Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DE SALAMANCA
FACULTAD DE TRADUCCIO1 N Y DOCUMENTACIO1 N
GRADO EN TRADUCCIO1 N E INTERPRETACIO1 N
Trabajo de Fin de Grado
COMPETENCIAS Y SALIDAS
LABORALES PARA TRADUCTORES EN
LOS SECTORES DE POSTEDICIÓN Y
TRADUCCIÓN AUTOMÁTICA
Vera Eremina
Emilio Rodríguez Vázquez de Aldana
Salamanca, 2021
Agradezco a Pablo Senís Fernández (traductor de Naciones Unidas) y al equipo de
Yandex por haberme brindado la oportunidad de realizarles entrevistas personales y, así,
facilitarme la elaboración de este trabajo de fin de grado.
Resumen
En este trabajo de fin de grado se indagan las oportunidades laborales que se le brindan a
un traductor en el campo de traducción automática. Para ello primero se ofrece una breve
base teórica que trata los hitos básicos en la historia de la traducción automática, los
modelos fundamentales de motores y el estado actual de la cuestión. Posteriormente se
explican las vías por las que un traductor puede formarse, tales como la universidad y los
cursos complementarios, y las competencias que este debe adquirir para convertirse en
un profesional competente en dicho ámbito. Por último, se ofrecen tres direcciones
principales de carrera profesional para un traductor en el sector de traducción automática:
la postedición, la traducción con la ayuda de los programas de TA y el mantenimiento de
dichos motores.
Palabras clave
Abstract
This thesis explores the career opportunities available to a translator in the field of
machine translation. First, a brief theoretical background is provided, covering the basic
milestones in the history of machine translation, the fundamental engine models, and the
current state of the art. This is followed by an explanation of the ways in which a translator
can acquire the necessary training, such as in university and on complementary courses,
and the skills that a translator must develop to become a competent professional in the
field. Finally, three main career directions for a translator in the machine translation
industry are offered: post-editing, translation with the help of MT engines, and
maintenance of MT engines.
Keywords
1
4.1 POSTEDITOR ............................................................................................................................ 22
5 CONCLUSIONES .................................................................................................................................. 27
6 BIBLIOGRAFÍA .................................................................................................................................... 28
2
1 Introducción
Hoy en día el impacto que está teniendo la tecnología en todos los sectores
profesionales es inmenso. No puede pasar desapercibido su uso en casi ningún ámbito, y
el sector de traducción no es una excepción. Tanto las herramientas de traducción asistida
por el ordenador (TAO) como los motores de la traducción automática (TA), o machine
translation (MT), son los ejemplos más representativos de la aplicación de la tecnología
en traducción.
Sin embargo, por lo que he percibido durante mis estudios de grado y mi inserción
en el mercado laboral y como comentan Cid-Leal et. al., (2019), se le otorga una mayor
importancia a TAO y se hace menos hincapié en la TA y la postedición (PE). Sin duda,
la traducción automática representa un gran hito en la historia de traducción y, a mi
parecer, tanto desde el punto de vista académico como profesional, es crucial prestarle
más atención a esta rama de traductología y hacer accesible toda la información acerca
de ella para que los estudiantes y los profesionales del sector tengan acceso a ella.
1.2 Objetivos
3
Para ello, primero realizaré una introducción teórica acerca de la traducción
automática que tratará su historia, sus tipos y su situación actual. Asimismo, es
imprescindible investigar el aspecto formativo si se pretende analizar las competencias,
por lo que expondré brevemente los tipos de formación que puede recibir un estudiante o
profesional en el campo de traducción automática. Tras haber expuesto la base teórica,
pasaré a la parte práctica, en la que trataré las aptitudes y las salidas profesionales para
los traductores en dicho sector, tal y como he comentado anteriormente.
1.3 Estructura
4
1.4 Metodología
Por último, este trabajo no habría sido posible sin las entrevistas personales que
realicé a los empleados de las Naciones Unidas, Pablo Senís Fernández1 (traductor), y de
Yandex, Platón Shchukin (equipo de soporte). Sus respuestas sirvieron de base para el
apartado de «Competencias» y «Salidas laborales».
1
Las opiniones expresadas por Pablo Senís son consideraciones personales que no representan la
posición de la Organización de las Naciones Unidas respecto a la traducción, ni un respaldo, explícito ni
implícito, a ninguna de las compañías mencionadas.
5
2 La traducción automática: hitos fundamentales, modelos y
estado del arte2
2
La mayor parte de la información recogida en este apartado fue extraída de Hutchins (1995).
