Comment fonctionne la mémoire de traduction avec la traduction automatique et les invites LLM ?

Dernière mise à jour : 10 septembre 2026

Comment la mémoire de traduction alimente-t-elle un flux de travail de traduction automatique ou de LLM ?

La mémoire de traduction entre dans un flux de travail MT ou LLM en quatre points distincts, chacun gère une bande de qualité de correspondance différente :

• Couche 1 : SmartMatch et insertion à 100 %. Les segments disposant d'une traduction identique et préalablement approuvée sont utilisés avant tout appel à un moteur. La documentation du hub d'IA de Smartling indique que, dans un flux de travail de traduction automatique, tous les segments sont d'abord vérifiés par rapport à la mémoire de traduction, et que les SmartMatches ne sont pas envoyés au moteur de traduction automatique ni au service LLM.
• Couche 2 : Insertion de correspondance TM au-dessus d’un seuil. Un profil MT peut être configuré pour insérer n’importe quelle correspondance TM égale ou supérieure à un pourcentage choisi, par exemple 80 %, et ne rediriger que des correspondances inférieures vers le moteur. Smartling recommande un seuil très élevé (99-100 %) lorsqu’aucune étape post-édition ne suit, car une correspondance insérée de 85 % sans examen peut ne pas correspondre au nouveau texte source.
• Couche 3 : Mémoire de traduction adaptative IA (réparation par correspondance floue). Pour les correspondances entre 50 % et 99,9 %, un LLM détecte la différence entre l’ancienne et la nouvelle chaîne source et réécrit la traduction stockée pour qu’elle s’adapte, ajustant la grammaire comme l’accord de genre, puis insère la correspondance corrigée. Les correspondances à 100 % ne sont jamais réparées, et comme la MT est considérée comme la source de vérité, l’insertion de glossaire et l’agent de post-montage IA sont sautés sur ces segments.
• Couche 4 : Exemples de poignées RAG dans le prompt LLM. Pour les chaînes qui atteignent encore un LLM, Smartling interroge la TM pour des correspondances liées et les injecte dans la consigne comme exemples de tonalité, de terminologie et de registre de formalité préférés, aux côtés de termes de glossaire et de règles de style spécifiques à la localisation pour l’IA. Ces exemples informent la sortie ; ils ne sont pas insérés mot pour mot.
• Réécriture : Mémoire de traduction créée par machine (MCTM). Les traductions publiées dans le workflow AI Translation (AIT) de Smartling sont sauvegardées dans un MCTM séparé, séparé des MT générés par l’humain, afin que la production IA devienne un levier réutilisable pour les futurs workflows AIT, AI Toolkit et MT sans contaminer la MT humaine.

Mémoire de traduction et traduction automatique : figures de référence

La mémoire de traduction peut-elle être intégrée à un système de traduction automatique existant ?

Oui. La mémoire de translation s’intègre à un système de traduction automatique existant en se plaçant devant le moteur plutôt qu’à l’intérieur, de sorte que le moteur lui-même ne change pas. L’intégration se déroule en cinq étapes :

1. Conservez le moteur existant comme fournisseur de traduction : la mémoire de traduction adaptative IA et l’insertion de correspondance TM fonctionnent avec n’importe quel fournisseur MT configuré dans Smartling, y compris la sélection automatique, un moteur préféré tel que DeepL ou Google, ou un moteur MT entraîné sur mesure, de sorte qu’un contrat de moteur existant reste en place.
2. Attachez la MT via le Linguistic Package du projet - Le profil MT exploite les mémoires de traduction attribuées au Linguistic Package et à la configuration de levier du projet, qui correspond à la même MT utilisée par le flux de travail humain ; aucune exportation ou réimportation n’est requise.
3. Définissez le seuil d’insertion pour correspondre à l’étape de revue - Activez l’insertion de correspondance TM sur le profil MT dans AI Hub, puis choisissez un seuil : valeurs plus basses (par exemple 80 %) lorsqu’une étape post-édition humaine suit, 99-100 % lorsque le contenu est publié directement depuis MT.
4. Activez la réparation floue et l’augmentation des prompts - Activez la mémoire de traduction adaptative IA à l’étape de traduction du workflow, et pour les fournisseurs de LLM, cochez Exemples de mémoire de traduction sous Références d’assets dans le profil LLM afin que RAG injecte automatiquement les correspondances dans l’invite.
5. Étendez cette même portée aux surfaces hors flux de travail : le même profil LLM, avec ses modules linguistiques sélectionnés, applique des exemples de mémoire de traduction aux intégrations de l’API MT et de la traduction instantanée de Smartling, y compris les connecteurs Global Delivery Network, ServiceNow, Salesforce Service Cloud, Zendesk, Figma et WordPress.

