Saint-Jérôme, patron des traducteurs : de la Vulgate à la vulgate

page IA

IA inside

*

Version anglaise sous forme de manifeste

*

Dans le cadre de l'adaptation française de mon étude en anglais sur Federico Pucci, intitulée « Le code oublié : une méthode de traduction automatique centenaire validée par l’IA », j'ai été amené à citer un extrait de Sous l’invocation de saint Jérôme, de Valery Larbaud :

Donc, en ce 30 septembre, jour où l'on fête le Patron des traducteurs, il était bien normal de lui consacrer un billet ! Sous-titré "De la Vulgate à la vulgate", il vise surtout à combattre l'actuelle vulgate en traduction, à l'œuvre depuis au moins deux ou trois décennies (depuis qu'ils prétendent qualifier la traduction de commodity, en fait), qui sévit pareillement des clients aux LSP, et plus que jamais à l'heure des LLM : toute la responsabilité d'offrir constamment au client les meilleurs DÉLAIS, les meilleurs COÛTS et la meilleure QUALITÉ incombe essentiellement au traducteur, qui n'a désormais plus son mot à dire, du moins le croient-ils...

Tout comme ils croient que la quadrature du triangle est définitivement résolue ! C'est aller un peu trop vite en besogne.

L'erreur originelle fut d'associer la traduction à une commodity, faux-ami en français (agrément, avantage, confort, utilité, ...), véritable ennemi en anglais : produit de base, matière première, simple marchandise, aucune différence entre une traduction et 1 kilo de patates ! Donc plus il y a de kilos (de quelques kmots au-delà), plus la remise doit être importante... 

Comme je le disais à l'époque, « c'est oublier un peu vite le fait que la traduction n'est pas un produit comme un autre, mais un service à haute valeur ajoutée d'autant plus spécialisé que le domaine est pointu, et que la seule matière première utilisée servant à la "fabriquer" est la matière grise du traducteur. Dont la logique objective est très exactement inverse à celle du client : plus la quantité est importante, plus ça va me demander de temps et d'effort pour maintenir le même niveau de qualité de bout en bout. Une qualité qui n'est pas acquise par enchantement, mais conquise de haute lutte. Dans la durée.
Une réalité sur laquelle les clients - et les agences qui les secondent dans cette approche pour les conserver à tout prix (c'est le cas de dire) - font trop souvent l'impasse, ce qui contribue à ternir l'image d'une profession en vérité hautement spécialisée, exigeant des années et des années de pratique et de formation continues avant de donner de bons ouvriers. De plus en plus rares. Or tout ce qui est rare est cher, qu'on se le dise. »

Non, la traduction n'a jamais été, n'est pas ni ne sera jamais une commodity ! 

Il faut donc éliminer définitivement cette logique du prix d'une traduction au kilo, qui conduit inéluctablement à la spirale néfaste du moins-disant et à des offres anormalement basses. Lorsqu'un appel d’offres se base sur des promesses irréalistes, le LSP se rattrape ensuite sur la chaîne de production (temps, révision, profils), en transférant tout le risque résiduel - non reconnu et encore moins rémunéré - au traducteur.

Par conséquent le nombre de mots ne peut plus être la seule variable d'ajustement, à présent il faut tarifer le risque, et non plus les mots !

*

D'aucuns m'objecteront qu'à l'heure des LLM l'allégation « la seule matière première utilisée servant à "fabriquer" [une traduction] est la matière grise du traducteur » est fausse, puisque désormais, en quelques secondes, la traduction est faite à 95% (en théorie...) par le binôme traduction neuronale + transformeur. 

Le raisonnement - et le calcul - des clients et des LSP est donc le suivant : si un LLM traduit bien 95% d'un texte, il ne reste que 5% de travail au "finisseur". Autrement dit, sur un texte de 10 000 mots, on ne lui paie que 500 mots. Un peu comme si l'on disait au technicien chargé d'inspecter la bonne santé d'un pont, de trouver les fissures critiques et de répondre de son diagnostic qu'il ne sera payé qu'au m² de rouille détectée...

