Adaptación del modelo NLLB-200 para la traducción automática de la lengua quechua en la región de Cusco, 2026

Abstract

La traducción automática para lenguas de bajos recursos como el quechua enfrenta desafíos críticos debido a la escasez de datos digitales y la falta de modelos especializados, lo que limita la inclusión tecnológica de sus hablantes. La presente investigación tuvo como objetivo determinar el efecto de adaptación del modelo multilingüe NLLB-200 para optimizar la traducción automática de la lengua quechua collao. El estudio empleó un enfoque de investigación cuantitativo, con un tipo de investigación aplicada y un diseño preexperimental, utilizando la variante NLLB-200 de 600 millones de parámetros. Para lograr una adaptación eficiente en términos computacionales, se implementó el proceso de fine-tuning mediante la técnica LoRA, trabajando con un corpus paralelo final de 126,964 pares de oraciones tras un riguroso proceso de limpieza, normalización y filtrado. Los resultados obtenidos a través de diversos experimentos demostraron que el modelo con mejor desempeño alcanzó una puntuación de 9.50 en la métrica BLEU, 40.52 en ChrF y 35.81 en ChrF++, superando el desempeño del modelo base original que registró valores de 4.82, 32.99 y 28.20, respectivamente. Estos hallazgos evidencian que el uso de técnicas de entrenamiento eficiente permite duplicar la calidad de la traducción sin requerir una infraestructura computacional inalcanzable. Se concluye que la adaptación de modelos multilingües mediante la técnica LoRA constituye una estrategia viable para el desarrollo de tecnologías de traducción automática orientadas a lenguas de bajos recursos, favoreciendo su incorporación en entornos digitales.