Des outils d’apprentissage profond testés sur les corpus de textes et d’images de La contemporaine

« Modoap » et « BaOIA » : deux mots venus d’une langue galactique quelconque ? Pas tout-à-fait (mais presque). Derrière ces sigles énigmatiques se cachent deux projets d’intelligence artificielle auxquels participe La contemporaine.  Modoap (Modèles et outils d’apprentissage profond) est développé dans le cadre du Labex Les passés dans le présent et BaOIA (Boîte à Outils IA pour analyses de données massives en sciences humaines) est un projet CollEx-Persée. Ces deux projets complémentaires ont été développés par une équipe de l’Université Paris Nanterre, conduite par Julien Schuh, Maître de conférences en littérature française. Le but de ces projets complémentaires est de mettre au point des outils intuitifs pour explorer d’importantes masses de données numérisées (textes, images) – à destination de tous les chercheurs en SHS (geeks et surtout moins geeks) mais aussi pour les professionnels de la documentation. Ces outils peuvent aider à repérer, et à classer, des similarités : non seulement des entités nommées (personnes, lieux, événements…)  mais aussi des syntaxes similaires dans les textes ; des objets identiques ou voisins dans les images, etc. On devine les perspectives qu’ils ouvrent en matière de recherche et de traitement documentaire.

On ne réinvente des outils déjà existants, on les adapte aux besoins des projets de sciences humaines et sociales, et on les met à la portée de tous. Pour cela, les outils sont co-construits : ingénieurs, chercheurs et bibliothécaires discutent pour définir les axes du projet, préciser les résultats attendus par les outils et même les tester ensemble. Ces projets cherchent donc à la fois à construire des outils, à acculturer les chercheurs et professionnels de la documentation à des technologies dont ils peuvent être éloignés, et surtout à établir des relations, outils et modèles durables et reproductibles. Les outils se présentent sous la forme de carnets de code jupyter « low tech », qui ne sont pas réservés à celles et ceux qui savent coder ! (Les cellules de code étant cachées sous un texte rédigé en langue humaine, leur utilisation est intuitive). Ils sont testés sur des corpus de textes et d’images de la BnF et de La contemporaine, deux établissements qui ont entrepris des campagnes de numérisation massive de leurs collections.

Explorer le corpus du photographe Elie Kagan

Appliqués au corpus de 60 000 photographies numérisées du photographe de presse Elie Kagan, ces outils répondent aussi à des questions de recherche : comment faire parler ce type de corpus massifs, parfois peu documentés (avant le travail des professionnels de la documentation) ? Comment les rendre plus lisibles ? Les outils de détection d’objets dans les images, de classification automatique sont ainsi capables d’identifier des photos de manifestations et de les classer ensemble ; d’autres « vectorisent » les images, c’est-à-dire reconnaissent et détourent certains objets dans les images, faisant apparaître des objets similaires (silhouettes d’enfants, banderoles de manifestation, etc.), objets qui n’apparaissent pas nécessairement à première vue à l’œil humain : ils font affleurer certaines thématiques dans le corpus du photographe. Capables d’explorer aussi des corpus de presse et d’y repérer les clichés doublons ou « voisins » y circulant, ces outils, explique Julien Schuh, invitent à considérer les corpus explorés non plus comme des objets stables mais comme des « objets vivants » où l’on peut étudier de manière massive, comment textes et images circulent, se copient, se répondent voire deviennent « viraux ».

Pour en savoir plus, suivez l’atelier FabPartLab du 21 mars 2021 avec Julien Schuh et Cyril Bruneau (dans le cadre du Labex PASP)