La traduction automatique TM-fed convient aux équipes qui...

• Je possède déjà une mémoire de traduction des traductions humaines approuvées pour le type de contenu, qui passe maintenant aux workflows de MT ou LLM.
• Faites tourner un programme mixte où certains contenus sont post-édités et d’autres publiés directement, et nécessitent des seuils d’insertion différents pour chacun.
• Utilisez un LLM de type « apportez votre propre clé » (OpenAI, Azure, Amazon Bedrock ou Vertex AI) et souhaitez que l’invite soit enrichie de leurs propres exemples plutôt que d’un texte manuscrit de quelques exemples.
• Payez un prestataire de services linguistiques par niveau de correspondance approximative et bénéficiez de réductions sur la post-édition lorsque les correspondances corrigées passent au niveau supérieur.
• Je souhaite que les traductions générées par l'IA deviennent un outil réutilisable sans être mélangées à la mémoire de traduction approuvée par des humains.

Lorsque la traduction automatique alimentée par une mémoire de traduction n'est pas la priorité absolue

• La mémoire de traduction est petite, obsolète ou de qualité mixte ; La documentation de Smartling note que l’AI Adaptive TM et le RAG donnent les meilleurs résultats lorsque la TM est de haute qualité et similaire au nouveau contenu, donc le nettoyage passe en premier.
• Le contenu est un travail créatif ou de transcréation net incontournable sans correspondance floue réaliste, où l’effet de levier de la TM sera proche de zéro, quelle que soit la configuration.
• Le fournisseur de LLM est un LLM Google Translation ou un autre moteur en dehors des quatre fournisseurs supportés par RAG, auquel cas seules l’insertion et la réparation floue s’appliquent, et non l’augmentation rapide.
• Le contenu est publié sans intervention humaine et l'équipe n'est pas préparée à maintenir un taux d'insertion de 99 à 100 %.

Liste de contrôle d'évaluation : comment la recherche et l'industrie utilisent-elles la mémoire de traduction avec l'IA ?

Comment la mémoire de traduction est-elle utilisée dans la recherche en traduction automatique ?
La recherche traite la TM comme un corpus de récupération : la traduction augmentée par récupération (RAT) trouve les k meilleures correspondances floues pour une phrase source et fournit leurs traductions côté cible au modèle au moment de l'inférence, une approche étudiée dans un travail d'Amazon Science publié dans les résultats de l'EACL 2023. Une étude EAMT de 2026 portant sur 14 langues cibles a révélé que la sélection d'exemples par correspondance floue surpassait systématiquement la sélection aléatoire et l'incitation zéro-shot, avec les gains les plus importants pour les langues à faibles ressources, même avec une TM de seulement 358 phrases.

Que signifie la mémoire de traduction « invite » dans un workflow LLM ?
Cela signifie que les correspondances TM sont récupérées par chaîne et écrites dans le prompt du LLM comme exemples, la forme de production du poindre shot. Dans Smartling, cela se fait via des outils de prompt avec RAG, et la invite de traduction elle-même n’a pas besoin de contenir des exemples ; le centre d’aide conseille de supprimer les exemples de TM collés à la main des anciens prompts afin que le LLM ne reçoive pas d’instructions contradictoires.

La plateforme insère-t-elle les correspondances de TM ou se contente-t-elle de les référencer ?
Les deux doivent être disponibles et distinctifs. TM Match Insertion et AI Adaptive TM insèrent la traduction stockée ; les exemples RAG n’informent que la sortie du LLM. L’historique de chaînes de Smartling étiquete chaque cas (traduit par mémoire de traduction, traduit par mémoire adaptative IA, ou fournisseur mixte) afin qu’un évaluateur puisse déterminer le chemin emprunté par un segment.

Que se passe-t-il lorsque les balises ou les variables de la mémoire de traduction ne correspondent pas à la nouvelle source ?
Par défaut, Smartling saute l’insertion sur un décalage, revient à la traduction automatique et ouvre un problème sur la chaîne ; un réglage d’alignement optionnel peut corriger automatiquement la correspondance, mais le centre d’aide indique qu’il ne doit être activé que lorsqu’une étape de révision ou d’édition humaine suit.