6
en el campo de la traducción profesional, integrándose en los programas de TAO.
Además, fue entonces cuando apareció por primera vez el concepto de postedición en el
ámbito profesional de la traducción.
7
automática denominado DeepL, cuya arquitectura aún no ha sido publicada, tal y como
sí hacen las otras grandes compañías que desarrollan motores de TA (Google, Microsoft,
SYSTRAN, Facebook, entre otras). Triunfó inmediatamente ganando usuarios a un paso
acelerado, ya que, según los profesionales del sector de la traducción, superaba en calidad
al de Google Translate (Strakhova, 2020).
3
Existe un amplio consenso en la literatura sobre el hecho de que cualquier persona que desee
convertirse en un traductor profesional de textos no especializados y técnicos debe adquirir una
comprensión de las tecnologías de traducción contemporáneas, así como la capacidad de utilizarlas y
valorarlas críticamente.
8
La evolución de la TA se basa en tres tipos de programas que han ido apareciendo
a lo largo de la segunda mitad del siglo pasado y principios de este. A continuación se
explicará cada uno de ellos con más detalle.
Este tipo de motores puede llegar a ofrecer unas traducciones de una cierta
calidad, pero están muy limitados (Hutchins, 1995). Sin embargo, todavía existen
programas de traducción basada en reglas como, por ejemplo, Apertium4 (Forcada et. al.,
2011). Un programa de traducción basado en reglas sigue considerándose como una
opción viable si para el par de lenguas por traducir apenas existen corpus bilingües, por
lo que no se puede construir un sistema estadístico o neuronal. No obstante, esta vía de
actuación puede llegar a descartarse en un futuro próximo, ya que la traducción neuronal
multilingüe —que puede cumplir esta función de la traducción basada en reglas—
representa el estado de arte en la actualidad.
4
Para más información visite https://www.apertium.org.
9
2.2.3 Redes neuronales
10
proveer a la RNA un conjunto de datos de entrada y de las soluciones correspondientes.
De esta manera, la red puede comparar el resultado que ha obtenido con la respuesta
correcta y ajustar los pesos si hace falta.
D∗ = argmax P(D|O),
"
11
Antes de procesar un texto con una red neuronal es imprescindible llevar a cabo
el proceso conocido como tokenizado, que implica dividirlo en oraciones (de acuerdo con
normas de puntuación) y luego en tokens (palabras, signos de puntuación, etc.). Tras la
división del texto en unidades (tokens), deben de mapearse éstos en vectores de números
reales para ser posible su procesamiento dentro de una red neuronal. Efectivamente, toda
RNA trabaja con vectores de números y toda la información a ser transformada en
cualquier RNA (textos, imágenes, etc.) ha de ser acomodada en números vectoriales tal y
como se explica en Torres (2018).
5
Este vector se denomina word embedding o word representation y contiene de números reales
que corresponden a determinados términos. Lo interesante de expresar palabras en forma de vectores de
números reales es que cada elemento del vector podría reflejar un aspecto diferente de la palabra. Por
ejemplo, puede haber un elemento en el vector que determine si una palabra determinada es un sustantivo,
u otro que muestre si la palabra es un animal, u otro que contenga la información acerca de si la palabra es
contable o no.
12
TA: un módulo codificador (encoder), que mapea la frase de origen para obtener un
vector de números reales, que de alguna forma recoge las características de la oración (su
significado, su sintaxis, su registro o tono, etc.), y un módulo decodificador (decoder),
que realiza la operación contraria. A partir de la representación vectorial de la frase de
entrada, genera el texto equivalente lengua destino.
La solución para los problemas del modelo Seq2Seq vino de la mano de las
publicaciones de Bahdanau et. al. (2015) y Luong et. al. (2015), en las que se expuso la
nueva arquitectura denominada Sequence to Sequence with Attention o, abreviadamente,
también llamada arquitectura RNNSearch. La mejora principal consistía en añadir un
módulo de atención entre el codificador y el decodificador, que desempeñaba la función
6
la falta del poder representacional en el módulo descodificador
13
de guía, ayudándole al motor a centrarse, en cada momento, en qué palabras de origen
concentrarse a la hora de traducir la siguiente palabra en destino.
Let’s imagine you’re translating the given source sentence, and you have written the
first i-1 target words (y1, y2, yi-1) and are about to decide which target word you want
to write as the i-th target word. In this case, how do you decide which source word(s)
you will translate this time?