La post-édition sérieuse, c’est pareil. Sur 10 000 mots, en corriger 500 peut ne prendre qu’un instant ; mais savoir où et comment intervenir sur 100% du texte fourni par l’IA pour les trouver est le fruit de nombreuses années de métier et demande beaucoup plus de temps ! C’est la fameuse analogie avec la blague bien connue, souvent racontée pour illustrer la valeur de l'expertise et de l'expérience par rapport au temps passé sur une tâche :

Un cargo est en panne. Après des jours sans réussir à le faire repartir, on fait venir un vieux mécanicien. Il écoute, touche quelques tuyaux, sort un marteau, donne un unique coup — le moteur repart aussitôt. Il envoie une facture de 15 000 €. L’armateur, abasourdi, exige le détail. Le mécanicien écrit :
Frapper avec le marteau : 10 €
Savoir où frapper : 14 990 €
Total : 15 000 €

La chute étant que, par rapport à la rapidité stérile de l'IA, le « savoir où frapper » (sur le clavier :-) représente l'expertise humaine en matière de nuances, de contextes, de cultures, de techniques, etc.

*

Vu que ces 5% concentrent tout le risque, puisque c'est là où se jouent les cas limites, la robustesse, la conformité, la traçabilité et l’expérience de sécurisation de la marque client, chaque prestation ne devrait plus jamais être facturée à la seule quantité de mots, mais à la valeur de risque maîtrisé, le modèle de tarification se transformant en contrat de résultat mesurable (grille objective tenant compte du contexte, de l'audience, la conformité, la terminologie, les délais, la difficulté, la qualité exigée, etc.). 

Par curiosité, j'ai demandé à l'IA de m'énumérer les risques liés à cette approche LLM 95% - Finisseur 5%, la liste est impressionnante :

1) Qualité & exactitude

• Hallucinations factuelles (infos inventées, citations erronées).
• Erreurs de raisonnement (chaînes logiques cassées, mauvaise priorisation).
• Omissions critiques (détails juridiques/techniques manquants).
• Sur- ou sous-confiance (ton catégorique sur du douteux, ou inversement).
• Dérive de consigne (réponses hors périmètre, non-respect du brief).
• Fragilité aux formulations (variantes de prompt ⟶ résultats incohérents).
• Baisse de perf sur cas rares (long tail, domaines spécialisés).
• Mauvaise gestion du contexte (perte d’instructions, fenêtres tronquées).
• Formatage à risque (dates, nombres, unités, balises, place-holders).

2) Sécurité & confidentialité

• Fuites de données (PII, secrets, NDA, documents clients).
• Prompt injection / data exfiltration via contenus sources ou outils.
• Exposition aux plugins/outils tiers (chaîne d’approvisionnement).
• Journalisation non maîtrisée (logs contenant des données sensibles).
• Modèle inversé / extraction de données d’entraînement (risque IP/PII).
• Poisoning (corruption de sources, mémoires, TM/glossaires).

3) Juridique & conformité

• Non-conformité sectorielle (RGPD, HIPAA, finance, santé, défense).
• Droit d’auteur / IP (restitutions trop proches, licences de données).
• Diffamation (accusations infondées sur personnes/organisations).
• Conseils réglementés (juridiques, médicaux, fiscaux) mal balisés.
• Traçabilité insuffisante (impossibilité d’auditer/justifier un output).

4) Marque & réputation (clients et LSP)

• Ton/voix de marque non respectés (trop familier, aggressif, plat).
• Incohérence multicanale (réponses qui divergent selon points de contact).
• Cultural missteps (gafs interculturelles, humour déplacé).
• Biais / stéréotypes (politique, genre, ethnie, religion).
• Crises publiques (capture d’écran virale d’une réponse inappropriée).
• Perte de confiance (promesses marketing non tenues).

5) Spécifique LSP / localisation

• Contresens et faux amis (juridique, médical, technique).
• Terminologie non conforme (glossaires/termbases ignorés).
• Erreurs de variables ({name}, {amount}, placeholders mal placés).
• Formatage régional (dates, devises, séparateurs, sens de lecture).
• Genre et inclusivité (accords, neutres, sensibilités locales).
• SEO/ASO local (mots-clés inadéquats, perte de ranking).
• Mise en page brisée (expansion/contrainte de longueur).
• Confidentialité des contenus clients (fuites via MT/LLM).
• Chaîne TMS/CAT (mauvaise synchronisation, segments verrouillés écrasés).

