Poibeau, T. (2019). Le traitement automatique des langues : tendances et enjeux. Lalies, 39, 7 65.
par Valentine Guillocheau (Juin 2020)
Le traitement automatique des langues (TAL) est défini comme un domaine de recherche à l’intersection de la linguistique et de l’informatique qui vise à analyser des langues ou des énoncés au moyen d’un ordinateur. Ce domaine connaît une évolution rapide, qui se fait au rythme des progrès techniques en informatique : l’article de Thierry Poibeau permet de dresser un état des lieux de la recherche en TAL et de ses applications pratiques, tout en questionnant la place qu’y occupe la linguistique. En effet, les progrès en TAL accomplis ces dernières années viennent surtout de l’inflation des données textuelles disponibles en ligne et de l’amélioration des techniques d’apprentissage artificiel, qui permettent le plus souvent de ne pas avoir recours à une analyse préliminaire des corpus par des linguistes.
Une des principales difficultés du TAL demeure la résolution des ambiguïtés de la langue, à tous les niveaux d’analyse (lexique, syntaxe…). On a longtemps pensé qu’il fallait formuler pour l’ordinateur des règles de désambiguïsation pré-établies, mais l’analyse de grands corpus permet aujourd’hui de déterminer différents sens en contexte à partir des seules données. Ce changement majeur de perspective est illustré par l’évolution d’un domaine emblématique du TAL : la traduction automatique. L’article y consacre une quinzaine de pages, qui permettent de retracer les enjeux essentiels du TAL au moyen d’un exemple historique.
Ainsi, dans les années 1940, lorsque la traduction automatique devient l’objet de recherches, on a d’abord proposé des systèmes fondés sur des outils linguistiques formalisés (grammaires, lexiques) que l’on fournit à la machine pour lui donner les moyens d’analyser puis de traduire un texte. Deux façons d’employer ces outils se dessinent alors : l’une cherche un résultat rapide, au moyen d’une traduction directe du lexique vers la langue cible, suivie d’une rectification des phrases obtenues au moyen des règles grammaticales de la langue en question ; l’autre suppose une analyse plus approfondie du sémantisme et de la syntaxe du texte, en recourant à une « langue pivot », voire une « interlangue » abstraite et logique pour encoder le sens du texte indépendamment de la langue source et de la langue cible afin d’éviter de multiplier les systèmes de correspondance. Pour donner un ordre de grandeur théorique, si l’on veut pouvoir traduire des textes entre 50 langues, en utilisant un langage pivot, il n’y a que 50 systèmes de correspondance à établir ; sans langage pivot, il en faudrait 1225. L’inconvénient est que l’usage d’un intermédiaire multiplie et amplifie les erreurs. Cette deuxième piste suscite encore l’intérêt de nos jours, parce qu’elle soulève des interrogations purement linguistiques, dans un domaine où la linguistique n’a plus qu’un rôle secondaire.
La direction qu’ont suivie les premières recherches en TAL a été fortement influencée par le contexte historique de ces recherches. Les besoins en traduction automatique s’inscrivent alors dans un contexte de Guerre Froide, où la possibilité de traduire rapidement du russe vers l’anglais avait de forts enjeux politiques. La recherche en TAL n’est alors pas considérée comme fondamentale, mais directement orientée vers des applications pratiques. Soixante-dix ans plus tard, la perspective sur le TAL n’est pas si différente, mais ce ne sont plus tant des enjeux politiques que commerciaux qui guident son avancée – ou la ralentissent. Ces derniers peuvent ainsi conduire à l’abandon de méthodes qui sont certes coûteuses, car elles mobilisent de grandes équipes de recherche, mais qui présentent un intérêt indéniable pour la formalisation linguistique, et peuvent sur le long terme donner lieu à des réalisations utilisables par le grand public.
La véritable révolution en TAL pour la traduction automatique se produit lorsque l’existence de vastes corpus bilingues alignés permet d’inférer des traductions à partir de seules données, sans apport de connaissances externes. Cette approche est confortée par le recours à l’apprentissage profond, qui permet d’étendre l’analyse à une phrase entière (syntaxe comprise), à partir de l’observation d’un grand nombre d’exemples qui orientent les « décisions » du programme. Les méthodes d’évaluations connaissent également un changement radical, puisqu’il ne s’agit plus de tester les capacités du système à traiter un panel de phénomènes linguistiques précis, mais de voir de quelle manière il fait face à l’imprévu.
