Nulla di quanto ho detto in merito al traduttore automatico, anche nella seconda parte, deve far credere che il mio approccio nei confronti del traduttore automatico sia in qualche modo pregiudiziale. Vorrei anzi approfondire il punto del machine learning, ovvero di come si insegna a una macchina a imparare sentendo parlare un linguaggio naturale. Insomma, come si insegna a una macchina a diventare più “umana” e ad attuare miglioramenti che le consentano di rendere strumentali le conoscenze che acquisisce.

La linguistica computazionale

Tutto nasce alla fine degli anni ’50 con la linguistica computazionale.

I linguisti computazionali, semplicemente, come tutti i linguisti studiano grandi corpora di dati e da essi traggono delle conclusioni scientifiche sulla lingua che parliamo.

Studiare un corpus richiede un grande ammontare di tempo, richiede personale qualificato per “spulciare” il materiale che serve, per capire ad esempio quando un’occorrenza verbale sia rilevante oppure no. Ad esempio, quanti italiani dicono “a me mi” nel loro linguaggio scritto quotidiano? Il gruppo di persone che sfogliano il corpus è sostituito in quasi ogni tipo di  linguistica oggi da una macchina, che sulla base di semplici istruzioni sintattiche e morfologiche, trova i dati grezzi, che vengono poi interpretati dai linguisti.

La linguistica computazionale va oltre.

Riconoscere la lingua parlata

La linguistica computazionale, attraverso il “tagging”, ovvero l’etichettatura computerizzata delle parti del discorso e della fonematica di un linguaggio naturale, porta ad esempio alle App di riconoscimento della lingua parlata.

Ormai il mio telefono interagisce con me e ascolta le ricerche che gli chiedo di fare come non avrei mai immaginato che si potesse fare.

Dagli anni ’50

Quello che secondo me questa esperienza insegna in modo molto icastico è come la tecnologia e l’interesse del mercato portino un campo della ricerca a impennare vertiginosamente verso realizzazioni pratiche impressionanti. Tornando ai traduttori automatici, vorrei fare una seconda considerazione: l’annullamento della barriera linguistica dato dalla diffusione delle “lingue franche” per i mercati (inglese per l’Europa e le Americhe, cinese e arabo che si spartiscono l’Asia), porta da un altro lato a un rispetto della differenziazione che i traduttori automatici consentono: non ti parlo in esperanto se DeepL mi traduce dal polacco all’italiano in pochi secondi. Così i polacchi continueranno a parlare il polacco, gli italiani l’italiano.

L’utilizzo del traduttore automatico è una frontiera.

Una frontiera tra l’esattezza lessicale che viene richiesta dal buon traduttore nelle scuole di linguistica odierne, e dall’altro lato la necessaria contestualizzazione del materiale tradotto.

Traduttore automatico

E’ evidente che tra le due sia più difficile raggiungere la seconda, per un traduttore automatico. Per quanto riguarda la prima, le regole grammaticali impostate dai programmatori come ferree consentiranno un minore margine di errore. Va detto che la varietà che la mente di un traduttore consente, e tutte le sfumature di un termine, di un’immagine, forse non saranno immagazzinate in quella macchina specifica. Però vorrei dire che quando lessi alcune poesie di Baudelaire, masticando un po’ meglio il francese di quanto io faccia ora, mi trovai in disaccordo con alcune delle traduzioni proposte.

Traditore

Il traduttore traditore è una figura che di per sé ricompare in alcuni ambienti nella storia della letteratura. Tradire è già passare da una lingua a un’altra, perché il retaggio culturale e regionale che un autore imprime al proprio testo sono variabili. Variabile è anche e già la percezione che un lettore se ne fa, a seconda della propria percezione linguistica.

Certo, non vogliamo sfociare nel relativismo più scevro, ma per capirci, qualche problema con la traduzione c’è sempre stato, ed è sempre stato percepito. Ma come si insegna, dunqeu, questo contesto alle macchine?

Il contesto spiegato alle macchine

Il contesto in cui calare un sintagma è inserito grazie a processi di machine learning nella cui complessità non saprei addentrarmi. Quel poco che mi pare di aver capito è che alla macchina viene insegnato “come imparare”. ovvero, le viene sottoposta una quantità di dati sempre variabili, e quello che dovrà apprendere sarà come scremare le casistiche.

Quello che fanno “manualmente” i linguisti che studiano un corpus, la macchina lo eseguirà grazie alla propria abilità di calcolo.

Nella prossima puntata vedremo meglio quest’ultimo punto.