En collaboration avec l’association Calfa, la BULAC a entrepris la numérisation et l’indexation de ses collections manuscrites arméniennes, en particulier du fonds Dulaurier : correspondances, manuscrits, notices bibliographiques et documents d’archives. L’objectif de ce partenariat est d’assurer la préservation et la découverte de ces fonds par le grand public — en proposant notamment une version OCRisée de ces documents, mais également de contribuer à l’amélioration d’une intelligence artificielle, dédiée à la reconnaissance de l’écriture manuscrite arménienne moderne.

Dans le cadre de ce projet, le public sera notamment amené à prendre en main des intelligences artificielles afin de découvrir le fonctionnement de ces systèmes et leurs applications pour les bibliothèques.

Origine du projet et intérêt des fonds

Le fonds Dulaurier est principalement concerné par ce projet. Édouard Dulaurier (1807-1881) occupe de 1862 à sa mort la chaire de langues et civilisation arméniennes de l’École spéciale des Langues Orientales (devenue l’Inalco), membre de l’Institut. Outre l’achat d’une partie de sa bibliothèque personnelle comportant de nombreuses raretés bibliographiques dans le domaine de l’arménien classique, La BULAC a hérité d’une grande partie de ses documents manuscrits, notamment des copies d’anciens manuscrits qu’il a lui-même réalisées au monastère des Pères Mekhitaristes de Venise, un ensemble de correspondances, ainsi que quelques archives personnelles, dont des brouillons d’articles et d’éditions critiques. Il y a ainsi plusieurs milliers de pages, rédigées principalement en arménien classique et moderne.

Les documents manuscrits conservés à la BULAC sont de précieux témoins historiques et philologiques dont le contenu reste encore inédit pour certains. Nous y trouvons par exemple sous la cote DON2489 la chronique de Mathieu d’Édesse, recopiée et annotée, ou sous la cote MEI.I.21 un dictionnaire d’arménien classique-français, entièrement manuscrit, et comportant quelques lemmes originaux (p. ex. : aġġēbek, au lieu de aġēbek), que l’auteur a commentés (p. ex. : ǰermik, « c’est un nom diminutif qui signifie petite chaleur, chaleur douce, agréable ») ou complétés (p. ex. : č̣aṙagir, dont les formes évidentes de génitif et d’instrumental singulier/pluriel gri, iw, ac̕, ōk̕ ont été ajoutées). Ce dictionnaire a été composé sur la base du dictionnaire arménien du Père Mékhitar (imprimé à Venise en 1749 et augmenté en 1769 par ses disciples), fondateur de l’ordre des Pères Mekhitaristes, et traduit sur le modèle du dictionnaire arménien, latin et italien du Père de Villafor, capucin, en 1780. Il précède ainsi le dictionnaire du Père Aucher, réalisé en 1872, premier dictionnaire arménien classique-français de référence.

Au-delà de ces ouvrages manuscrits complets, ces fonds, notamment le fonds Dulaurier, contiennent également un grand nombre de feuilles volantes, sur des sujets d’études variés, comme de nombreux folios de l’histoire d’Agathange, vraisemblablement copiés à Venise, ainsi que sur l’histoire des Orbélians, ou la Généalogie des rois de Jérusalem et des rois de Chypre. Ces textes sont parfois agrémentés de leur équivalent grec, et sont presque systématiquement commentés par l’auteur. Le contenu de certains documents reste encore à être identifié.

Enfin, le projet s’intéresse aussi aux notices bibliographiques de la BULAC, rédigées autrefois à la main par les personnes en charge du catalogage, et que la BULAC souhaite actualiser et intégrer au catalogue numérique.

Outre un intérêt historique et philologique évident, ces archives sont rédigées dans des écritures très différentes, plus ou moins cursives, allant d’une écriture proche des manuscrits anciens en bolorgir¹, droite et bien dessinée, à une écriture extrêmement inclinée et ligaturée difficile à lire, même pour un œil exercé.

• 

• 

Certains des documents présentent ainsi d’importantes difficultés de lecture, limitant de fait leur accès, leur étude et leur conversion en donnée numérique.

Dulaurier conserve en outre les mêmes habitudes que les copistes arméniens, à savoir l’utilisation d’abréviations avec l’emploi du badiw (trait horizontal au-dessus de l’ensemble de la forme abrégée par concaténation), l’utilisation d’idéogrammes représentant un mot, et l’utilisation de signes indicatifs sur la prononciation et l’intonation, compliquant d’autant la lecture pour une personne non coutumière de ces usages ou de l’arménien classique, et l’application d’un OCR classique.

La BULAC et Calfa se sont ainsi associés afin de promouvoir ces collections en facilitant leur accès, non seulement à l’objet physique (accès à une copie numérique, participant à sa préservation), mais aussi à son contenu, en proposant une version éditable (texte) et annotée de ces documents. Ce dernier point représente un défi technique particulièrement intéressant au regard des difficultés et variabilités présentées par les écritures contenues dans les images, et nécessite le développement d’une intelligence artificielle dédiée à cette tâche.