Après lui avoir donné une profondeur historique à travers l’exemple de la traduction automatique, T. Poibeau passe en revue les différents aspects du TAL de nos jours : l’état de la recherche dans ce domaine, les moyens d’évaluation des systèmes mis au point, le lien avec d’autres champs de recherche (en particulier la linguistique), et les applications pratiques commercialisables (moteurs de recherche, fouille d’opinion, classification de documents, correction orthographique, commande vocale…). Ces quatre perspectives sont séparées dans l’article pour les besoins de l’étude, mais l’on peut y voir exprimés les mêmes enjeux, liés à la prédominance actuelle de l’utilisation de données en masse.
Cette approche purement statistique connaît en effet un certain nombre de limites. Une première est la quantité de données nécessaires à son bon fonctionnement : les langues peu représentées sur Internet, ou dont la structure s’éloigne des langues indo-européennes (comme l’arabe ou le chinois), sont moins faciles à analyser, bien que des recherches soient menées pour parvenir à se passer de corpus bilingues pour les langues rares. Par ailleurs, dans le domaine de la traduction automatique, l’anglais sert fréquemment de langue pivot, mais d’une façon assez imparfaite, ce qui multiplie les erreurs. Enfin, si l’analyse syntaxique au moyen de grands corpus a fait de grands progrès, l’analyse sémantique est inévitablement limitée et permet seulement une représentation statistique de l’emploi des mots, sans que des relations sémantiques typées soient définies entre ceux-ci. Ces pierres d’achoppement sont peut-être l’occasion de renouer avec une approche plus linguistique du TAL.
Actuellement, on peut considérer les relations entre la linguistique et le TAL de deux points de vue. D’une part, le linguiste peut être assisté dans ses recherches par des outils du TAL, qu’il s’agisse de lexicologie, de linguistique historique, de linguistique de terrain sur des langues peu documentées ou encore de recherche sur l’acquisition du langage. D’autre part, il peut contribuer à l’amélioration des outils de TAL, en mettant en forme des données ou en formalisant des règles linguistiques – contribution qui alimente en retour des débats linguistiques. Le problème est que la constitution d’équipes de linguistes travaillant à un projet pendant des années est très coûteuse, et ne correspond pas forcément à une application pratique directe : l’approche statistique et l’apprentissage profond à partir de grands corpus dominent donc. Dans ce contexte, on laisse aux linguistes la portion congrue : fournir des corpus d’entraînement aux systèmes ou évaluer leurs performances, tâches qui ne peuvent être entièrement confiées à un système automatique.
Si le TAL est un domaine où recherche fondamentale et recherche appliquée ne sont pas séparables, l’impératif de résultats rapides dans le cadre d’un besoin étroitement défini pourrait nuire aux progrès de la recherche dans ce domaine sur le long terme. En n’explorant que les pistes permettant d’atteindre au plus vite un résultat commercialisable, on risque de se concentrer sur les tâches les plus faciles à accomplir, en laissant de côté des problèmes qui demanderont tôt ou tard une attention plus poussée. Pour tirer le meilleur parti de l’énorme quantité de données accessibles en ligne, il faudrait qu’un même projet réunisse des équipes mixtes entre informatique, linguistique et sciences humaines, afin que les outils du TAL progressent en même temps que la recherche qui les emploie. Une méthode prometteuse à cet égard est de définir plusieurs modules au sein d’une tâche à effectuer, ce qui permet de distinguer des tâches élémentaires du TAL (par exemple l’analyse des entités nommées, i.e. des noms propres ou des dates) pour ensuite les réemployer séparément dans d’autres projets.
Pour l’instant, le TAL semble pouvoir se passer d’un recours systématique à la linguistique pour l’essentiel de ses applications pratiques : le « plateau de performances » attendu pour se tourner vers de nouvelles méthodes n’a pas encore été atteint. Cet article fait donc le tableau d’une discipline en pleine expansion, mais limitée dans la diversité de ses approches par la perspective immédiate d’applications pratiques.
1 réponse
[…] Poibeau, T. (2019). Le traitement automatique des langues : tendances et enjeux. Lalies, 39, 7‑65. par Valentine Guillocheau (Juin 2020). […]