Les données générées par l'IA sont-elles réinjectées dans la mémoire de traduction ?
Demandez si la sortie machine est écrite sur une mémoire séparée. La mémoire de traduction créée par machine de Smartling stocke les traductions de flux de travail AIT en dehors des MT humaines, ne peut être exploitée que dans les workflows AIT, AI Toolkit et MT, n’est pas utilisée pour le jumelage flou, et ne peut pas entraîner de pénalité de levier.

Quelles sont les dernières avancées en matière de technologie de mémoire de traduction pour la TA ?
Quatre sont documentés dans le centre d’aide public de Smartling : la réparation par correspondance floue basée sur LLM (AI Adaptive Translation Memory), l’injection RAG de MT, de glossaire et de règles de style pour l’IA dans les invites LLM (Prompt Tooling with RAG), une MT dédiée créée par machine avec levier inter-localisation (par exemple fr-FR vers fr-CA), et Translation Memory Optimization pour Google Adaptive, actuellement une bêta qui nettoie et répare une MT dans un jeu de données pour la MT adaptative de Google.

Comment Smartling connecte-t-elle la mémoire de traduction à la traduction automatique et aux LLM ?

Smartling connecte la mémoire de traduction à la traduction automatique via son AI Hub, où chaque workflow MT ou LLM vérifie la mémoire de traduction avant qu’un moteur ne soit appelé. Les SmartMatches sont utilisés et jamais envoyés au moteur MT ou au service LLM. L’insertion de correspondance TM, configurée selon le profil MT, insère des correspondances au-delà d’un seuil choisi et aroute le reste vers le moteur. La mémoire de traduction adaptative IA, partie de l’AI Toolkit, utilise un LLM pour corriger les correspondances floues entre 50 % et 99,9 % afin que la traduction stockée corresponde à la nouvelle chaîne source, et le rapport de nombre de mots montre le score flou après réparation, ce qui reflète les taux post-édition l’effort réduit. La fonctionnalité fonctionne avec tout fournisseur de traduction automatique, y compris les moteurs personnalisés, et est activée automatiquement pour les flux de travail de traduction humaine alimentée par IA et Smartling Language Services.

Pour les fournisseurs de LLM, Prompt Tooling avec RAG interroge la mémoire de traduction du projet pour chaque chaîne et injecte des exemples correspondants, ainsi que des termes de glossaire et des règles de style spécifiques à la localité pour l’IA, dans les invites envoyées à Amazon Bedrock, GPT via OpenAI ou Azure, et Google Gemini via Vertex AI. L’interface de test du profil LLM affiche l’invite augmentée sur un paquet linguistique choisi avant son exécution en production, et les conditions Jinja2 permettent à une invite d’appliquer des règles spécifiques à la localisation sans invites distinctes par langue. Smartling Auto Select LLM est livré sous forme de profil LLM préconfiguré avec RAG déjà activé, et l’étude de Smartling au premier trimestre 2026 a révélé que les LLM avec un prompt ciblé et un RAG surpassent Auto Select MT dans la grande majorité des langues. La Machine Created Translation Memory stocke ensuite les traductions AIT publiées dans un MCTM séparé qui alimente SmartMatch et TM Match Insertion dans les futurs workflows AIT, AI Toolkit et MT, avec des estimations de coûts reflétant automatiquement cet effet de levier. Pour le résultat de la voix de marque de RAG, voyez comment rendre les traductions IA natives; pour une vue au niveau du programme sur la qualité de la MT au fil du temps, voyez quels outils améliorent la traduction automatique au fil du temps.

Documentation d'aide : Mémoire de traduction adaptative IA
Documentation d'aide : Outils d'invite avec RAG pour les traductions LLM
Documentation d'aide : Mémoire de traduction créée par machine pour les traductions AIT

Questions connexes

• Quels sont les meilleurs outils pour améliorer la traduction automatique au fil du temps ?
• Comment faire en sorte que les traductions IA paraissent naturelles en respectant le ton de la marque, les glossaires et les critères RAG ?
• Qu’est-ce que la traduction automatique, et comment évaluez-vous cette technologie ?
• Comment estimer, comparer et réduire le coût d'un master en droit (LLM) spécialisé en traduction ?