Ce projet se situe dans le contexte de recherches entreprises en vue d’évaluer l’aide que peuvent fournir les outils informatiques au traducteur littéraire et leurs implications en traductologie. Dans cette optique, et après s’être intéressés en premier lieu à l’influence des logiciels de traduction assistée par ordinateur (TAO) sur la pratique des professionnels ainsi qu’à l’aide qu’ils peuvent apporter au traducteur pour restituer le style d’un texte original en langue cible, nous nous proposons à présent de nous pencher sur un second outil dont l’importance est sans cesse grandissante dans ce contexte d’émergence de l’intelligence artificielle : la traduction automatique (TA). En effet, la progression des nouvelles technologies est particulièrement appréciable dans le domaine de la traduction, où la TA en particulier semble s’instituer peu à peu dans une position ambivalente, puisqu’elle se présente d’une part comme l’un des nouveaux outils destinés à rejoindre l’arsenal du traducteur professionnel, aux côtés de la TAO, et, d’autre part, comme l’alternative à la traduction humaine. Notre objectif serait dès lors d’évaluer la pertinence et l’efficacité d’un tel outil en traduction littéraire — champ avec lequel il est réputé être incompatible —, et ce, en mettant au point notre propre moteur de traduction automatique. Cette expérience originale nous permettrait à la fois d’analyser les obstacles inhérents à la TA en littérature et de nourrir la réflexion théorique en traductologie. Par ailleurs, le système tirerait non seulement parti des avancées de la traduction neuronale (nouvelle approche en TA basée sur l’apprentissage profond), mais aussi d’un corpus spécialisé, dans la mesure où, comme l’affirment certains des experts en la matière, nous soutenons que les moteurs de traduction spécialisés renferment le gage de qualité le plus sûr et qu’ils laissent présager, au reste, une inclusion certaine au sein de l’environnement de travail du traducteur de demain.

Cette thèse se situe dans le domaine du Traitement Automatique des Langues Naturelles. Elle vise à pouvoir garantir l'exactitude de l’analyse syntaxique et sémantique de textes en langue naturelle (des spécifications techniques ou des textes dans des langues peu dotées) et la fidélité de leur traduction dans plusieurs autres langues. Pour y parvenir, plusieurs verrous doivent être levés. D’abord, pour maîtriser la combinatoire inhérente à la complexité des langues naturelles, le développement des analyseurs, des générateurs… doit être réalisé automatiquement à partir d’une description claire et vérifiable. Dans ce but, nous ferons évoluer les Grammaires Statiques de Correspondances Structurales (GSCS) pour les rendre à la fois plus intuitives et capables de produire des modules exécutables. Pour finir de garantir le sens, nous produirons toutes les analyses possibles et utiliserons un dialogue avec un humain pour désambiguïser entre ces différentes solutions. Par ailleurs, pour accélérer le développement des grammaires GSCS, nous appliquerons un traitement à base d’apprentissage profond sur des banques d’arbres existantes. Les probabilités obtenues sur les règles permettront d’organiser le dialogue de désambiguïsation de manière naturelle. Des algorithmes capables de mesurer la qualité des analyses et des traductions seront étudiés et évalués. Enfin, pour prendre en compte le caractère fortement multilingue du project de CS, nous choisirons une architecture à base de pivot sémantique. Les analyseurs réalisés produiront ainsi des graphes UNL, et les générations partiront de ces graphes pour générer les textes en langue cible. Des expérimentations avec d’autres enconvertisseurs et déconvertisseurs UNL (anglais, russe, hindi, espagnol…) permettront de vérifier la capacité d’interopérabilité d’UNL.

L'apprentissage profond a permis des avancées significatives dans le domaine de la traduction automatique.La traduction automatique neuronale (NMT) s'appuie sur l'entrainement de réseaux de neurones avec un grand nombre de paramètres sur une grand quantité de données parallèles pour apprendre à traduire d'une langue à une autre.Un facteur primordial dans le succès des systèmes NMT est la capacité de concevoir des architectures puissantes et efficaces. Les systèmes de pointe sont des modèles encodeur-décodeurs qui, d'abord, encodent une séquence source sous forme de vecteurs de caractéristiques, puis décodent de façon conditionne la séquence cible.Dans cette thèse, nous remettons en question le paradigme encodeur-décodeur et préconisons de conjointement encoder la source et la cible afin que les deux séquences interagissent à des niveaux d'abstraction croissants. À cette fin, nous introduisons Pervasive Attention, un modèle basé sur des convolutions bidimensionnelles qui encodent conjointement les séquences source et cible avec des interactions qui sont omniprésentes dans le réseau neuronal.Pour améliorer l'efficacité des systèmes NMT, nous étudions la traduction automatique simultanée où la source est lue de manière incrémentielle et le décodeur est alimenté en contextes partiels afin que le modèle puisse alterner entre lecture et écriture. Nous améliorons les agents déterministes qui guident l'alternance lecture / écriture à travers un chemin de décodage rigide et introduisons de nouveaux agents dynamiques pour estimer un chemin de décodage adapté au cas-par-cas.Nous abordons également l'efficacité computationnelle des modèles NMT et affirmons qu'ajouter plus de couches à un réseau de neurones n'est pas requis pour tous les cas.Nous concevons des décodeurs Transformer qui peuvent émettre des prédictions à tout moment dotés de mécanismes d'arrêt adaptatifs pour allouer des ressources en fonction de la complexité de l'instance.