Auteur/autrice : vincentventresque

Nous lançons un programme d’expérimentation d’outils de traitement automatique du langage (TAL) utilisant les technologies de machine-learning.

Les développements récents des modèles de langage, notamment les “Large Language Models” de type GPT et BERT, ont apporté non seulement une amélioration très significative des performances mais également une meilleure accessibilité des librairies, jeux de données et modèles pré-entraînés. De nombreux outils Open Source sont disponibles, bien documentés et il devient très facile de réaliser certaines opérations comme la reconnaissance d’entités nommées (NER) et la classification de textes.

Grâce au soutien de l’université de Saint-Étienne (UJM), nous bénéficions d’une machine dédiée sur le cloud (Lyse Cloud), ce qui nous permettra d’implémenter des modèles de langage et de les entraîner à des tâches correspondant à nos corpus. Nous souhaitons également contribuer à la création d’un espace d’échange interdisciplinaire entre les chercheur·e·s travaillant sur des corpus, les spécialistes du TAL et du machine-learning, ainsi que les ingénieur·e·s des laboratoires.

Notre premier objectif sera d’implémenter une chaîne de traitement permettant d’importer des corpus textuels (presse, éditions numériques, etc) afin de tester les performances des modèles open source et de faciliter les opérations d’indexation fine et de fouille de texte. Cette chaîne inclura un outil d’annotation, qui facilitera l’analyse et la correction des résultats obtenus par les outils d’extraction, mais aussi la préparation d’échantillons pour le ré-entraînement des modèles.

Détection d’entités nommées sur un échantillon du Dictionnaire de Port-Royal (1), réalisée avec Spacy (2) et importée dans Doccano (3).

Nous proposerons au printemps une journée d’atelier pour présenter les résultats des tests et la chaîne de traitement, et ouvrir la discussion autour de tables rondes réunissant les actrices et acteurs des différentes disciplines.

(1) https://www.sudoc.fr/081347561

(2) https://spacy.io

(3) https://github.com/doccano/doccano

Nous vous proposons un café Ganeshs autour du projet “Ricci — Mappemonde 1602 | Mapping Matteo Ricci” de Vito Avarello.

Le support utilisé est une base de données Heurist incluant une carte interactive (basée sur la librairie Leaflet). Cette carte, sans les annotations, est visible ici : https://roii.huma-num.fr/Ricci/mappemonde-2.html .

Voir la page de test : https://heurist.huma-num.fr/h6-alpha/?db=Ricci&website&id=53&pageid=173

Notre objectif est de tester les fonctionnalités de recherche et d’affichage afin de préciser le modèle de données.

Les questions suivantes seront abordées :

• Configuration du widget “Map and Timeline”
• Utilisation des couches d’annotation (layers) : quelles conséquences sur le modèle de données ? Comment lier les objets entre eux ?
• Utilisation des custom reports et règles d’expansion : plutôt que de complexifier les relations entre objets, utilisation possible de raccourcis (agrégation d’informations via des champs calculés ? affichage de différents types de records via les règles d’expansion ? personnalisation des fenêtres popup via les custom reports ?)
• Configuration des niveaux de zoom : comment faire apparaître les objets de la carte uniquement à un niveau de zoom faible, et les détails à un niveau élevé ?

La difficulté technique consiste à transposer les outils qui relèvent traditionnellement des systèmes d’information géographiques à l’annotation d’une image non géo-référencée. En effet, la mappemonde de Ricci, composée de 6 panneaux, mesure 167.5 cm x 371.2 cm, et la lecture du texte chinois suppose une numérisation en haute définition. Il s’agit donc de pouvoir naviguer dans une image de très grandes dimensions, avec la possibilité de zoomer.

Nous avons donc produit une “Tilemap” à partir des images de la Librairie du Congrès ( https://lccn.loc.gov/2010585650 ).

Notre image “originale” (résultat du collage des deux moitiés de la carte) est de dimensions 46200 x 20700 pixels. On doit d’abord redimensionner cette image au niveau maximal de zoom requis, de manière à ce qu’elle se décompose en un nombre entier de tuiles (tiles) de 256 pixels : le niveau de zoom maximal correspond à 32768 x 14682 pixels (car 20700 ÷ 46200 x 32768 = 14682).

Cette tilemap peut être utilisée indépendamment d’Heurist : https://roii.huma-num.fr/Ricci/mappemonde-2.html

Cependant le système Heurist nous permet de construire un environnement de travail collaboratif pour la traduction, l’annotation, et la construction de liens entre les objets annotés.