En torno a la traducción automática neuronal de zoologismos

Abstract

La reciente aparición de los sistemas neuronales ha supuesto una auténtica revolución en el ámbito de la traducción automática, dando lugar a la traducción automática neuronal (TAN), que supone un enorme salto cualitativo en comparación con el predecesor sistema de traducción automática estadística basada en segmentos o frases (phrase-based statistical machine translation o PBSMT) (Bojar et al., 2016; Castilho et al., 2017; Sennrich et al., 2016). A pesar de estos avances, los sistemas TAN aún tienen un importante talón de Aquiles —las unidades fraseológicas— debido principalmente a los múltiples desafíos que estas presentan: ambigüedad, no composicionalidad, manipulación, variación diasistemática, flexibilidad morfosintáctica, discontinuidad, o anisomorfismo interlingüístico, entre otros. En este contexto, en el presente trabajo analizaremos las principales dificultades que supone la traducción automática neuronal de distintos zoologismos (es decir, unidades fraseológicas que contienen lexemas referidos a nombres de animales [denominados zoónimos]) tales como pagar el pato, llevarse el gato al agua, haber gato encerrado, dar gato por liebre o [ser] cuatro gatos, en las direccionalidades de traducción ES>EN/ZH. Para ello, examinaremos el rendimiento de los dos sistemas de traducción automática neuronal más robustos del mercado: DeepL y Google Translate. Con este telón de fondo, los prometedores resultados obtenidos con zoologismos podrán abrir camino hacia nuevas formas de optimizar el tratamiento de las unidades fraseológicas por parte de los sistemas TAN.