Accéder au contenu principal

Augmentation par Rétro-traduction

L'idée : Générer des données parallèles synthétiques en traduisant le texte existant en langue cible vers la langue source, puis utiliser ces paires synthétiques pour entraîner ou guider un modèle direct. Cela élargit votre corpus parallèle à faible coût — mais avec des réserves concernant la qualité.

:::info Ceci est un guide pratique, non une implémentation finalisée Ce guide esquisse la stratégie et ses pièges critiques. La rétro-traduction est puissante mais peut amplifier les erreurs si elle n'est pas effectuée avec soin. :::

Quand utiliser cette approche​

  • Vous disposez de texte monolingue en langue cible mais de données parallèles limitées
  • Vous souhaitez élargir un corpus d'entraînement pour l'ajustement fin sans traduction manuelle
  • Vous avez besoin de plus d'exemples few-shot mais ne pouvez pas obtenir de traductions humaines assez rapidement
  • Vous êtes disposé à filtrer la qualité des données synthétiques de manière agressive

Fonctionnement​

[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. Collecter du texte monolingue — livres, articles, transcriptions et médias sociaux en langue cible
  2. Rétro-traduire — utiliser un LLM ou une API de traduction automatique pour traduire chaque phrase vers la langue source
  3. Filtrer la qualité — effectuer une traduction aller-retour (traduire à nouveau) et comparer ; conserver les paires où l'aller-retour ≈ original
  4. Utiliser le corpus synthétique — pour l'ajustement fin, les exemples few-shot ou les données de coaching

Filtrage de la qualité : le test aller-retour​

# 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))

Piège critique : amplification des erreurs​

:::warning La rétro-traduction amplifie les biais existants du modèle Si votre modèle de rétro-traduction commet systématiquement les mêmes erreurs, votre corpus synthétique encodera ces erreurs comme « correctes ». Cela crée une boucle de rétroaction : entraîner sur de mauvaises données → produire des traductions plus mauvaises → générer des données synthétiques plus mauvaises. Filtrez toujours la qualité de manière agressive et mélangez les données synthétiques avec des traductions humaines vérifiées. :::

Où trouver du texte monolingue​

  • Infolettres communautaires, journaux et publications
  • Documents gouvernementaux en langue cible (p. ex., Hansard du Nunavut pour l'inuktitut)
  • Matériel pédagogique et manuels scolaires
  • Textes religieux (largement disponibles pour de nombreuses langues)
  • Médias sociaux (avec les autorisations appropriées et filtrage de qualité)
  • Audio/vidéo transcrits provenant de programmes linguistiques

Avantages et inconvénients​

✅ Élargit les données d'entraînement à faible coût❌ Amplifie les erreurs du modèle s'il n'est pas filtré
✅ Utilise du texte monolingue abondant❌ Plafond de qualité limité par le modèle de rétro-traduction
✅ Facile à générer à grande échelle❌ Le filtrage aller-retour est intensif en calcul
✅ Complète d'autres approches❌ Les données synthétiques ne sont jamais aussi bonnes que la traduction humaine

S'associe bien avec​

Voir aussi​