6) Opérationnel & produit

• Latence / disponibilité (SLA non tenus, timeouts).
• Coût imprévisible (dérive tokens, appels outils).
• Versioning de modèles (régressions silencieuses à l’upgrade).
• Dérive de données (changements du monde réel non absorbés).
• Mauvais fallback (dégradations non contrôlées quand le LLM échoue).
• Observabilité lacunaire (pas de métriques, pas d’alertes).
• Évaluations biaisées (benchmarks non représentatifs du trafic réel).

7) Utilisateur & organisation

• Automation bias (humains qui valident trop vite).
• Fatigue de relecture (HITL où la vigilance chute).
• Shadow prompts (équipes qui bricolent des prompts non validés).
• Manque de formation (mauvais usage, attentes irréalistes).
• Changement de process (friction, adoption partielle ⟶ trous de contrôle). 

8) Contenus sensibles & sécurité produit

• Toxicité / harcèlement (sorties offensantes).
• Désinformation (propagation d’erreurs plausibles).
• Sécurité physique/IT si l’IA pilote des actions (exécute du code, commandes).
• Ouverture aux abus (jailbreaks, détournements d’usage).

9) Gouvernance & éthique

• Absence de politiques claires (quand utiliser / ne pas utiliser le LLM).
• Manque de contrôle d’accès (qui peut envoyer quoi au modèle).
• Pas de RAPID® (Recommend, Agree, Perform, Input, Decide), qui recommande, approuve, exécute, contribue en amont, décide.
• Documentation insuffisante (prompts, jeux de tests, décisions).

Donc, lorsque l'on pense que tous ces risques, réels quand bien même rarement tous réunis dans une seule mission, sont répercutés pratiquement au seul "finisseur" sans que cela ne lui soit reconnu, ni juridiquement ni financièrement, ce n’est pas une optimisation, mais juste un transfert de risques masqué. Pour un traducteur, une traductrice - à savoir la seule personne qui n’a ni la main sur l’outil, ni la rémunération, ni les assurances correspondantes -, accepter un tel cadre de travail, c'est intenable, à la fois au plan économique, éthique et juridique, et cela revient surtout à accepter de s’exposer sans filet.

La conclusion s’impose : si l’on veut tirer parti des LLM sans fabriquer un bouc émissaire professionnel, il faut renverser l’équation de responsabilité et de valeur.

Concrètement :

• Requalifier le rôle : le « finisseur » n’est pas un correcteur de surface mais un traducteur-rédacteur responsable d’exactitude, de conformité et de style. Ce rôle se facture et se planifie en conséquence (forfaits d’audit, tarifs différenciés selon risque, délais réalistes).
• Contrats et responsabilités : clauses écrites sur (i) limites d’usage du LLM, (ii) répartition des responsabilités en cas d’erreur, (iii) assurance RC pro adaptée, (iv) droit de refuser une livraison si le risque est jugé trop élevé. Pas d’acceptation tacite par simple réception d’un brouillon machine.
• Traçabilité minimale : livrer avec chaque projet un journal d’audit (sources, vérifications, décisions), versions, prompts clés et checklists passées. Sans trace, pas d’imputabilité raisonnable.
• Garde-fous techniques : exigences non négociables côté donneur d’ordre : filtres PII, détection d’hallucinations, tests de régression, échantillons de contrôle humain, solution de repli définie si le modèle déraille.
• Gouvernance : politiques claires « quand utiliser / ne pas utiliser », matrice RAPID® pour qui recommande/valide/décide, contrôle d’accès et formation obligatoire des équipes. Fin des « shadow prompts » (prompts fantômes : consignes LLM non officielles et non contrôlées que des personnes utilisent “en douce” pour obtenir un meilleur résultat — en dehors des prompts, modèles et politiques validés par l’équipe.
• Prix indexé au risque : plus le contexte est sensible (médical, juridique, marque globale), plus le coût du contrôle augmente. À défaut, on optimise le coût apparent en creusant une dette de risque qui explosera en aval.
• Transparence client : mention explicite d’un taux d’IA dans la chaîne, de ses limites et du périmètre exact de la relecture humaine. La confiance se gagne en amont, pas en post-mortem (autrement dit, avant que l'incident ne survienne).