A typical translator looks at each source word xj(…), considers it together with the
already translated words (y1, y2, yt-1) and decides whether the source word xj has
been translated (equivalently, how (ir)relevant the source word xj is for the next
target word). It repeats this process for every word in the source sentence.7
2.3.3 Transformer
7
Imaginemos que está traduciendo una frase de origen dada, que ha escrito las primeras i-1
palabras de destino (y1, y2, yi-1) y está decidiendo qué palabra de destino quiere escribir como la i-ésima
palabra de destino. En este caso, ¿cómo decide qué palabra(s) de origen va a traducir esta vez?
Un traductor estándar mira cada palabra de origen xj(...), la tiene en cuenta junto con las palabras
ya traducidas (y1, y2, yt-1) y decide si la palabra de origen xj ha sido traducida (equivalentemente, cuán
(ir)relevante es la palabra de origen xj para la siguiente palabra de destino). Este proceso se repite para cada
palabra de la frase de origen.
14
entrando secuencialmente cada palabra en la oración en la red neuronal, en la arquitectura
Transformer el orden de las palabras es capturado a través de un módulo expreso que
añade a las mismas información posicional. Aparte de este módulo de codificación de la
información posicional, hay que destacar de la arquitectura Transformer el módulo que
se incorpora, tanto en el codificador como el decodificador, llamado «de autoatención»
(self-attention). Este módulo está especializado en capturar las relaciones de cada palabra
de una oración con el resto de las palabras. En Uszkoreit (2017) se muestran ejemplos de
cómo el módulo de autoatención es capaz de establecer, para diferentes oraciones, con
qué palabras se ha de relacionar el pronombre it y cómo la correcta selección permite al
motor realizar una adecuada traducción. Para finalizar la descripción de los módulos más
relevantes de esta nueva arquitectura de red neuronal especializada en traducción destacar
que también incorpora en el decodificador un mecanismo de atención que relaciona las
palabras en origen con las de destino, similar al de la arquitectura descrita en 2.3.2.
15
3 Formación y competencias en traducción automática y
postedición
3.1 Formación
La implantación de las tecnologías de la traducción en el mercado laboral ha
comportado la necesidad de una formación adecuada para los profesionales en el sector
de TA (Cid-Leal et al., 2019), que se planteó por primera vez por O’Brien en el año 2002
y después esta idea fue respaldada por otros estudios y publicaciones8. Hoy en día, la
traducción se ha fusionado con la tecnología de tal manera que ya no cabe duda de que la
primera no existe sin la segunda. Es de gran importancia enseñar y formar a los
estudiantes de traducción de manera adecuada con el fin de llenar el mercado de
profesionales competentes en el futuro:
8
Para más información consulte Stasimioti, Maria, y Vilelmini Sosoni, 2020.
16
speed and cost that are simply unimaginable using exclusively ‘human’ means.
(Kenny, 2020, p. 2)9
Mientras que el primer motor de TA apareció a mediados del siglo pasado, este
campo no empezó a integrarse en las guías académicas universitarias hasta los años 80
debido a falta de confianza en la nueva tecnología emergente. Sin embargo, para los
principios de los años 2000 existía ya un número considerable de publicaciones no solo
relacionadas con la TA, sino con su enseñanza, lo que facilitó la aparición de nuevos
planes de estudio y de libros de texto en los que podrían basarse los docentes al elaborar
aquellos (Bulgaru, 2020). A pesar de ello, los programas universitarios de formación de
traductores seguían teniendo ante sí el reto de determinar qué aptitudes relacionadas con
la traducción automática y la postedición deben adquirir sus estudiantes y en qué nivel de
la formación estas deben introducirse (Cid-Leal et. al., 2019).
9
Se argumenta que, sin los conocimientos ni habilidades técnicas necesarias, los egresados de los
programas universitarios de formación de traductores no podrán competir por un trabajo en un campo e el
que la tecnología está altamente presente. Tampoco podrán cumplir con las exigencias de un sector que
requiere volúmenes de traducción cada vez mayores a una escala, velocidad y coste inimaginables en el
caso de usar los medios exclusivamente «humanos».
17
y los investigadores del campo que hacen hincapié en la importancia de la incorporación
de un mayor número de horas de formación relacionada con la traducción automática para
que los estudiantes desarrollen las competencias necesarias para su inserción exitosa en
el mercado laboral (Bulgaru, 2020).
