Traducció automàtica és un àrea de lingüística computacional
que investiga l'ús de software per traduir text o veu en llenguatge natural
cap a la seua representació en un idioma destí, també mitjançant llenguatge natural.
En les últimes dècades hi ha hagut un fort impuls sobre la utilització de
tècniques estadístiques per al desenvolupament de sistemes de traducció automàtica.
Per a l'aplicació d'aquests mètodes sobre un parell de llengües en concret,
es requereix la disponibilitat d'un corpus paral·lel per a aquest parell d'idiomes.
L'atractiu d'aquestes tècniques és que el desenvolupament d'un sistema
es fa sense cap necessitat de treball expert per banda d'especialistes en lingüística.

Els models d'estats finits porten prou de temps emprant-se amb èxit
en múltiples i variades disciplines dins la investigació científica
aplicada al llenguatge natural, incloent el seu ús en traducció automàtica.
Els models d'estats finits presenten una sèrie d'avantatges respecte
a uns altres models estadístics, com ara una senzilla integració en entorns
de reconeixement de veu, la seua aplicació en sistemes de traducció assistida,
o la capacitat per processar la informació sense necessitat de que estiga completa,
mitjançant una arquitectura basada en les populars cadenes de muntatge.

L'objectiu de la investigació consisteix en l'estudi i l'explotació
de les tècniques de traducció automàtica basades en models d'estats finits.
El treball presentat en aquesta tesi és un anàlisi detallat de la
metodologia GIATI per a l'aprenentatge de transductors estocàstics d'estats finits
per a la seua aplicació eficaç i eficient com a models de traducció,
permetent el seu ús sobre tasques de traducció amb un gran volum de dades.

D'una banda, s'ha desenvolupat un conjunt de ferramentes software
que implementen de manera eficient la metodologia GIATI, i que permeten,
per tant, l'aprenentatge de l'estructura d'aquests models i l'estimació
de les seues probabilitats, incloent mètodes de recerca per a la seua avaluació.
A més a més, s'han inclòs diverses tècniques d'escalabilitat en el desenvolupament
d'aquestes ferramentes que permeten l'ús d'un corpus paral·lel voluminós.

D'altra banda, en l'actualitat l'estat de l'art en traducció automàtica
estadística està basat en els així coneguts models basats en segments.
La idea que subjau a aquests models s'ha integrat dins el nostre marc
de treball, permetent la construcció de transductors basats en segments,
la qualitat dels quals es contrasta positivament front als basats en paraules.
La seua aplicació sobre GIATI ha fomentat l'ús d'estratègies de recerca
eficients que han permès l'ús d'algorismes de suavitzat més eficaços.
També hem adaptat les modernes tendències en modelatge log-lineal
sobre aquesta tecnologia basada en transductors estocàstics d'estats finits.
L'aproximació permet el refinament de les probabilitats de transició
del model, de manera que les prestacions del sistema es veuen incrementades.

Finalment, s'ha establert la infraestructura necessària
per a una millor explotació dels recursos lingüístics disponibles.
La seua repercussió implica una millor estimació dels models
de traducció corresponents, gràcies a l'ús d'analitzadors
morfològics en cada llengua implicada en el procés de traducció.
La informació lingüística associada permet classificar les paraules
en categories, reduint així la variabilitat dels corpus, obtenint
uns models estadísticament més robustos després del procés d'aprenentatge.
Els resultats mitjançant aquesta aproximació són una mica preliminars
però serveixen per establir les bases d'una futura línia d'investigació post-doc
sobre aquest tema.