En marcha un sistema de traducción automática neuronal para las lenguas románicas ibéricas

El procesamiento del lenguaje natural, campo de conocimiento de la inteligencia artificial encargado de investigar la forma de comunicarse entre los humanos y las máquinas, no solo ha cogido protagonismo en los últimos años, sino que se ha perfilado como una verdadera disrupción. Dicha disciplina sirve como cimiento a un sinfín de investigaciones y avances; muestra de ello, el último proyecto capitaneado por la Universitat Oberta de Catalunya (UOC) bajo la batuta de Antoni Oliver, coordinador de la iniciativa. El proyecto Traducción automática neuronal para las lenguas románicas de la península ibérica (TAN-IBE) explora las técnicas más efectivas para entrenar sistemas de traducción automática basados en redes neuronales aplicadas a siete lenguas románicas de la península ibérica: español, portugués, catalán, gallego, asturiano, aragonés y aranés.

Transferencia de conocimiento entre lenguas

Los sistemas de traducción basados en redes neuronales se entrenan a partir de millones de oraciones en una lengua con su traducción en otra lengua. Es lo que se conoce como corpus paralelos, inmensos conjuntos de datos disponibles en dos lenguas. Una vez que la red neuronal está entrenada, es capaz de traducir con eficacia cualquier texto en esas lenguas. El problema es que, con idiomas como el español o el portugués, es sencillo encontrar esos corpus paralelos, pero con aquellas lenguas que tienen menos material disponible —como el aranés, el aragonés o el asturiano—la tarea se complica.

"Lo bueno es que los sistemas neuronales pueden aprender cosas de una lengua a partir de otra que se le parezca", explica Antoni Oliver, investigador del grupo de investigación interuniversitario en Aplicaciones Lingüísticas (GRIAL-UOC) y coordinador del proyecto TAN-IBE. "Por eso escogimos las lenguas románicas. El proceso deberá ser capaz de aprender por transferencia utilizando un modelo entre dos lenguas para construir el sistema de traducción entre otras dos. Así, por ejemplo, cuando esté terminada, la herramienta de traducción español-aranés habrá aprendido en parte gracias al sistema español-catalán o al español-portugués", añade.

Objetivos en el horizonte

La construcción del modelo de traducción no es el único objetivo del proyecto de investigación, que busca, además: compilar corpus  paralelos y monolingües para las siete lenguas románicas, con especial hincapié en el asturiano, el aragonés y el aranés; explorar nuevas técnicas para el entrenamiento de sistemas de traducción automática neuronal (traducción automática multilingüe, la traducción automática autosupervisada y la traducción automática no supervisada); o entrenar sistemas de traducción automática neuronal entre el español y el resto de las lenguas del proyecto, en ambas direcciones. Por otro lado también aspira a entrenar sistemas multilingües capaces de traducir desde y hacia todas las lenguas del proyecto, así como crear guías que faciliten el entrenamiento de sistemas de traducción automática neuronal en general y publicar los resultados del proyecto con licencias libres.

"A grandes rasgos, el proyecto consiste, en primer lugar, en recopilar todos los corpus para las lenguas con menos material (asturiano, aragonés y aranés), y, en segundo lugar, en entrenar los sistemas de traducción", añade Oliver. "El resultado final del proyecto será tanto la publicación libre de los recursos, en la medida que sea posible, como la creación de un sistema de traducción automática neuronal libre de uso", continúa.

Impulso a las lenguas minoritarias

La primera parte del proyecto está llevándose a cabo fuera de los laboratorios. Para disponer de los datos necesarios para entrenar los modelos de inteligencia artificial, es necesario recopilar el máximo material posible del asturiano, el aragonés y el aranés. "Por eso, esta primera fase se centra en lograr acuerdos con gobiernos autonómicos, universidades o editoriales para que nos faciliten el material para crear los corpus paralelos con los que entrenar al sistema neuronal", insiste.

En este sentido, en el marco del proyecto se ha alcanzado un acuerdo con el Gobierno del Principado de Asturias para la cesión de todo el corpus de textos traducidos del castellano al asturiano que posee la Dirección Xeneral de Política Llingüística. El convenio recoge también que, si el Principado lo requiere, podrá disponer de los desarrollos tecnológicos y lingüísticos del proyecto TAN-IBE para su aprovechamiento en posibles iniciativas propias de traducción automática.

"En última instancia, con este proyecto pretendemos ayudar a fomentar el uso de las lenguas con menos recursos y que se publique más en dichas lenguas", incide el investigador. "Por ejemplo, todas las leyes podrían publicarse en dos lenguas de forma rápida y eficiente, invirtiendo menos recursos, aunque siempre se necesitaría una revisión humana. Además, las personas que no se atreven a usar estas lenguas porque no se sienten seguras pueden apoyarse en estas herramientas para mejorar sus textos. Por último, las lenguas como el asturiano, el aragonés o el aranés deben formar parte de las tecnologías digitales. Si no, pueden ir desapareciendo y ser olvidadas", concluye Oliver.