Traduire, c'est maîtriser deux textes : le source et le cible. Saint Jérôme nous enseigne que le triptyque ci-après est non négociable :

• Adéquation au vrai (sources, faits, citations),
• Intelligibilité (lecteurs, usages, contexte),
• Assomption de responsabilité (choix, vérifications, réparations).

Les modèles, métriques et outils, LLM compris, ne sont que des moyens au service de ce triple devoir. C'est pourquoi un nouveau modèle de tarification basée sur la maîtrise du risque, et non plus sur un décompte des mots au kilo – qui prenne en considération tous les éléments ci-dessus –, doit devenir la norme en traduction : la vulgate a fait son temps ! 

P.S. La valeur de 5% a été retenue par simplicité d’analyse ; le raisonnement demeure valide avec 7 %, 10 % ou tout autre ordre de grandeur.

Federico Pucci vs Georges Artsrouni et Piotr Smirnov-Trojanskij

page IA

IA inside

*

En 1949, le CNR - Conseil National des Recherches, équivalent italien de notre CNRS - avait écarté Federico Pucci sous prétexte qu’il n’avait jamais construit de « machine à traduire ». Aujourd’hui, 75 ans plus tard, l’histoire prend un tournant ironique : les machines d’Artsrouni et de Trojanskij dorment sur les étagères des musées, tandis que la méthode purement théorique de Pucci retrouve une vie nouvelle grâce à l’intelligence artificielle.

Ce qui fut considéré comme une faiblesse à l'époque – l'absence de matérialité, aucun prototype – devient aujourd'hui la force de Pucci, sa revanche posthume : nous avoir légué les deux premiers textes traduits "mécaniquement" au monde, et avoir conçu un système idéographique et interlingua si abstrait et visionnaire qu’il a pu traverser le temps et renaître au XXIe siècle via les « machines immatérielles » de l’IA.

Le traducteur sans machine d'hier est finalement le seul qui fonctionne encore, comme je l'explique ici dans le détail. Les versions en français et en italien de mon étude suivront bientôt...

*

J'y décris l'opérationnalisation par l'IA d'une méthode conçue il y a près d'un siècle, d'abord présentée en public au mois de décembre 1929, puis publiée à Salerne (Italie) en 1931 et primée par une médaille d'argent à l’exposition-concours internationale des inventions de la foire de Paris, en mai 1935 :

alors intitulée : « une méthode pour traduire les langues sans les connaître », preuve qu'une approche « pré-numérique » peut renaître aujourd’hui.

La question coule de source : comment opérationnaliser via l'IA moderne ces trois systèmes historiques de traduction mécanique, analyser la possibilité de les faire revivre en 2025 et comparer leurs similitudes/différences ?

Le contexte historique est le suivant :

• Pucci : système idéographique et symbolique (1931), testé expérimentalement via les LLM en 2025.
• Artsrouni : prototype de « cerveau mécanique » (1932-1933), basé sur un système de recherche lexicale.
• Trojanskij : méthode interlingua en trois étapes (1933-1935), analyse logique → interlingua → recomposition.

Personnellement, leur contemporanéité est l'élément qui me frappe le plus. C'est la toute première réflexion de mon étude (j'adapte) :

Le phénomène des inventions simultanées, par lequel plusieurs individus — souvent isolés les uns des autres et situés dans différents pays — aboutissent indépendamment à une même découverte, montre que les percées scientifiques et technologiques ne résultent pas uniquement de collaborations directes, mais aussi de contextes intellectuels, sociaux et techniques communs, propices à l’émergence parallèle d’idées similaires. L’un des exemples les plus emblématiques est le déchiffrement des hiéroglyphes égyptiens au XIXᵉ siècle, où les travaux parallèles de Jean-François Champollion en France et de Thomas Young au Royaume-Uni, rendus possibles par l’étude de la Pierre de Rosette et par une connaissance croissante du copte, illustrent la convergence de recherches distinctes au sein d’un même environnement intellectuel. Ce modèle dépasse le seul champ des écritures anciennes : le développement de la traduction automatique constitue lui aussi un cas paradigmatique d’invention simultanée, puisque, bien avant l’ère informatique, des chercheurs de différents pays concevaient déjà l’idée de machines capables de franchir les barrières linguistiques.

