TRAITEMENT AUTOMATIQUE DES LANGUES

Le traitement automatique des langues (TAL) est un domaine de recherche pluridisciplinaire à l’intersection de la linguistique et de l’informatique – et désormais de l’intelligence artificielle, ou plus précisément de l’apprentissage artificiel. En guise de définition liminaire, on peut dire que le TAL concerne essentiellement l’analyse des langues au moyen d’un ordinateur. Le TAL est également connu sous diverses appellations qui traduisent parfois des nuances au sein de ce vaste domaine de recherche : on parle par exemple d’« ingénierie linguistique », quand l’accent est mis sur les aspects pratiques et opérationnels, ou de « linguistique informatique », quand c’est la linguistique qui tient un rôle important dans les recherches. Cette définition peut paraître néanmoins trop restrictive dans la mesure où le TAL recouvre également la «  génération de texte », c’est-à-dire la production et non plus l’analyse automatique de textes. Ce champ de recherche et d’application est populaire, à l’heure des agents conversationnels et autres « gadgets » fondés sur une interaction avec l’utilisateur – pour qu’il y ait interaction, il faut prévoir à la fois une étape d’analyse et une étape de génération.

Il faut d’emblée souligner que le TAL a connu des mutations extrêmement importantes en quelques années, et que ce qui se fait aujourd’hui sur le plan technique n’a plus grand-chose à voir avec ce qui se faisait avant les années 2000. Du point de vue du grand public, le domaine a longtemps été connu essentiellement à travers les correcteurs orthographiques et les traducteurs automatiques, qui étaient de surcroît souvent de qualité médiocre. À l’inverse, il existe désormais de plus en plus d’applications visibles, opérationnelles et relativement efficaces. Tous les problèmes ne sont pas résolus et les systèmes automatisés font toujours des erreurs, mais un certain nombre de réussites sont indéniables. La qualité des traductions, au moins entre une vingtaine de langues, est de plus en plus satisfaisante. Il est ainsi possible de converser avec un agent artificiel de manière relativement efficace (on pensera à Siri d’Apple, à OK Google ou à Alexa d’Amazon). Les moteurs de recherche sont de plus en plus précis et corrigent d’eux-mêmes certaines fautes de frappe, suggèrent des alternatives, etc.

Cette évolution s’explique par des progrès extrêmement importants, qui concernent moins la linguistique, et qui sont avant tout d’ordre technique. Deux éléments principaux expliquent pour l’essentiel les progrès obtenus à partir des années 1990, même si l’apprentissage profond (deeplearning) a accentué cette tendance : d’une part, la masse de données textuelles disponible sur Internet ; d’autre part, la puissance de calcul des machines, en constante augmentation. Le développement de ce que l’on appelle l’« intelligence artificielle » et, au sein de ce domaine, celui de l’« apprentissage artificiel » ont considérablement renouvelé le TAL : contrairement à ce que l’on pensait il y a encore quelques décennies, il est extrêmement efficace d’« apprendre » depuis les données.

Pourquoi l’analyse de la langue par ordinateur est-elle difficile ?

Le TAL est difficile parce que l’ordinateur n’a a prioriaucune connaissance de la langue. Il faut donc lui indiquer ce qu’est un mot, une phrase, etc. Jusque-là, les choses peuvent sembler relativement simples. Il faut pourtant bien voir que, dès ce niveau, la langue est complexe et ambiguë. Prenons deux exemples. L’apostrophe marque l’élision d’une lettre entre deux mots, comme dans « l’éléphant », mais ce n’est pas toujours le cas : une séquence comme « aujourd’hui » est généralement considérée comme formant un seul mot, qui possède pourtant une apostrophe, laquelle ne joue plus alors son rôle de séparateur. Le trait d’union pose[...]