Por último, cabe destacar que con el fin de que estas competencias adquiridas a lo
largo de los cursos resulten útiles en el futuro, es indispensable centrarse, sobre todo en
el qué y, no tanto, en el cómo. Se debe explicar sobre todo el aspecto conceptual del
proceso que se realiza en cada momento y su objetivo, en vez de centrarse en la lista de
las acciones a realizar, el «knowledge of “which buttons to press”»10 (Kenny, 2020, p.
23). De esta manera, el joven profesional podrá adaptarse a lo que se le exige y será capaz
de seguir formándose utilizando sus conocimientos previos de base.
10
saber «qué botón presionar»
18
continuous professional development of individual translators working in the
translation departments of large organizations or for language service providers.
Technology providers themselves also offer training in the use of their tools, for
example through online tutorials, demos and webinars, and training is also offered
under the aegis of professional associations. (Kenny, 2020, p. 5)11
3.2 Competencias
11
un desarrollo profesional continuo de cada uno de los traductores que trabajan en los
departamentos de traducción de grandes organizaciones o para proveedores de servicios lingüísticos. Los
propios proveedores de tecnología también ofrecen formación en el uso de sus herramientas, por ejemplo,
a través de tutoriales y cursos en línea. Además, se ofrece formación bajo los auspicios de asociaciones
profesionales.
19
como una ayuda (Bulgaru, 2020) que está al servicio del especialista para hacer que su
labor sea más eficiente. «[…] it is better to adapt and update competences in order to
grow better, since technology is not necessarily an enemy. Moreover, rejecting it from
the beginning can mean failing to grasp new knowledge and skills, and thus losing
expertise and even jobs»12 (Bulgaru, 2020, p. 90).
12
[…] es mejor adaptarse y recapacitarse para crecer, ya que la tecnología no es necesariamente
un enemigo. Además, rechazarla desde el principio puede significar no captar los nuevos conocimientos y
habilidades, y, así, ganar menos experiencia e incluso perder la oportunidad de optar a determinados puestos
de trabajo.
13
Algunas de las competencias enumeradas a continuación provienen de las entrevistas personales
realizadas para este trabajo.
20
Una de las destrezas principales reside en controlar el léxico y la terminología
(Eszenyi y Dóczi, 2020), ya que es uno de los principales aspectos en los que fallan los
sistemas de TAN, en los que están basados la mayoría de los motores de TA hoy en día,
ya sea de manera parcial —como parte de un software híbrido (por ejemplo, Yandex)—
o total (Google Translate para algunas combinaciones lingüísticas). Asimismo, se ha de
tener en cuenta que un programa de TAN comete los errores del mismo estilo que los
humanos, por lo que son más difíciles de detectar (Yamada, 2019).
Por último, cabe destacar que las aptitudes mencionadas en este apartado son las
destrezas que resultan indispensables en la mayoría de los casos. No obstante, debido al
hecho de que el ámbito en cuestión es relativamente nuevo, los roles y los puestos no
están completamente establecidos (Kenny, 2020) y «[de los estudios] no se desprende
una definición clara de perfiles y competencias relacionadas con la TA y la PE» (Cid-
Leal et. al., 2019, p. 192), por lo que puede haber otras competencias, que no se han
comentado en este trabajo, que resulten necesarias para una posición relacionada con la
TA.
21
4 Salidas laborales
Según los resultados del estudio MT Market Report 2014 de TAUS (Van der Meer
et. al., 2014), en el que se entrevistó a empresas de servicios lingüísticos, desarrolladores
de TA, usuarios, empresas comercializadoras de TA y consultores, el uso de la traducción
automática crecerá en el futuro y su desarrollo se fusionará con otras tecnologías de la
traducción como, por ejemplo, las herramientas de TAO. Esto muestra la relevancia que
tiene, y que tendrá en un futuro próximo, el ámbito de la TA y la PE. Además,
parece cierto, como apunta García (2010: 3)14, que en el sector de los servicios de
traducción se observa un desplazamiento desde el estadio de la traducción humana
asistida por ordenador hacia el estadio de la traducción automática con asistencia
humana según el modelo propuesto por Hutchins & Somers. La asistencia humana
consiste en la participación interactiva durante el proceso o bien fuera de este, en las
fases de preedición y posedición (Hutchins & Sommers 1992: 150)15. (Cid-Leal et.
al., 2019, p. 200)
4.1 Posteditor
14
García, Ignacio. (2010) “The proper place of professionals (and non-profession-als and
machines) in web translation.” Revista Tradumàtica: tecnologies de la traducció 8, pp. 1-7. Versión
electrónica: <http://www.fti.uab.cat/tradumatica/revista/num8/articles/02/02art.htm>
15
Hutchins, W. John & Harold L. Somers. (1992) An introduction to machine translation.
