IA & NLP
NLP Translation Chain
Observer comment le sens se transforme au fil des traductions.
PROARKHEL'origineLe projet
Ce projet part d'une idée assez simple : reproduire le principe du téléphone arabe avec des systèmes de traduction. Une phrase passe par plusieurs langues avant de revenir à l'anglais, puis on observe ce qui a été conservé ou transformé.
Nous avons volontairement choisi des langues moins courantes, comme le breton, l'espéranto et le gallois. Cela rendait l'expérience plus intéressante, mais aussi plus réaliste sur les limites des modèles et la disponibilité des données.
Ce que j'ai construit
J'ai travaillé sur le pipeline qui choisit le chemin des langues, lance les traductions successives et conserve chaque résultat intermédiaire. Lorsqu'une paire directe n'était pas disponible, la traduction repassait par l'anglais comme langue pivot.
L'intérêt n'était donc pas seulement d'obtenir une phrase finale. Il fallait rendre visible le parcours complet pour comprendre à quel moment un mot, une nuance ou la structure de la phrase avait commencé à dériver.
Chaque exécution produisait une petite histoire différente. Certaines phrases perdaient très vite leur sujet, d'autres conservaient l'idée générale mais changeaient complètement de ton. Le pipeline servait autant à traduire qu'à rendre ces transformations observables et comparables.
Mon rôle
Conception et réalisation du pipeline de traduction, gestion des chemins de langues, des passages par la langue pivot et de la restitution des résultats intermédiaires.
Ce que j'en retiens
Ce projet m'a intéressé parce que le résultat n'était pas forcément meilleur lorsqu'il était plus fluide. Une phrase pouvait sembler correcte tout en ayant perdu une partie importante de son sens initial.
Il m'a aussi appris à réduire une idée trop ambitieuse. Entraîner tous les modèles depuis zéro n'était pas réaliste ; il a fallu choisir une architecture atteignable tout en gardant l'expérience intéressante.
Environnement technique