BaOIA : Boîte à Outils d’Intelligence Artificielle

Lauréat de l’appel à projet CollEx-Persée 2019-2020, le projet BaOIA a pour objectif d’offrir une boîte à outils d’analyse de données massives pour des projets consacrés aux sciences humaines et sociales appuyés sur des archives et des collections numérisées. L’idée centrale est de développer des compétences pour les chercheurs et les professionnels de la documentation par l’initiation au Machine Learning et aux outils pour traiter différentes archives (affiches, guides, périodiques, estampes) et de fournir des outils automatisés de traitement et de valorisation de ces corpus (automatisation de l’étiquetage, plugins pour des plateformes de consultation comme Omeka).
La boîte à outils reposera sur des modèles pouvant être aisément adaptés à différents usages et comportera des programmes réutilisables (classification d’images, d’unités textuelles, reconnaissance de structures, détection de similarités…). Plusieurs sous-projets à valeur de modélisation conduisant à la réalisation d’outils et permettant d’affiner les modèles seront mis en œuvre.

Les campagnes de numérisation de masse menées ces dernières années dans les institutions patrimoniales, dont la BnF a été une figure de proue et La contemporaine une pionnière pour les collections du 20ème siècle et l’Enseignement supérieur, ont permis l’accès à une masse d’archives et de données qui restent encore largement sous-explorées. Jusqu’à présent, les outils de traitement automatisé de ce type de données restaient réservés à des laboratoires disposant de vastes capacités de calcul et d’outils statistiques difficiles à manier. Ces dernières années, les progrès fulgurants dans le domaine de l’intelligence artificielle, en particulier dans l’apprentissage profond (deep learning), ont permis le développement de modèles de réseaux neuronaux récurrents (RNN) pour le traitement du langage et de réseaux neuronaux convolutifs (CNN) pour l’analyse des images (computer vision). Ces outils peuvent tourner sur des processeurs graphiques dédiés (GPU) facilement accessibles. Mais les chercheurs en SHS souhaitant traiter leurs données numériques (classification, étiquetage automatisé d’images, analyse automatisée de vastes corpus textuels) ne disposent pas forcément des compétences ni de l’assistance technique nécessaires ; par ailleurs, beaucoup de projets développent en parallèle des outils similaires, qui sont souvent abandonnés à la fin des projets et ne peuvent être réutilisés pard’autres équipes.
Le projet BaOIA (Boîte à Outils d’Intelligence Artificielle) souhaite pallier ces manques par la création d’une boîte à outils dédiés à l’apprentissage profond pour les SHS, comprenant des modèles pouvant être aisément adaptés à différents usages (classification d’images, reconnaissance de structures, détection de similarités…) immédiatement réutilisables par les projets de recherche concernés et, au delà, à l’ensemble de la communauté des chercheurs et des professionnels de la documentation.

Collections concernées

Fonds d’affiches numérisées de La Contemporaine

Depuis 2010, La contemporaine a numérisé plus de 25 000 affiches françaises et internationales, essentiellement politiques mais aussi culturelles. Si la majeure partie concerne la première moitié du 20ème siècle, l’ensemble compte aussi des affiches du 19ème siècle (affiches de la Commune) et de la période post-1950 (affiches latino-américaines des années 1960-1970, production de graphistes contemporains). Cet ensemble est en cours de mise en ligne, dans l’Argonnaute, bibliothèque numérique de La contemporaine, ou, lorsque les questions juridiques ne le permettent pas, seulement dans les emprises de l’institution. A partir de ce fonds, le projet est de permettre de développer des outils d’analyse des images : reconnaissance des formes et des sujets, repérage de similarités.

Guides de voyage numérisés par la BnF

Les collections de la BnF conservent aussi bien les tout premiers guides indépendants que les séries de guides touristiques. Pour ces dernières on trouve les premières éditions en langue originale ou en traduction française des guides Reichard, Baedeker et Murray ; les guides Joanne puis Guides bleus, Michelin, Odé, Nagel jusqu’aux collections plus récentes et, de ce fait, non concernées par le projet : Routard, Lonely planet, Petit fûté etc. Le projet s’intéressera aux guides libres de droits déjà numérisés. Cet axe a pour but de réaliser une analyse comparée des discours sur le passé et des thèmes qui structurent un genre bibliographique particulier, celui des guides de voyage. Étant donné le caractère sériel et très formaté des guides de voyages, le corpus numérisé et OCRisé pourra être exploité en machine learning ou en deep learning. Les évolutions sémantiques, les associations connotatives ou dénotatives avec certaines régions pourront être repérées et ouvrir la voie à de nouvelles recherches.