Londres: Academic Press.
22
perfil más limitado, pero es precisamente el que está más consolidado en el mercado de
los servicios lingüísticos (Cid-Leal et. al., 2019). La finalidad principal de un posteditor
hoy en día consiste en revisar (aceptar o modificar) las propuestas de traducción
automática obtenidas con el software con el objetivo de producir una traducción
comprensible, y por tanto aceptable, del texto origen gastando la mínima cantidad de
recursos (tiempo y energía del trabajador) (Cid-Leal et. al., 2019). Pym (2013) describe
la función del posteditor como la selección de soluciones que presenta el programa
informático, al contrario que el traductor, que se encarga de generar soluciones para los
problemas que presenta el texto.
Por un lado, un posteditor puede trabajar por cuenta propia, ya sea con clientes
directos —en la minoría de los casos, debido a la dificultad de conseguirlos— o para una
empresa de servicios lingüísticos, Language Service Provider (LSP), —que garantiza un
flujo de trabajo más continuo—. Por el otro lado, existe la opción de formar parte de la
plantilla de un LSP, ya que más de la mitad de este tipo de empresas afirman contratar a
profesionales en plantilla (Bond, 2019).
Cada vez más traductores hoy en día utilizan los sistemas de TA como una
herramienta más para ahorrar tiempo y esfuerzo en el proceso de traducción. Además,
«entre los expertos existe consenso en que, desde un punto de vista económico, el uso de
la TA en la empresa incrementa la productividad a largo plazo, aunque supone un coste
23
inicial de implantación» (Cid-Leal et. al., 2019, p. 194). Por tanto, cada vez más empresas
que contratan a traductores aprueban el uso de TA como base para la traducción (Bulgaru,
2020) —que se convierte en una PE con la única diferencia residiendo en la calidad del
texto en la lengua de destino— y la incorporan en su software de TAO.
Una de las organizaciones que ha efectuado dicho cambio son las Naciones
Unidas. A los traductores en la ONU se les permite utilizar un motor de TA. En su
programa de TAO, denominado eLUNa, está integrado DeepL (TAN), que es el sistema
de TA por el que se decantó la organización tras las últimas pruebas por motivos de
rendimiento además de posibles cuestiones institucionales y presupuestarias.
16
La información acerca del modelo de trabajo del equipo de traducción de la ONU fue
proporcionada por Pablo Senís Fernández (traductor de Naciones Unidas) durante una entrevista personal.
24
podría resultar en una reducción de plantilla, los sistemas de TA no llegarán a reemplazar
a los expertos de traducción por completo.
17
La descripción de la empresa y sus servicios que aparece en este trabajo proviene del apartado
«History» que aparece en su página web oficial (véase https://yandex.com/company/history/2020, en
inglés). La información acerca de la estructura y el método de trabajo de Yandex.Translate fue
proporcionada por Platón Shchukin (equipo de soporte de Yandex) durante una entrevista personal.
18
Para más información visite https://yandex.com.
25
El departamento lingüístico de Yandex.Translate funciona principalmente a
distancia y consta de dos secciones. Las tareas más fáciles, tales como revisar los textos
no especializados traducidos automáticamente marcando los errores (sin corregirlos) —
lo que podría relacionarse con una versión básica y simplificada del perfil de posteditor
explicado anteriormente—, se llevan a cabo por hablantes nativos sin necesidad de poseer
ellos un título universitario relacionado con lingüística ni traducción.
26
5 Conclusiones
Además, las tecnologías en traducción se desarrollan cada vez más de prisa, por
ello el mercado laboral está en un continuo proceso de adaptación, lo que justifica la
aparición de la necesidad de nuevas competencias para traductores en dicho ámbito. La
formación de traductores ha de tener en cuenta la evolución de los perfiles laborales con
el fin de favorecer la empleabilidad de los egresados y de los profesionales recapacitados,
por lo que es de gran importancia indagar las demandas actuales del mercado.
