvent à un antécédent. Les homographes ont une mauvaise idée. Un mot qui signifie une chose dans un document légal est traduit comme s’il signifiait autre chose dans le sens quotidien.

Des décalages culturels. Les niveaux de formalité, les honorifiques et les références culturelles manquent de correspondre au registre attendu par le public.

Traduction automatique vs. qualité de traduction humaine

La traduction automatique et la traduction humaine ne sont pas interchangeables. Ils proposent des contenus différents avec des compromis variés.

Aucune des deux approches n’est universellement meilleure. La bonne question pour les programmes d’entreprise est de savoir quel contenu appartient à quelle piste, et comment le router automatiquement à mesure que le volume augmente.

Smartling AutoSelect résout le problème de routage en évaluant le contenu au moment de la traduction et en l’envoyant au moteur MT le mieux adapté, au LLM ou à l’étape du flux de travail humain. Si le moteur sélectionné ne peut pas produire une traduction de qualité, AutoSelect réessaie avec la meilleure option suivante, puis revient à une étape de workflow humaine si nécessaire.

Pour les équipes qui souhaitent encore plus de contrôle, AutoSelect prend en charge des moteurs entraînés sur mesure dans la rotation aux côtés des fournisseurs de MT standards. Cela signifie que le contenu spécifique au domaine, tel que juridique, médical ou très technique, peut être acheminé vers un moteur conçu pour celui-ci, tandis que le contenu général suit la voie standard. Le résultat est une couche de routage qui s’adapte à la complexité du contenu plutôt que d’appliquer un seul moteur sur tout.

Comment améliorer la qualité de la traduction automatique

La qualité de la traduction automatique s'améliore grâce à cinq tactiques, chacune ciblant une partie différente du flux de travail.

Utilisez des glossaires. La terminologie approuvée assure la cohérence entre les chaînes et les tâches. Sans glossaire, le même terme de marque désigne trois manières différentes au sein du même contenu.

Fournir le contexte. Les métadonnées au niveau du segment, le contexte visuel et le contenu environnant améliorent la précision de la traduction automatique. Les moteurs de traduction de chaînes de caractères prises isolément ne disposent pas des informations nécessaires pour résoudre correctement les ambiguïtés.

Utilisez des flux de travail hybrides. Le Post-Édition par Traduction Automatique (MTPE) associe la production de traduction automatique à la révision humaine. Le MTPE utilise des linguistes humains pour nettoyer la production brute de la MT. Avant cette étape de revue, l’agent de post-édition IA de Smartling vérifie automatiquement la grammaire, le ton et la précision sémantique — afin que le linguiste corrige ce qui reste plutôt que de reconstruire à partir de zéro.

Standardisez les processus. Les équipes qui dirigent le contenu par des flux de travail cohérents en utilisant le même glossaire, la même TM et les mêmes étapes de révision obtiennent une qualité constante. Les équipes qui gèrent chaque projet différemment obtiennent une qualité qui reflète l’incohérence.

Surveillez les performances. Les échantillons LQA, le score LQE et le reporting des tendances d’erreur montrent où la qualité dérive avant qu’elle ne devienne un problème destiné au client. Sans surveillance, les problèmes de qualité n’apparaissent qu’après qu’un détecteur externe les signale.

Comment Smartling améliore la qualité de la MT en pratique

L’agent de post-édition IA de Smartling s’exécute automatiquement sur la sortie MT avant qu’elle n’atteigne un évaluateur humain, vérifiant la grammaire, le ton et la précision sémantique, et enrichissant les traductions avec vos ressources linguistiques afin que la sortie soit plus proche de la publication.

Le linguiste corrige ce qui reste plutôt que de reconstruire à partir de zéro. Combiné avec l’Agent d’Estimation de la Qualité du Langage (LQE), qui étiquete chaque chaîne de MT Haute, Moyenne ou Basse en fonction de l’effort prédit après le montage.

Ainsi, les équipes peuvent router les chaînes qui nécessitent une attention pour qu’elles reviennent et publient directement des chaînes à haute confiance, sans traiter chaque chaîne de la même façon, quel que soit le risque réel.

Comment maintenir la qualité à grande échelle

Faire évoluer la qualité de la MT est un problème différent d’améliorer une seule traduction. À grande échelle, la qualité dépend de la fiabilité avec laquelle le flux de travail applique les contrôles qualité sur des milliers voire des millions de chaînes de chaînes. Quatre principes déterminent si cette fiabilité est maintenue.

Standardisation des flux de travail. Le même type de contenu passe toujours par le même flux de travail. Le contenu marketing se déroule tout au long du flux de travail marketing. Le contenu support se déroule dans le flux de travail du support. La qualité s’arrête selon qui possède un projet donné.

