Commencez à écrir
Depuis des décennies, la mémoire de traduction fonctionne selon le même principe : comparer la phrase à traduire à tout ce qui a déjà été traduit auparavant, et signaler ce qui semble similaire. C'est une idée simple, et elle a permis au secteur de la traduction d'éviter d'énormes quantités de retraitement.
Mais « similaire » a toujours voulu dire quelque chose de restreint : similaire dans l'orthographe, l'ordre des mots, la ponctuation. Deux phrases qui veulent dire exactement la même chose mais sont formulées différemment sont traitées comme étrangères l'une à l'autre. C'est précisément cet écart que comble la génération augmentée par récupération, ou RAG (Retrieval Augmented Generation).
Ce que fait réellement le RAG
Le RAG n'est pas un outil unique — c'est une architecture à deux temps. La récupération recherche, dans un corpus existant, ce qui est pertinent pour la tâche en cours. La génération transmet ensuite ce contenu retrouvé à un modèle d'IA comme contexte, de sorte que le modèle ne répond pas à partir de ses seules connaissances générales — il répond en s'appuyant sur votre propre matière.
Appliqué à la traduction, cela signifie : avant qu'une phrase ne soit traduite, le système interroge votre mémoire de traduction non pas pour trouver des caractères correspondants, mais un sens correspondant. Les traductions antérieures les plus proches sont ensuite fournies au modèle d'IA comme exemples, afin qu'il produise un résultat conforme à votre terminologie établie plutôt qu'une formulation générique.
Pourquoi cela compte plus qu'il n'y paraît
La correspondance floue traditionnelle compare des chaînes de caractères. Elle repère bien une phrase déjà traduite dont un seul mot a changé. Elle est beaucoup plus faible pour repérer la même idée exprimée différemment.
Prenons deux phrases issues d'un vrai manuel technique :
« Le dispositif doit être stérilisé avant chaque utilisation. »
« Une stérilisation est requise préalablement à tout emploi de l'appareil. »
Pour une correspondance floue classique, ces deux phrases ne partagent presque aucun vocabulaire et ont une structure différente — le score de similarité serait suffisamment bas pour que la seconde phrase soit traitée comme entièrement nouvelle, et retraduite depuis zéro. Pour une recherche sémantique, elles portent le même sens, et la seconde phrase retrouve directement la traduction validée de la première.
Multipliez cet écart sur une mémoire constituée en trente ans, par des dizaines de rédacteurs techniques, dans autant de styles différents, et le volume de contenu déjà traduit qu'un système fondé sur les mots-clés ne retrouve tout simplement jamais devient considérable. Chaque phrase qu'il manque est une phrase retraduite depuis zéro — traduite automatiquement, puis relue par un humain qui repart de rien, au lieu d'être réutilisée à partir de ce que vos propres linguistes ont déjà validé..
Un second avantage, moins évident : il traverse les langues
Parce que c'est le sens qui est comparé, et non l'orthographe, le même mécanisme qui retrouve une phrase anglaise reformulée peut retrouver son équivalent en tchèque, ou en portugais. Une mémoire constituée pour une langue cible devient exploitable — comme référence, comme contrôle de cohérence, comme ancrage terminologique — lors d'une traduction vers une autre langue. Un système fondé sur la correspondance de mots ne peut tout simplement pas faire cela : deux langues ne partagent pas assez de chaînes de caractères communes pour que la comparaison ait un sens.
Le piège : la recherche sémantique seule ne suffit pas
La récupération fondée sur le sens a une vraie faiblesse, et il vaut mieux l'assumer honnêtement : elle est généreuse. Deux phrases qui ne diffèrent que par un chiffre, une négation, ou un seul mot déterminant peuvent tout de même obtenir un score de similarité élevé — une recherche sémantique ne sait pas automatiquement que « ne pas dépasser 40 °C » et « ne pas dépasser 400 °C » sont catastrophiquement différentes, même si elles se ressemblent presque totalement pour un modèle d'embedding.
C'est pourquoi un système RAG en production a besoin de garde-fous, pas seulement de récupération. Des seuils stricts déterminent ce qui constitue une correspondance exacte plutôt qu'une simple suggestion. Et chaque traduction assistée par IA devrait passer par une couche de contrôle qualité qui vérifie spécifiquement les erreurs que la recherche sémantique peut manquer : négations mal traduites, nombres et unités altérés, termes qui auraient dû rester non traduits. La récupération trouve le candidat ; la vérification confirme qu'il est fiable.
Ce que cela donne en production
Dans un pipeline de traduction fondé sur le RAG en conditions réelles, chaque phrase d'un document est évaluée individuellement et orientée vers la ressource la plus adaptée :
- Si une correspondance validée existe déjà en mémoire, elle est réutilisée directement.
- Si une correspondance proche existe, un modèle d'IA rédige la traduction, guidé par les exemples les plus proches retrouvés en mémoire — afin que le résultat respecte la terminologie établie plutôt que de produire une formulation générique.
- Si rien de pertinent n'existe, la phrase part en traduction automatique, puis vers un relecteur humain.
Le résultat est un document unique et cohérent — pas une couture visible entre « les parties couvertes par la mémoire » et « les parties devinées par la machine ».
Sur des projets réels menés de cette façon, plus de huit correspondances mémoire sur dix sont livrées au client sans aucune correction. Ce n'est pas une affirmation sur la capacité de l'IA à bien deviner ; c'est une mesure de la quantité de travail humain déjà validé qui est correctement retrouvée et réutilisée, plutôt que retraduite.
Ce qui ne se voit pas dans une démonstration
La qualité de la récupération dépend entièrement de ce qu'il y a à récupérer. Un système RAG pointé vers une mémoire vide n'a rien de plus à offrir qu'un simple appel de traduction automatique. Sa valeur s'accumule avec l'historique — chaque projet traduit et validé enrichit ce que le projet suivant pourra exploiter, dans chaque paire de langues que la mémoire a jamais couverte..
That's the part worth remembering when evaluating this technology: the architecture is what makes reuse possible, but the memory behind it — built, validated, and maintained over years — is what actually gets reused. The technology is the key. The memory is what it unlocks.
.