 *

Cadre méthodologique d'opérationnalisation (établissement d'un lien entre la théorie et la pratique) :

Question faisabilité, si Pucci a déjà été validé avec succès (preuve de la robustesse de la méthode), Artsrouni devrait être plus facile à émuler comme système de recherche (mais avec une valeur limitée sur le plan linguistique) et Trojanskij être plus complexe, mais hautement intéressant au plan scientifique, en montrant la valeur symbolique (Pucci, Trojanskij) vs mécanique (Artsrouni), et en soulignant l’apport historiographique de l’IA comme outil de revalorisation.

Il convient tout d'abord de mettre Pucci à part, pour comparer juste Artsrouni et Trojanskij.

Vue d’ensemble de l'idée de machine d’Artsrouni

D'abord appelée « cerveau mécanique », il s'agit essentiellement d'un dictionnaire automatique multilingue basé sur des bandes perforées (carton souple) disposées en colonnes pour plusieurs langues. Ce dispositif permettait la recherche et l’impression de traductions mot à mot : chaque ligne contenait une entrée pouvant aller jusqu’à quatre langues, 40 000 lignes possibles, avec des temps de réponse ne dépassant pas quelques secondes.

Ce que l’IA peut offrir aujourd’hui 

En simulant le comportement (en émulant la fonction) de la machine grâce aux LLM (GPT, Claude, Grok, etc.), il est possible de reproduire son fonctionnement sans en recréer le mécanisme matériel :

1. Encodage digital du lexique multilingue (similaire à la bande perforée).
2. Interface utilisateur simulée : on entre un mot source, l’IA affiche les équivalents automatiquement. 
3. Rapidité et flexibilité améliorées (pas de contraintes physiques, accès instantané). 

voir d'améliorer la machine d’origine :

• Ajouter le contexte, la gestion des variantes linguistiques ou des expressions idiomatiques. 
• Intégrer une morphologie minimale, par exemple pour gérer genre ou nombre (absent dans la simple table d’origine). 
• Offrir une adaptabilité à des langues multiples, même si Artsrouni se limitait à quelques langues dans un même dispositif.

Limitations & différences essentielles

• Pas de traduction syntaxique : la machine Artsrouni était purement lexicale, elle ne rendait pas la grammaire ni le sens global. 
• Pas d’analyse linguistique : aucune décomposition syntaxique ou interprétation sémantique, ce que permettent aujourd’hui les modèles neuronaux. 
• Il s’agit donc d’une simulation partielle : ce n’est pas une machine de traduction complète, mais un simulateur de dictionnaire multilingue automatisé.

Exemple de protocole expérimental

1. Récupérer ou créer un lexique multilingue (simulateur de la bande perforée). 
2. Construire une interface LLM qui prend un mot source et retourne les équivalents dans les langues cibles (via base de données ou via LLM avec instructions). 
3. Évaluer la correspondance (exactitude lexicale, rapidité) par rapport à la machine historique.
4. Éventuellement, enrichir avec des exemples contextuels ou constructions grammaticales pour améliorer l’utilité.

Conclusion 

Il ne s'agit pas de reconstruire la machine physique, mais de recréer son opération fonctionnelle via l’IA. Aujourd'hui, grâce aux technologies numériques, nous pouvons simuler et même dépasser ce que la machine d’Artsrouni apportait, tout en conservant son principe (dictionnaire mécanique multilingue) et en le modernisant. C'est en cela que tient la véritable valeur historique et technique de ce projet — un précurseur que l’on peut désormais faire revivre dans un environnement numérique. 

*

Vue d'ensemble de la méthode interlingua symbolique de Trojanskij

Sa méthode repose sur l’idée d’une interlingua symbolique, conçue comme une représentation logique intermédiaire entre deux langues naturelles. Inspiré par l’espéranto mais plus abstrait, ce dispositif visait à formaliser la structure grammaticale et sémantique des énoncés en une forme logique standardisée, indépendante des spécificités linguistiques nationales. 