Automatisation Le contenu passe des systèmes sources aux flux de travail de traduction sans intervention manuelle. Les approbations sont acheminées automatiquement. Le contenu traduit est renvoyé au système source sans cycles d'exportation-importation. Lorsqu'une chaîne de caractères est modifiée, c'est le flux de travail qui la détecte, et non un chef de projet consultant une feuille de calcul.

Suivi centralisé de la qualité. Les scores LQA, les distributions LQE et les tendances d’erreur sont réunis en un seul endroit. Les équipes détectent les incohérences entre les langues et les types de contenu avant qu’elles ne s’accumulent sur des centaines de chaînes supplémentaires.

Amélioration continue. Les glossaires, les TM et les modèles de prompts se mettent à jour à mesure que de nouveaux termes et schémas apparaissent. La base de qualité s’élève avec le temps au lieu de rester stable ou de se dégrader à mesure que le volume de contenu augmente.

Sans que les quatre principes ci-dessus fonctionnent ensemble, la qualité à grande échelle devient un problème de moyenne — suffisamment bon dans son ensemble mais brisé dans les cas spécifiques qui comptent le plus.

Personio illustre à quoi ressemble ce changement en pratique. La société de logiciels RH copiait manuellement le contenu source de Zendesk, envoyait des fichiers par email à une agence de traduction, puis collait les traductions. Ce processus fonctionnait à faible volume mais ne pouvait pas être adapté à d’autres langages sans ajouter le nombre de personnes.

Après avoir centralisé leur programme de localisation sur Smartling et introduit la traduction automatique pour le contenu de support, l’équipe de formation au contenu de Personio prévoit d’économiser 40 % de leur budget actuel de traduction et de réduire d’au moins de moitié le temps de revue interne. La MT gère le contenu d’aide standardisé et à grand volume, tandis que la revue humaine s’occupe de ce qui en a réellement besoin. Personio réinvestit désormais son budget dans des langues que l’entreprise ne pouvait auparavant pas se permettre de soutenir.

Risques d’une mauvaise qualité de traduction automatique

Lorsque les équipes ne gèrent pas la qualité du MT, l’impact en aval se manifeste dans quatre endroits prévisibles.

Incohérence de marque. Les noms des produits, les slogans et le langage de base de la marque varient selon les marchés. Les clients voient différentes versions d’une même marque selon le site sur lequel ils se trouvent.

Confusion client. Les descriptions de produits, les articles de support et les flux de paiement produisent des instructions peu claires dans les langues cibles. Les clients abandonnent, utilisent mal ou escaladent.

Problèmes de conformité. Le contenu réglementé dans les catégories juridiques, médicales et financières comporte un risque lorsque les traductions omettent le langage requis ou introduisent des inexactitudes. Certaines industries considèrent les erreurs de traduction comme des violations de la conformité.

Refonte accrue. Les problèmes de qualité apparaissent après publication et nécessitent un nettoyage manuel. Le coût de la correction du contenu après coup dépasse celui de la traduction correcte la première fois.

Que se passe-t-il sans systèmes de qualité

Les programmes de localisation fonctionnant sans systèmes de qualité structurés suivent les mêmes quatre schémas.

Sorties incohérentes. La terminologie, le ton et la formulation varient selon le contenu car aucun actif ou règle partagé ne les maintient stables.

Délais de contrôle qualité manuel. La qualité dépend du fait que chaque évaluateur détecte les problèmes un par un. L’assurance qualité devient le goulot d’étranglement que le reste du flux de travail était censé éliminer.

Manque de visibilité. Personne ne répond aux questions de base sur la qualité, y compris où elle est forte, où elle dérive, et quels langages ou types de contenu présentent le plus de risques.

Mauvaise scalabilité. Ajouter des langues et du volume de contenu multiplie la surcharge de coordination au lieu de tirer parti d’actifs réutilisables. Chaque nouveau lieu semble aussi difficile que le premier.

La qualité de la traduction automatique est un problème du système

La qualité du MT est variable par nature. Le choix du moteur, le type de contenu, la paire de langages et la conception du workflow façonnent tous le résultat, et aucune tactique ne produit une qualité constante à elle seule.

Les équipes performantes reposent sur un système, plutôt que sur la méthode isolée. Dans ce système, les flux de travail structurés appliquent des contrôles qualité cohérents à chaque tâche. L’automatisation fait circuler le contenu à travers ces flux de travail sans transfert manuel. Et la mesure de la qualité montre où la production est forte et où elle dérive.

La plupart des équipes d’entreprise disposent de pièces de cette infrastructure, et c’est là que se cachent les problèmes de qualité. Smartling comble ce fossé en combinant workflows structurés, automatisation et mesure de la qualité au sein d’une seule plateforme, offrant aux équipes un chemin répétable vers la qualité de la MT qui évolue avec le volume de contenu plutôt qu’avec le nombre de personnel.

Si vous voulez voir comment Smartling rassemble tout cela sur une seule plateforme, réservez une démo.