27
6 Bibliografía
Bahdanau, D., Cho, K. H., & Bengio, Y. (2015, septiembre 1). Neural machine
translation by jointly learning to align and translate. 3rd International Conference
on Learning Representations, ICLR 2015 - Conference Track Proceedings.
https://arxiv.org/abs/1409.0473v7
Caswell, I., & Liang, B. (2020). Recent Advances in Google Translate. Google AI Blog.
https://ai.googleblog.com/2020/06/recent-advances-in-google-translate.html
Chen, M. X., Firat, O., Bapna, A., Johnson, M., Macherey, W., Foster, G., Jones, L.,
Parmar, N., Schuster, M., Chen, Z., Wu, Y., & Hughes, M. (2018). The Best of
Both Worlds: Combining Recent Advances in Neural Machine Translation. ACL
2018 - 56th Annual Meeting of the Association for Computational Linguistics,
Proceedings of the Conference (Long Papers), 1, 76-86.
https://arxiv.org/abs/1804.09849v2
Cho, K., van Merrienboer, B., Bahdanau, D., & Bengio, Y. (2014). On the Properties of
Neural Machine Translation: Encoder-Decoder Approaches. 103-111.
http://arxiv.org/abs/1409.1259
28
Dugast, L., Senellart, J., & Koehn, P. (2007). Statistical Post-Editing on SYSTRAN’s
Rule-Based Translation System. Proceedings of the 45th Annual Meeting of the
Association of Computational Linguistics, 220-223.
Eisele, A., Federmann, C., Saint-Amand, H., Jellinghaus, M., Herrmann, T., & Chen, Y.
(2008). Using Moses to Integrate Multiple Rule-Based Machine Translation
Engines into a Hybrid System. Proceedings of the Third Workshop on Statistical
Machine Translation, 179-182. http://www.statmt.org/moses/
Eszenyi, R., & Dóczi, B. (2020). Rage against the machine — wil post-editing
assignments outnumber translations in the future? En R. Besznyák, M. Fischer, &
C. Szabó (Eds.), Fit-For-Market Translator and Interpreter Training in a Digital
Age (pp. 119-134). Vernon Press.
https://books.google.es/books?id=Nr3DDwAAQBAJ&lpg=PR1&pg=PR1#v=onep
age&q&f=false
Forcada, M. L., Ginestí-Rosell, M., Nordfalk, J., O’Regan, J., Ortiz-Rojas, S., Pérez-
Ortiz, J. A., Sánchez-Martínez, F., Ramírez-Sánchez, G., & Tyers, F. M. (2011).
Apertium: a free/open-source platform for rule-based machine translation. Machine
Translation 2011 25:2, 25(2), 127-144. https://doi.org/10.1007/S10590-011-9090-
0
29
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
Presas, M., Cid-Leal, P., & Torres Hostench, O. (2016). Machine translation
implementation among language service providers in Spain: A mixed methods
study. Journal of research design and statistics in linguistics and communication
science, 3(1), 126-144. https://doi.org/10.1558/JRDS.30331
Slocum, J. (1985). A survey of machine translation: its history, current status, and future
prospects. Computational Linguistics, 11(1), 1-17.
https://dl.acm.org/doi/pdf/10.5555/5615.5616
Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to Sequence Learning with
Neural Networks. Advances in Neural Information Processing Systems,
4(January), 3104-3112. http://arxiv.org/abs/1409.3215
Torres, J. (2018). Deep Learning: Introducción práctica con Keras (primera parte).
Lulu Press. https://torres.ai/deep-learning-inteligencia-artificial-keras/
Van der Meer, J., & Ruopp, A. (2014). MT Market Report 2014.
https://www.taus.net/insights/reports/mt-market-report-2014
Varios autores. (2017). WIPO Translate: Cutting-Edge Translation Tool For Patent
Documents Extends Language Coverage.
https://www.wipo.int/pressroom/en/articles/2017/article_0007.html
30
Varios autores. (s. f.). gText (eLUNa y TAPTA4UN de la ONU). Recuperado 1 de julio
de 2021, de https://www.un.org/dgacm/en/content/gtext
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł.,
& Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information
Processing Systems, 2017-December, 5999-6009.
https://arxiv.org/abs/1706.03762v5
Wu, Y., Schuster, M., Chen, Z., Le, Q. V., Norouzi, M., Macherey, W., Krikun, M.,
Cao, Y., Gao, Q., Macherey, K., Klingner, J., Shah, A., Johnson, M., Liu, X.,
Kaiser, Ł., Gouws, S., Kato, Y., Kudo, T., Kazawa, H., … Dean, J. (2016).
Google’s Neural Machine Translation System: Bridging the Gap between Human
and Machine Translation. http://arxiv.org/abs/1609.08144
31