Le processus de traduction se déroulait en trois étapes :

1. Analyse logique du texte source par un opérateur monolingue, transformant le texte national-grammatical (A) en une forme logique universelle (A’). 
2. Conversion mécanique de cette forme logique en une autre forme logique correspondant à la langue cible (B’), à l’aide d’un dictionnaire, d’un glossaire de synonymes et d’une interlingua symbolique.
3. Restitution du texte final (B) en langue naturelle par un second opérateur monolingue, à partir de la forme logique intermédiaire (B’). 

Ainsi, la machine de Trojanskij ne se limitait pas à un dictionnaire mécanique comme celle d’Artsrouni, mais visait un véritable système de traduction universel, avec un rôle central accordé à la logique symbolique et à l’analyse grammaticale abstraite.

Ce que l’IA peut offrir aujourd’hui (voire améliorer le principe d’origine)

Les modèles de langage actuels (LLM) permettent :

• d'opérationnaliser automatiquement la transformation (A → A’), grâce à leurs capacités d’analyse syntaxique et sémantique, sans exiger l’intervention humaine initialement prévue par Trojanskij.
• de simuler l’interlingua de manière computationnelle : l’IA peut encoder le texte source dans une représentation vectorielle ou symbolique et la contraindre à respecter un schéma interlingua proche de celui décrit par Trojanskij.
• d'automatiser la phase B’ → B : là où Trojanskij prévoyait l’intervention d’un second opérateur monolingue, l’IA peut directement générer un texte grammaticalement correct et idiomatique dans la langue cible.
• d'améliorer le principe d’origine : contrairement aux moyens de son époque, l’IA peut gérer de vastes corpus multilingues, produire des représentations interlinguales plus riches (incluant synonymes, homonymes, idiomatismes), et même de généraliser le système à des familles linguistiques non prévues par Trojanskij.

Limitations & différences essentielles 

• Absence de spécifications complètes : la méthode de Trojanskij est partiellement documentée (brevets, descriptions ultérieures), ce qui nécessite une reconstruction interprétative par l’IA. 
• Nature de l’interlingua : Trojanskij envisageait une interlingua strictement logique et symbolique, inspirée de l’espéranto. Les LLM, eux, opèrent par représentations statistiques continues ; l’alignement parfait entre les deux paradigmes n’est donc pas garanti. 
• Rôle des opérateurs humains : la vision de Trojanskij reposait sur deux personnes monolingues pour assurer la phase d’analyse et de restitution. L’IA moderne court-circuite ces étapes, ce qui simplifie mais aussi modifie la nature collaborative initiale du processus. 

Donc, malgré les avancées incontestables de l'IA, l'opérationnalisation de sa méthode s'avère plutôt complexe : reconstruire l’interlingua décrite par Trojanskij et la rendre exploitable par un LLM, d'où l'exigence d'encoder règles grammaticales, catégories logiques et transformations syntaxiques. La méthode symbolique originale est déterministe et explicable, mais les LLM neuronaux sont des boîtes noires, rendant les erreurs difficiles à tracer. De plus, l'analyse logique automatique n'est pas parfaite pour les nuances culturelles ou idiomatiques, nécessitant toujours une post-édition humaine.

Côté différences, si Trojanskij est purement symbolique et mécanique, axé sur une interlingua explicite (symboles espéranto-like), l'IA moderne est majoritairement neuronale (end-to-end sans pivot explicite), bien que des hybrides émergent. L'original était monolingue et humain-dépendant, or en automatisant tout, l'IA perd en universalité stricte (pas de "logique universelle" pure). 

Exemple de protocole expérimental

Pour tester cette opérationnalisation, un protocole expérimental simple, implémentable avec des outils comme Python (spaCy pour parsing, Hugging Face Transformers pour traduction), pourrait être exécutable sur des plateformes comme Google Colab, pour valider l'amélioration IA tout en mesurant les limitations (ex. : taux d'erreur sur idiomes ~15-20 %).

