Estimación automática de la calidad de traducción

La traducción automática (TA) se ha impuesto como una de las principales tecnologías de apoyo a la generación continua de contenidos multilingües, notablemente a raíz del cambio reciente hacia la traducción automática neuronal (TAN), basada en redes neuronales artificiales y aprendizaje profundo (Deep Learning). Las mejoras significativas de calidad obtenidas mediante TAN han impuesto esta tecnología como el nuevo paradigma a nivel científico como comercial, y las principales empresas del sector se basan en ella para sus ofertas de traducción. 

A pesar de los avances obtenidos en cuanto a calidad de las traducciones, el uso de traducción automática, y de TAN en particular, conlleva retos significativos. En primer lugar, para pares de dominios y/o dominios específicos, la traducción automática puede sufrir de una baja significativa de calidad, en función de los volúmenes de traducciones humanas disponibles para entrenar los sistemas. Por otro lado, los sistemas de tipo TAN generan traducciones de alta fluidez, pero sin garantizar la preservación de la información del idioma de origen, ni la adecuación terminológica, limitaciones importante para la generación de traducciones de calidad certificada. Por otro lado, en la mayoría de los sistemas actuales, la TAN genera traducciones a nivel de frase, sin tener en cuenta el contexto global de un documento, por lo cual no se garantiza la coherencia de las traducciones a nivel de documento. Por último, la alta fluidez de las traducciones generadas mediante TAN dificulta significativamente la detección de errores de tra