Ir al contenido principal

Aumento por Retrotraducción

La idea: Generar datos paralelos sintéticos traduciendo texto existente en idioma de destino de vuelta al idioma de origen, y luego usar estos pares sintéticos para entrenar o indicar un modelo directo. Esto expande su corpus paralelo económicamente — pero con advertencias sobre la calidad.

:::info Este es un libro de recetas, no una implementación terminada Esta guía esboza la estrategia y sus trampas críticas. La retrotraducción es poderosa pero puede amplificar errores si no se realiza cuidadosamente. :::

Cuándo Usar Esto​

  • Tiene texto monolingüe en idioma de destino pero datos paralelos limitados
  • Desea expandir un corpus de entrenamiento para ajuste fino sin traducción manual
  • Necesita más ejemplos de few-shot pero no puede obtener traducciones humanas lo suficientemente rápido
  • Está dispuesto a filtrar por calidad los datos sintéticos agresivamente

Cómo Funciona​

[Target-language text]          "awâsisak mêtawêwak"
        │
        ▼
[Back-translate to source]      "The children are playing"  (via LLM or MT API)
        │
        ▼
[Create synthetic pair]         ("The children are playing", "awâsisak mêtawêwak")
        │
        ▼
[Quality filter]                Keep only high-confidence pairs
        │
        ▼
[Use for training/prompting]    Expand your parallel corpus
  1. Recopilar texto monolingüe — libros, artículos, transcripciones y redes sociales en idioma de destino
  2. Retrotraducir — usar un LLM o API de MT para traducir cada oración al idioma de origen
  3. Filtrar por calidad — hacer un viaje de ida y vuelta (traducir de nuevo) y comparar; mantener pares donde el viaje de ida y vuelta ≈ original
  4. Usar el corpus sintético — para ajuste fino, ejemplos de few-shot o datos de coaching

Filtrado de Calidad: La Prueba de Viaje de Ida y Vuelta​

# Pseudo-code for round-trip quality filtering
for target_text in monolingual_corpus:
    # Back-translate: target → source
    synthetic_source = translate(target_text, "crk", "en")
    
    # Forward-translate: source → target
    round_trip = translate(synthetic_source, "en", "crk")
    
    # Compare round-trip to original
    chrf_score = compute_chrf(target_text, round_trip)
    
    if chrf_score > 0.70:  # High similarity = high-quality pair
        parallel_corpus.append((synthetic_source, target_text))

Trampa Crítica: Amplificación de Errores​

:::warning La retrotraducción amplifica los sesgos existentes del modelo Si su modelo de retrotraducción comete consistentemente los mismos errores, su corpus sintético codificará esos errores como "correctos". Esto crea un bucle de retroalimentación: entrenar con datos malos → producir traducciones peores → generar datos sintéticos peores. Siempre filtre agresivamente por calidad y mezcle datos sintéticos con traducciones humanas verificadas. :::

Dónde Encontrar Texto Monolingüe​

  • Boletines comunitarios, periódicos y publicaciones
  • Documentos gubernamentales en idioma de destino (p. ej., Nunavut Hansard para inuktitut)
  • Materiales educativos y libros de texto
  • Textos religiosos (ampliamente disponibles para muchos idiomas)
  • Redes sociales (con permisos apropiados y filtrado de calidad)
  • Audio/video transcrito de programas de idiomas

Ventajas y Desventajas​

✅ Expande datos de entrenamiento económicamente❌ Amplifica errores del modelo si no se filtra
✅ Utiliza texto monolingüe abundante❌ El techo de calidad está limitado por el modelo de retrotraducción
✅ Fácil de generar a escala❌ El filtrado de viaje de ida y vuelta consume muchos recursos computacionales
✅ Complementa otros enfoques❌ Los datos sintéticos nunca son tan buenos como la traducción humana

Se Combina Bien Con​

Véase También​