Corpus de dépêches d’agences de presse soviétiques

La dissémination de fausses nouvelles et l’utilisation des médias comme armes dans une guerre idéologique existaient bien avant l’apparition des réseaux sociaux sur internet. Dès le début du XXe siècle, les États développent des techniques de production et de distribution d’informations « arrangées » pour servir leurs ambitions politiques et manipuler l’opinion publique. Le caractère massif de ces manipulations entraîne une forme de standardisation : on transforme les nouvelles selon des modèles récurrents. Le laboratoire MoDyCo travaille à un projet de repérage automatisé de ces fake news. BaOIA participera à ce projet en développant des outils pour traiter un corpus de dépêches en français conservé à La Contemporaine, dépêches produites par les agences d’information russes de la deuxième moitié du XXe siècle, afin de repérer les manipulations historiques et de proposer d’évaluer le degré de fiabilité des archives.
Le corpus sera constitué de trois types de textes provenant de trois sources distinctes disponibles dans les fonds de La Contemporaine :
– des articles journalistiques : ces articles correspondent au “Digest Spoutnik” des meilleurs articles de la presse soviétique traduits en français pour la période 1969 – 1980, ainsi que des compilations “Unité” de l’agence Novosti.
– des dépêches journalistiques : ces dépêches proviennent de l’annuaire URSS de l’agence Novosti qui présente les évènements marquants de l’année sous forme de dépêches classées par catégories et dates (période 1976 – 1990).
– des textes journalistiques de présentation de l’acquis soviétique dans différents domaines – sciences, agriculture, santé, conquête de l’espace, etc. dans la Collection de l’Annuaire URSS pour la période 1976-90.

Presse illustrée et estampes satiriques

À la fin du XIXe siècle, les progrès des techniques de reproduction des images (photogravure) et d’impression entraînent une explosion du nombre de titres de presse illustrés et de diffusion d’images. Dans ces périodiques, on assiste à une circulation sans précédent des images : plagiées, clichées, réduites, copiées, les mêmes dessins de presse, les mêmes caricatures voyagent de manière internationale. Simultanément, des archivistes de l’éphémère tel John Grand- Carteret, ou des libraires londoniens comme Frederick Justen (de Dulau & Co) ou Francis Harvey commencent à classer et organiser ces objets: on publie des recueils d’images, sans toujours préciser leur origine. L’utilisation des outils de reconnaissance informatique des images sur les corpus d’images satiriques numérisées permettra de rechercher de façon automatique l’origine de ces images et les réemplois à l’oeuvre, et donnera un aperçu de la large diffusion de ces productions imprimées.
En lien avec les projet IUF “Synthétisme fin de siècle” et le projet de la Bibliothèque Universitaire de Cambridge “Caricatures of the Franco-Prussian War and the Paris Commune: Collection, Digitization and Interpretation”, le projet BaOIA développera des outils permettant de repérer les circulations d’images dans la presse illustrée sur le temps long, en particulier autour des caricatures autour de la guerre de 1870 et de la Commune et des recueils d’images produits à l’époque. La réutilisation des images dans la presse européenne, à la fois au moment de l’événement et par la suite, permettra d’analyser l’émergence d’une mémoire médiatique fondée sur la reprise.

Les partenaires du projet BaOIA

Le projet est porté par La contemporaine et le Centre des Sciences des Littératures en langue Française (CSLF) de l’Université Paris Nanterre.
Centre pionnier dans les études sur l’analyse de la presse et de l’histoire des médias, le CSLF est l’un des partenaires du projet ANR Numapresse, dédié à l’analyse automatisée de la presse numérisée.
Autres partenaire du projet : l’équipe MoDyCo (UMR 7114 Modèles, Dynamiques, Corpus), spécifiquement dédiée à la formalisation en traitement automatique des langues et La BnF, engagée dans des actions visant à offrir d’autres manières d’accéder à ses fonds numérisés à des équipes de recherche, en particulier avec le projet CORPUS, destiné préfigurer un service de fourniture de corpus numériques à destination de la recherche.
Ces quatre acteurs sont membres du Labex Les passés dans le présent.
Le projet BaOIA proposera également une collaboration avec la Cambridge University Library et le groupe de recherche Visual Geometry Group d’Oxford, en particulier son outil VISE (VGG Image Search Engine), pour le développement d’outils de reconnaissance de caricature dans la presse, dans le cadre du projet en cours de développement Caricatures of the Franco-Prussian War and the Paris Commune: Collection, Digitization and Interpretation.

---

---