Módulo “Formación instrumental”, aunque con fuerte vinculación con “Traducción especializada”.

Asignatura optativa de formación específica, con componentes vinculados con los recursos tecnológicos para la traducción, la gestión de proyectos y la traducción y revisión de textos.

Traductor. Revisor. Gestor de proyectos.

• Historia de la traducción automática y modelos fundamentales.
• Inteligencia artificial generativa, modelos de lenguaje y traducción automática neuronal: entrelazando conceptos.
• Qué es una red neuronal. Nociones básicas e intuitivas
• La preparación de un texto que traducir para introducir en una red neuronal.
• Arquitecturas principales de los motores de traducción automática neuronal.
• Últimos avances en Traducción automática neuronal.
• Evaluación automática de la calidad de la traducción.
• La posedición y la revisión.
• Preedición, lenguaje controlado y reaprendizaje.
• Niveles de posedición
• Técnicas de posedición
• Herramientas de posedición

• Capacidad de aplicar los conocimientos a la práctica
• Capacidad de trabajo individual

• Dominio de herramientas informáticas generales
• Dominio de técnicas de traducción
• Rigor en la revisión y control de calidad

• Motivación por la calidad
• Adaptación a nuevas situaciones
• Capacidad de gestión de la información
• Conocimientos de informática relativas al campo de estudio
• Resolución de problemas

Casacuberta Nolla, F. y Peris Abril, A. (2017): “Traducción automática neuronal”, Revista Tradumàtica, 15, pp. 66-74. http://revistes.uab.cat/tradumatica/article/viewFile/n15-casacuberta-peris/pdf_48

Isaac Caswell and Bowen Liang (2020): Recent Advances in Google Translate. [Mensaje en un blog] Google AI Blog. En línea: https://ai.googleblog.com/2020/06/recent-advances-in-google-translate.html

Forcada, M. L. (2019): Traducción automática neural: cómo funciona y qué se puede esperar de ella. [Diapositivas]. Departamento de Lenguajes y Sistemas, Universidad de Alicante. En línea: https://www.dlsi.ua.es/~mlf/tmp/forcada_torrejuana.pdf

Koehn, P. y Knowles, R. (2017): Six Challenges for Neural Machine Translation, Proceedings of the First Workshop on Neural Machine Translation. (p. 28–39). Vancouver: Association for Computational Linguistics. En línea: https://www.aclweb.org/anthology/W17-3204.pdf

Hu, Ke; Cadwell, Patrick (2016): “A Comparative Study of Post-editing Guidelines”. Baltic J. Modern Computing, (4)2, pp. 346-353. http://doi.org/10.13140/RG.2.1.2253.1446

Kenny, Dorothy (2022):  Human and machine translation. En Kenny, D. (Ed.), Machine translation for everyone: Empowering users in the age of artificial intelligence (pp 23–49, capítulo 2). Berlin: Language Science Press. En línea: https://langsci-press.org/catalog/book/342

Koehn, P. (2017): Neural Machine Translation, arXiv:1709.07809v1

Lommel, A., Uszkoreit, H., & Burchardt, A. (2014). Multidimensional quality metrics (MQM): A framework for declaring and describing translation quality metrics. Tradumàtica, (12), 0455-463. https://ddd.uab.cat/record/130144

Mesa-Lao, Bartolomé (2013): "Introduction to Post-Editing: The CasMaCat GUI". SEECAT Project.

Neubig, Graham (2017): Neural Machine Translation and Sequence-to-sequence Models: A Tutorial. arXiv:1703.01619

Nunziatini, M., & Marg, L. (2020, November): “Machine translation post-editing levels: Breaking away from the tradition and delivering a tailored service”. In Proceedings of the 22nd Annual Conference of the European Association for Machine Translation (pp. 309-318). https://aclanthology.org/2020.eamt-1.33/

O'Brien, Sharon (2012): "Towards a Dynamic Quality Evaluation Model for Translation". JoSTrans. The Journal of Specialised Translation, 17. En línea: http://www.jostrans.org/issue17/art_obrien.php.