Préparation : créer un dictionnaire multilingue symbolique (ex. : base de données JSON avec formes de base et symboles pour français, russe, anglais) ; utiliser un corpus test (ex. : phrases de Trojanskij comme "Le parti périt s’il commence à cacher ses erreurs").

Étapes :

1. Pré-édition IA : soumettre la phrase source à un modèle NLP (ex. : spaCy) pour extraire formes de base et assigner symboles (ex. : "parti-o" pour sujet nominatif). Désambiguïser via prompt LLM : "Analyse logique : parti (groupe politique) -o, périr -as...".
2. Traduction pivot : mapper via embeddings (Sentence Transformers) aux équivalents cibles, transférant symboles (ex. : "parti-o" → "партия-o" en russe).
3. Post-édition IA : utiliser un LLM pour générer le texte final : "Prompt : Combine formes et symboles pour russe cohérent."

Évaluation : comparer avec traduction humaine (BLEU score, évaluation humaine). Tester sur 100 phrases, mesurant précision (fidélité symbolique) et fluidité. Variantes : Ajouter bruit (ambiguïtés) pour évaluer robustesse.

Conclusion

L'opérationnalisation de la méthode de Trojanskij via l'IA en 2025 revitalise une vision pionnière, transformant une approche mécanique symbolique en un système hybride puissant, scalable et automatisé. Bien que l'IA dépasse l'original en gérant le contexte et la multilingualité, elle introduit des défis comme l'opacité et les hallucinations, soulignant la pertinence d'hybrides symbolique-neuronaux pour une TA plus fiable. Ce revival pourrait inspirer des applications dans certains domaines sensibles (scientifique, diplomatique), où la logique explicite prime, confirmant Trojanskij comme un précurseur sous-estimé de la TA moderne.

*

Je ne vais pas ici décrire l'opérationnalisation via l'IA de la méthode Pucci, détaillée dans mon étude sur arXiv, et dont j'actualiserai bientôt les versions française et italienne. 

Mais si recréer Artsrouni aujourd’hui se rapproche davantage d'un projet muséal en simulant un "simple" dictionnaire mécanique, recréer Trojanskij s'apparente à un projet scientifique bien plus ambitieux, de quasi-archéologie numérique.

En ce sens, Pucci est beaucoup plus proche de Trojanskij que d'Artsrouni. Comme j'ai eu l'occasion de le mentionner en reprenant une remarque de Hutchins (Troyanskii was undoubtedly more interested in the mechanics of his proposal than the linguistic details of the translation processes themselves), Trojanskij était sans aucun doute bien plus ingénieur que linguiste, et Pucci exactement le contraire. C'est probablement la raison pour laquelle il n'a jamais pu construire la "machine à traduire" qu'il avait pourtant prévue dans les moindres détails.

Mais laissons le dernier mot à Hutchins, qui conclut ainsi son papier - coécrit avec Evgenii Lovtskii - intitulé « Petr Petrovich Troyanskii (1894–1950): A forgotten pioneer of mechanical translation » : 

There is little doubt that, if they had been known to the earliest Russian researchers, Troyanskii’s ideas would have been among the first to be tested on the new electronic computers and that Troyanskii would today be ranked alongside Weaver as an acknowledged “father” of MT.

Donc, de la même manière qu’Hutchins a pu affirmer à propos de Petr Petrovič Trojanskij que, si ses travaux avaient été connus des premiers chercheurs russes, ils auraient sans doute compté parmi les premiers à être testés sur les ordinateurs naissants et auraient valu à leur auteur une reconnaissance équivalente à celle de Warren Weaver, il est légitime d'avancer une conclusion analogue pour Federico Pucci. Publiée dès 1931, sa méthode anticipait à la fois les architectures symboliques à base de règles et les principes interlingua de la traduction automatique, tout en proposant une formalisation systématique suffisamment robuste pour être opérationnalisée avec les moyens numériques ultérieurs.

Si ses travaux avaient circulé au moment opportun — en Italie comme à l’international — Pucci aurait très probablement été intégré au canon fondateur de la discipline et reconnu comme l’un des « pères » de la traduction automatique. La validation contemporaine de sa méthode par l’intelligence artificielle, près d’un siècle plus tard, confirme a posteriori la pertinence et la valeur structurante de sa contribution.