La course au plus grand ensemble de données dans la traduction par IA a atteint un point de rendements décroissants. Le développement initial de l’apprentissage automatique était basé sur l’extraction du plus grand nombre possible de textes bilingues sur le Web ouvert. Cependant, le passage aux grands modèles de langage (LLM) comme Lara a mis en évidence une réalité cruciale.…

Pendant des années, la course à l’intelligence artificielle a été dominée par une philosophie centrée sur les modèles : construire des algorithmes plus grands et plus complexes. La conviction dominante était qu’un meilleur modèle était le seul moyen d’obtenir de meilleurs résultats. Dans le domaine de la traduction, cela a conduit à se concentrer sur des ensembles de données génériques massifs…

Dans le domaine de la localisation d’entreprise, les modèles de traduction statiques deviennent rapidement obsolètes. Ces systèmes génériques ont du mal à suivre la nature en constante évolution de la langue, ce qui entraîne une dégradation de la qualité, une post-édition accrue et, en fin de compte, un faible retour sur investissement. L’incapacité à s’adapter à la terminologie, au style…