Pérez-Ortiz, J. A.; Forcada, M. L. y Sánchez-Martínez, F.: (2022): How neural machine translation works. En Kenny, D. (Ed.), Machine translation for everyone: Empowering users in the age of artificial intelligence (pp 141-164, cap. 7). Berlin: LSP. En línea: https://langsci-press.org/catalog/book/342

Peris, A. (2018): Is Attention All You Need? [Diapositivas]. Universitat Politècnica de València. En línea: https://www.prhlt.upv.es/aigaion2/attachments/Transformer.pdf-54651af972703d4b1443fc03a8a9e9a6.pdf

Rico, Celia (2012): "A Flexible Decision Tool for Implementing Post-editing Guidelines". Localisation Focus. The International Journal of Localisation, 11 (1), pp. 54-66. En línea: http://www.localisation.ie/sites/default/files/resources/locfocus/issues/LocalisationFocusVol11Issue1_online_0.pdf

Sánchez-Gijón, P. (2016): “La Posedición : Hacia Una Definición Competencial Del Perfil y Una Descripción Multidimensional Del Fenómeno.” Sendebar 27: 151–62.

Steinberger Ralf, Mohamed Ebrahim, Alexandros Poulis, Manuel Carrasco-Benitez, Patrick Schlüter, Marek Przybyszewski & Signe Gilbro (2014). An overview of the European Union's highly multilingual parallel corpora. Language Resources and Evaluation Journal (LRE). December 2014, Volume 48, Issue 4, pp 679-707. DOI: 10.1007/s10579-014-9277-0.

Svoboda, T. (2018): The state of the (trade and) art in translation: PEMT automation, MT, and the future. In European Union, European Parliament, Translation services in the digital world. A sneak peek into the (near) future, pp. 106-119, Luxembourg..

TAUS (2013): "Pautas para la postedición de traducción automática". Trad.: iDISC. Thinktank/Resources/Best Practices. En línea: https://www.taus.net/think-tank/best-practices/postedit-best-practices/machine-translation-post-editing-guidelines-spanish.

Cho, Kyunghyun (2015a): Introduction to Neural Machine Translation with GPUs (part 1). [Mensaje en un blog] NVIDIA Developer Blog. 27 de Mayo de 2015. En línea: https://devblogs.nvidia.com/introduction-neural-machine-translation-with-gpus/

Cho, Kyunghyun (2015b): Introduction to Neural Machine Translation with GPUs (part 2). [Mensaje en un blog] NVIDIA Developer Blog. 14 de Junio 2015. En línea: https://developer.nvidia.com/blog/introduction-neural-machine-translation-gpus-part-2/

Cho, Kyunghyun (2015c): Introduction to Neural Machine Translation with GPUs (part 3). [Mensaje en un blog]. 26 de Junio de 2015. En línea: https://developer.nvidia.com/blog/introduction-neural-machine-translation-gpus-part-3

Jiajun Zhang and Chengqing Zong (2020): Neural Machine Translation: Challenges, Progress and Future. arXiv:2004.05809

Forcada, M. L. (2017): “Making sense of neural machine translation”. Translation Spaces 6:2 pp. 291–309. http://www.dlsi.ua.es/~mlf/docum/forcada17j2.pdf

Sato, K. (2016): Understanding neural networks with TensorFlow Playground. [Mensaje en un blog]. Google Cloud Blog. En línea: https://cloud.google.com/blog/products/gcp/understanding-neural-networks-with-tensorflow-playground

Shuoheng Yang, Yuxin Wang, Xiaowen Chu (2020): A Survey of Deep Learning Techniques for Neural Machine Translation. arXiv:2002.07526

Se valorará la consecución de las competencias anteriormente indicadas, manteniendo un equilibrio entre aspectos conceptuales, instrumentales y de autorreflexión.

• Realización de tareas de trabajo autónomo.
• Realización de ejercicios prácticos durante el desarrollo de la clase.
• Debate oral y/o escrito sobre lecturas introductorias y temas concretos.
• Demostración del dominio de técnicas y conceptos teórico-prácticos

Primera convocatoria:

• Tareas trabajo individual y prácticas de clase (50%)
• Seminarios, control de lecturas y/o trabajos y/o exposiciones, pruebas escritas y cuestionarios (50%)

Segunda convocatoria:

Los estudiantes que no asistieron continuadamente a clase (por tanto, no entregaron al menos el 75% de las prácticas de clase) serán evaluados con estos criterios en la segunda convocatoria:

• Prueba escrita y/o práctica y entrega de trabajos

Asistencia activa a clases: realización de prácticas

Seguimiento continuado de las lecturas, tareas y experimentación autónomas.

La presentación copiada total o parcialmente de alguno de los trabajos destinados a la evaluación supondrá el suspenso automático en la asignatura y la imposibilidad de recuperarla.

Las mismas que para la evaluación.