Utilisée aux Archives nationales depuis 2015, l’intelligence artificielle permet de traiter les fonds de manière inédite, principalement grâce à la reconnaissance d’écritures manuscrites, au bénéfice des archivistes comme des lecteurs.
L’intelligence artificielle, en plus d’être une
notion de plus en plus divulguée, est devenue un outil à part entière
dans les administrations pour
tirer parti des vastes réservoirs de données qu’elles produisent. Le
monde de la recherche, de la culture et du patrimoine est lui aussi
concerné par ce mouvement de fond : désormais prédomine le sentiment
que le stade de l’expérimentation est dépassé pour entrer dans une
nouvelle phase des pratiques professionnelles.
Aux Archives nationales, c’est à partir de 2015
que l’intelligence artificielle a été employée pour traiter les fonds
de manière inédite, principalement en ayant recours à la
reconnaissance d’écritures manuscrites, ou handwritten text recognition (HTR). Cette
technologie s’appuie sur les processus de machine learning, qui consistent, à partir
de jeux de données, à entraîner une machine à effectuer des actions
humaines : ici, en l’occurrence, la transcription de textes
manuscrits. Cette technologie répond au rêve longtemps caressé de
pouvoir traiter les documents à l’instar de ce qu’était capable
d’accomplir l’OCR sur les imprimés. Elle a frayé plusieurs pistes pour
le traitement, la diffusion et l’utilisation des archives.
Lancé fin 2014 par l’IRHT (Institut de
recherche et d’histoire des textes) sous l’égide de Dominique
Stutzmann, le projet HIMANIS L’acronyme
signifie : « HIstorical MANuscripts Indexing for user-controlled
Search ». Carnet de recherche : www.himanis.hypotheses.org présenta la singularité de
choisir comme « terrain de jeu » les registres de la chancellerie
royale des XIIIe et XVe siècles conservés dans le
Trésor des chartes. Si l’HTR était alors couramment utilisé sur les
écritures contemporaines, il n’avait jamais été employé pour
transcrire des écritures si anciennes, comportant de nombreuses
abréviations. Le corpus à traiter, soit 199 registres pour plus de
83 000 pages, était en outre suffisamment volumineux pour évaluer la
maturité de la technologie.
Les premiers résultats ont été obtenus
rapidement grâce aux images déjà disponibles au début du projet et
aux éditions électroniques d’actes royaux qui fournissaient une
« vérité de terrain » Notamment P. Guérin et L. Celier,
Recueil des documents concernant le Poitou contenus dans les
registres de la chancellerie de France, 14 vol., Poitiers, 1881 ;
édition électronique par l’École des chartes : www.corpus.enc.sorbonne.fr/actesroyauxdupoitouvia une interface de
recherche
Le chercheur a la possibilité de retrouver directement au cœur du document les termes de son choix et d’effectuer aussi bien des études d’ordre historique que philologique en s’appuyant sur la statistique lexicale. Du point de vue de l’archiviste, ce moteur de recherche pallie l’absence d’inventaire complet de ces registres. On notera néanmoins qu’un tel outil ne peut remplacer un travail d’indexation classique. Face à la matière brute du texte, c’est à l’utilisateur final de retrouver les termes du Moyen Âge qui traduisent un phénomène ou un concept, de connaître les formes lexicales du latin et de l’ancien français pour retrouver toutes les occurrences pertinentes, d’envisager tout ce qu’une indexation matière pouvait lui suggérer.
Dans la continuité d’HIMANIS, il faut aussi
évoquer le projet eNDP, débuté en 2020 et qui porte sur les
registres des décisions du chapitre de Notre-Dame de Paris. Autre
exemple de coopération entre institutions de conservation et
structures de recherche, le but de ce projet, qui a actuellement
réussi le stade de la transcription par HTR, vise à explorer le
contexte social, économique et urbain dans lequel évoluait le
chapitre cathédral Présentation du projet : https://lamop.hypotheses.org
Une autre possibilité d’exploiter
l’intelligence artificielle consiste à récupérer, à partir des
documents d’archives, des informations afin de les réutiliser dans
le travail de description documentaire. LectAuRep, projet financé
par le ministère de la Culture, mené par le Minutier central des
notaires parisiens et l’INRIA, a été conduit de 2018 à 2021 LectAuRep signifie : lecture automatique de
répertoires. Carnet de recherche du projet : www.lectaurep.hypotheses.org
Le projet SIMARA Acronyme
signifiant : Saisie d’Inventaires Manuscrits Assistée par
Reconnaissance Automatique. Présentation en ligne pour Etala : https://speakerdeck.com/etalabia/20220203-datadrink-simarae au XXe siècle, qui demeurent à ce jour peu
accessibles aux lecteurs et qui n’ont fait l’objet d’aucun
traitement, hormis une numérisation en mode image. SIMARA vise à
traiter environ 800 000 fiches et 100 000 pages. Il s’agit d’une
plateforme Web développée par la société Teklia qui l’a adossée à
ses infrastructures de traitement HTR. Son but est d’accomplir deux
tâches chronophages auparavant réalisées séparément et manuellement
par les archivistes : la saisie bureautique de l’inventaire et la
structuration des informations en XML EAD. Ces deux opérations sont
effectuées conjointement par la plateforme : les outils de
segmentation et d’HTR se chargent de transcrire le texte manuscrit,
tandis que des outils d’identification des contenus répartissent les
informations dans des champs correspondant à des éléments et des
attributs XML. L’archiviste peut ainsi se concentrer uniquement sur
la relecture des données, en corrigeant les transcriptions,
contribuant au passage à améliorer les modèles de reconnaissance
d’écritures. Il peut ensuite récupérer le tout au format EAD pour le
publier. Ce travail de relecture demeure forcément long et exigeant
mais la prise en charge par l’intelligence artificielle des tâches
les plus fastidieuses de saisie et d’encodage permettent de réduire
significativement le temps de traitement.
Face au succès de la solution, une plateforme
collaborative pour associer le public à la relecture des
transcriptions automatiques sera mise en œuvre (projet GIROPHARES).
Les expériences conduites aux Archives nationales ont
essentiellement exploité la reconnaissance d’écritures manuscrites,
afin d’aller plus loin dans la transformation des fonds d’archives
en données. Cette transformation se fait tant au bénéfice des
archivistes, pour produire métadonnées et inventaires, que des
lecteurs qui réutilisent ces données pour évaluer les phénomènes
historiques. De tels projets se multiplient aussi dans le réseau des
archives départementales, notamment avec le projet SOCFACE Présentation du projet : www.socface.site.ined.fr qui, dans la même logique,
explore les recensements de population de 1836 à 1936.