AccueilScience et TechnologieManuscrits médiévaux : comment une IA française a déchiffré 32 763 textes...

Manuscrits médiévaux : comment une IA française a déchiffré 32 763 textes en quatre mois

Déchiffrer des dizaines de milliers de manuscrits médiévaux prenait autrefois des générations de paléographes. Une équipe française vient de montrer qu’une intelligence artificielle spécialisée peut accomplir une partie de ce travail en quelques mois, sans recourir aux grands modèles de langage à la mode. Le résultat intéresse directement les historiens, les bibliothèques et, plus largement, tous ceux qui s’interrogent sur les usages sérieux de l’IA.

Le projet est porté par l’équipe ALMAnaCH de l’Inria, à Paris, en collaboration avec une chercheuse du CNRS. En quatre mois, leur système a traité 32 763 manuscrits médiévaux, rédigés entre le 9e et le 16e siècle, dans onze langues différentes. Le taux d’erreur mesuré sur un échantillon de 670 documents ressort à environ 9,7 % par ligne — un niveau jugé solide pour ce type de textes manuscrits anciens, souvent abîmés ou écrits dans des graphies irrégulières.

Un choix technique à contre-courant

Ce qui distingue cette initiative, c’est le refus délibéré des grands modèles de langage génératifs. Ces outils, populaires pour la traduction ou la synthèse de texte, ont tendance à combler les trous par prédiction plutôt qu’à transcrire fidèlement ce qui est réellement écrit — un défaut rédhibitoire pour une source historique. L’équipe a préféré bâtir sa reconnaissance sur l’analyse pure des formes de caractères, à l’aide des outils libres Kraken et eScriptorium, qui identifient chaque lettre individuellement sans tenter de « deviner » la suite.

Cette rigueur a permis de constituer un corpus baptisé CoMMA (Corpus of Multilingual Medieval Archives), qui rassemble désormais plus de trois milliards de mots issus de ces manuscrits. Jusqu’ici, l’essentiel de ce patrimoine écrit restait inaccessible aux chercheurs faute de temps humain pour le transcrire : seule une poignée de spécialistes dans le monde sait lire certaines écritures anciennes.

  • 32 763 manuscrits traités en 4 mois, contre des décennies de travail manuel
  • Taux d’erreur moyen de 9,7 % par ligne sur l’échantillon vérifié
  • Onze langues couvertes, du 9e au 16e siècle
  • Plus de 3 milliards de mots désormais recherchables dans le corpus CoMMA

Pourquoi cela compte au-delà des bibliothèques

L’enjeu dépasse le cercle des médiévistes. En rendant ces textes recherchables, l’outil permet de croiser automatiquement des informations dispersées sur des milliers de documents : un nom de lieu, une date, une formule juridique peuvent désormais être retrouvés en quelques secondes, là où il fallait auparavant dépouiller les archives une à une. Des équipes souveraineté technologique française y voient aussi une démonstration utile : la France dispose de compétences reconnues en traitement automatique des écritures anciennes, un savoir-faire de niche mais stratégique pour la conservation du patrimoine mondial.

Cette approche illustre aussi une tendance plus large de la recherche en IA : préférer un outil spécialisé, plus modeste mais plus fiable, à un modèle généraliste impressionnant sur la forme mais risqué sur le fond dès qu’il s’agit de restituer des faits exacts.

Pour en savoir plus sur les ambitions françaises en matière de calcul et de technologies souveraines, voir notre article sur les champions français de la souveraineté technologique. L’exploration scientifique n’est pas en reste, comme le montre notre article sur le télescope spatial Roman de la NASA. Et pour les questions de protection des données que ces grands corpus numériques posent nécessairement, notre article sur la résilience des infrastructures critiques donne des clés de lecture utiles.

Questions fréquentes

Pourquoi ne pas avoir utilisé ChatGPT ou un autre grand modèle de langage ?

Ces modèles génèrent du texte par prédiction statistique, ce qui les pousse parfois à inventer des mots plausibles plutôt qu’à transcrire fidèlement un caractère abîmé ou ambigu. Pour une source historique, cette approximation est inacceptable : l’équipe a préféré une reconnaissance fondée sur l’analyse des formes, sans génération de texte.

Qui peut consulter les manuscrits transcrits ?

Le corpus CoMMA, qui regroupe les transcriptions, est conçu comme une ressource de recherche pour les historiens, linguistes et institutions patrimoniales qui travaillent sur les sources médiévales.

Ce taux d’erreur de 9,7 % est-il un problème ?

Pour un travail de reconnaissance automatique sur des écritures manuscrites vieilles de plusieurs siècles, ce taux est considéré comme performant. Il permet déjà des recherches par mot-clé fiables sur l’ensemble du corpus, les cas ambigus restant vérifiables par un spécialiste.

Sources

Futura Sciences —
University of Miami

Cet article a été rédigé avec l’aide d’une intelligence artificielle. Politique éditoriale

Maxime Roussel
Maxime Roussel
Signature éditoriale de la rédaction de authueil.org — nom de plume assumé de l'équipe du site, et non une personne réelle. Les articles publiés sous cette signature sont rédigés avec l'assistance d'une intelligence artificielle, sous la responsabilité éditoriale du site.

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici

Ce site utilise Akismet pour réduire les indésirables. Découvrez comment les données de vos commentaires sont traitées.

- Publicité -

LES PLUS POPULAIRES

COMMENTAIRES RECENTS