Evaluación de traducciones realizadas con un modelo neuronal y uno estadístico: valoración de resultados para los pares francés-español e inglés-español
Este trabajo de fin de máster compara los sistemas de traducción automática estadística y neuronal, y evalúa las traducciones obtenidas a partir de modelos de ambos sistemas creados en plataformas de código abierto. Por un lado, se presenta un modelo creado con Moses, una estructura que permite crea...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/97446 |
| Acceso en línea: | http://hdl.handle.net/10609/97446 |
| Access Level: | acceso abierto |
| Palabra clave: | traducción automática estadística traducción automática neuronal traducción aumentada traducció automàtica estadística traducció automàtica neuronal traducció augmentada statistical machine translation neural machine translation augmented translation Machine translating -- TFM Traducció automàtica -- TFM Traducción automática - TFM |
| Sumario: | Este trabajo de fin de máster compara los sistemas de traducción automática estadística y neuronal, y evalúa las traducciones obtenidas a partir de modelos de ambos sistemas creados en plataformas de código abierto. Por un lado, se presenta un modelo creado con Moses, una estructura que permite crear modelos de traducción automática estadística (TAE). Por otro lado, se presenta un modelo creado con Marian, un conjunto de herramientas que da soporte para la creación de modelos de traducción automática neuronal (TAN). Se utilizan los corpus bilingües en línea MultiUN, que permiten responder a la necesidad de cantidad y calidad de datos para entrenar los modelos de TAN y TAE en los pares francés-español e inglés-español. Las traducciones producidas con estos dos modelos se evalúan con métricas manuales que incluyen un proceso de posedición simple y anotación de errores. Se contrastan los resultados con traducciones generadas con un motor de traducción automática comercial y se califican con métricas automáticas. La evaluación ayuda a definir las fortalezas y debilidades de cada sistema e identificar los errores de traducción más comunes. Según el desempeño de los modelos, es posible dar una valoración que podría permitir considerarlos parte integrante de un proceso más amplio de traducción aumentada, que concibe a la traducción automática como una herramienta y, al traductor, como parte central del flujo de trabajo. |
|---|