Traducción Automática

La traducción automática (Machine Translation, MT) es el uso de software para traducir texto o voz de una lengua a otra sin intervención humana. Es una de las aplicaciones más antiguas y visibles de la inteligencia artificial aplicada al lenguaje, y su historia se lee como un mapa de los grandes cambios de paradigma del propio campo: de las reglas escritas a mano al aprendizaje estadístico y, finalmente, a las redes neuronales que hoy sostienen a los grandes modelos de lenguaje.

El problema es más difícil de lo que parece: traducir no es sustituir palabras, sino preservar significado, registro y contexto entre sistemas lingüísticos que rara vez se corresponden uno a uno. Esa dificultad explica por qué la MT ha necesitado tres generaciones de tecnología para acercarse a la calidad humana.

De las reglas a la estadística

Los primeros sistemas, la traducción automática basada en reglas (RBMT), dominaron las décadas iniciales. Lingüistas codificaban a mano diccionarios bilingües y reglas gramaticales; el resultado era predecible pero rígido, incapaz de absorber la ambigüedad y la variación del lenguaje real. En los años 2000 el paradigma cambió hacia la traducción estadística (SMT): en lugar de reglas, los sistemas aprendían de grandes corpus bilingües qué traducciones eran más probables. Los modelos de alineamiento desarrollados en IBM y, sobre todo, la traducción basada en frases formalizada por Philipp Koehn, Franz Och y Daniel Marcu en 2003 marcaron el estándar de la industria durante más de una década. Documentación: artículo original de traducción por frases.

La era neuronal: del Transformer a los LLM

Un enfoque neuronal representativo es el sistema GNMT: una red codificador-decodificador con atención aprende a producir la secuencia de destino condicionada por la de origen. El mecanismo modela probabilidades; no garantiza fidelidad semántica.

Cómo se evalúa: BLEU y sus límites

Medir la calidad de una traducción de forma automática es un problema en sí mismo. La métrica de referencia histórica es BLEU, propuesta por Kishore Papineni y colegas en 2002: compara la salida del sistema con una o varias traducciones humanas y calcula el solapamiento de n-gramas (secuencias de una a cuatro palabras), con una penalización por brevedad. Es rápida, barata e independiente del idioma, pero mide coincidencia superficial de palabras, no adecuación ni significado: una traducción correcta con sinónimos distintos puede recibir una puntuación baja. Por eso han ganado terreno métricas neuronales como COMET (Rei et al., 2020), que comparan origen, hipótesis y referencia en un espacio semántico y correlacionan mejor con el juicio humano. Documentación: artículo original de BLEU; artículo original de COMET.

Límites reales

La traducción automática no elimina la necesidad de revisión: el registro, la terminología especializada y la fidelidad al original deben comprobarse cuando el coste del error es alto.