La reconnaissance automatique de l’écriture manuscrite par apprentissage profond

Pour la langue arménienne, Calfa s’est jusqu’à présent concentré sur les manuscrits anciens, et notamment des types d’écritures standardisés (écriture capitale, écritures livresques, et cursives sans pour autant présenter autant de variations que dans les collections de la BULAC, malgré la présence de très nombreux copistes). Les manuscrits anciens comportent d’autres difficultés, comme la scriptio continua (pas de séparation des mots), la très forte utilisation d’abréviations non standardisées ou encore la mise en page.

Les résultats obtenus par Calfa pour des types d’écritures anciens sont déjà satisfaisants. Selon l’état de conservation du manuscrit, les résultats dépassent les 96% de bonne reconnaissance² avant correction automatique et/ou manuelle, ce qui permet déjà la lecture et l’application d’un moteur de recherche pour accéder à n’importe quelle information contenue dans le document.
L’enjeu du partenariat BULAC – Calfa est d’arriver à des résultats au moins équivalent pour des écritures contemporaines, sujettes à une grande variabilité, et il constitue donc un chantier pionnier.

Utilisation d’une intelligence artificielle et processus OCR

Aujourd’hui, les systèmes de vision par ordinateur sont de plus en plus répandus et ont des résultats extrêmement bons : reconnaissance des visages, aide au diagnostic médical, etc. Pour arriver à ces résultats, les entreprises entraînent des intelligences artificielles avec des centaines de milliers d’images, par la méthode de l’apprentissage profond (Deep Learning). On soumet ainsi à un réseau de neurones ces gigantesques bases de données proposant l’objet à reconnaître sous diverses facettes. Ce dernier, en extrayant des informations clefs de ces images, apprend à généraliser l’objet et à le reconnaître quel que soit le contexte ou la prise de vue. L’entraînement se fait ainsi par la fréquence et l’habitude.
Calfa travaille en particulier sur les langues peu dotées, pour lesquelles on ne dispose que de très peu de données et où il est difficile de proposer une très grande base de données pour l’apprentissage, ce qui complique le processus. C’est le cas de l’arménien.

Le fonctionnement d’un OCR est connu depuis de nombreuses années, avant même l’explosion des systèmes intelligents en 2012. Pour une image donnée, le système procède à son nettoyage afin de mettre en évidence les zones de textes, puis une fois la zone de texte détectée, il réalise une segmentation en lignes et l’extraction des caractères pour chacune de ces lignes. Un post-traitement peut ensuite être appliqué afin d’augmenter « artificiellement » le taux de bonne reconnaissance en corrigeant les mots reconnus. Ce processus a fait ses preuves, notamment pour l’écriture imprimée pour laquelle il existe un grand nombre de logiciels très performants. En revanche, la reconnaissance de l’écriture manuscrite constitue encore un sujet ouvert de la recherche. Le processus appliqué par Calfa et la BULAC est décrit dans le schéma ci-dessous.

Calfa a ainsi réalisé une base de données à partir d’une cinquantaine d’images représentatives fournies par la BULAC afin d’entraîner et de spécialiser son intelligence artificielle. Les résultats obtenus seront notamment présentés en détail lors du colloque Digital Armenian, qui se tiendra du 3 au 5 octobre 2019, à l’Inalco, en partenariat avec la BULAC.

• 

• 

Résultats obtenus sur une notice bibliographique (en date du 30 septembre 2019). La
distance de Levenshtein obtenue entre la vérité terrain et la prédiction réalisée est de 18.

Et maintenant ?

Les résultats obtenus s’approchent, sans modèle de langue, des 90% pour les écritures les plus compliquées. Il reste encore un important travail à réaliser pour les améliorer, mais les prédictions obtenues permettent déjà de réaliser une lecture globale du texte et d’en avoir une compréhension, malgré la présence de coquilles.

Les applications des OCR sont multiples. D’un point de vue patrimonial, il s’agit d’une étape clef pour passer d’un objet numérique hermétique à un ensemble de données utilisables rapidement. Les systèmes OCR, malgré les erreurs qu’ils peuvent générer, proposent un gain de temps considérable pour l’étude d’un fonds. Grâce à la BULAC, il est désormais techniquement possible d’appliquer ces technologies sur des écritures proches des écritures contemporaines, ce qui ouvre des applications multiples dans la vie quotidienne.

Les prochaines étapes du projet : l’amélioration de la technologie en renforçant les bases de données, et la mise en place d’un processus de valorisation des résultats et d’accessibilité pour le public. À partir de 2020, Calfa et la BULAC proposeront notamment des ateliers d’humanités numériques ouverts au public, afin de découvrir par la pratique le fonctionnement des OCR, les traitements à réaliser pour construire des bases de données fiables pour les langues peu dotées et les applications concrètes qui peuvent en découler.

1. De nombreux exemples des écritures arméniennes manuscrites anciennes sont disponibles sur la plateforme https://calfa.fr/vision. Près de 400 folios de manuscrits, copiés entre le X^e et le XIX^e siècle, ont ainsi été annotés, constituant une base de données de plus de 154 000 caractères. [↩]
2. La métrique utilisée est le CER (character error rate). [↩]

---

---