D’une ia intégrée dans un processus défini à une ia indépendante des données

Dans une démarche « science ouverte », on constate la mise en ligne croissante, via GitHub ou GitBucket, de programmes permettant de traiter des données. Mais si tout un chacun a accès à ces algorithmes, leur mise en œuvre souvent complexe n’incite pas les non informaticiens à les utiliser. Nous nous inscrivons bien dans ce mouvement, en publiant tous nos codes, cependant nous voulons aller plus loin en faisant en sorte que qui que ce soit puisse les utiliser, quelles que soient ses compétences. Cela doit répondre aux demandes d’utilisateurs, documentalistes ou chercheurs, qui souhaitent pouvoir utiliser ces programmes sur leurs propres données de façon simple, et en pouvant choisir eux-mêmes les traitements dont ils ont besoin.

Nous avons fait le choix de créer et déployer des applications d’IA sous forme de web services (WS), intégrables dans une chaîne de production comme Istex, mais également directement utilisables par tout utilisateur désirant traiter ses propres corpus. Ainsi nous passons d’une IA intégrée dans un processus défini à une IA indépendante des données, avec des contraintes minimales, utilisable par des non spécialistes, et largement extensible pour répondre à de nouveaux besoins.

Les méthodes implémentées peuvent être complexes, mettant en œuvre des réseaux neuronaux élaborés, avec un nombre élevé de paramètres à optimiser. Afin de faciliter au maximum leur usage, les web services doivent répondre à un certain nombre d’exigences :

Chaque service ne doit répondre qu’à un seul besoin. Il n’y a pas de paramétrage par l’utilisateur. Il doit y avoir un seul format d’entrée/sortie très simple (ex : un JSON identifiant/valeur). Ils doivent être utilisables via une interface graphique (dans l’outil de visualisation Lodex

https://www.inist.fr/projets/lodex

)

Les modèles de ML sont construits par des spécialistes TDM, avec l’aide d’experts pour la constitution des corpus d’apprentissage et la validation des algorithmes, puis utilisés par les WS mis à disposition : l’IA devient alors accessible à tous et facilement applicable aux données bibliographiques, que ce soit sous forme de métadonnées ou de texte intégral

Bonvallot V., Parmentier F., Bourguignon L., Clauss I. and Gregorio S. (2022) : Le TDM pour tous grâce à des web services au sein de LODEX, outil libre de visualisation, Revue des Nouvelles Technologies de l’Information, Extraction et Gestion des Connaissances, RNTI-E-38, 2022, 445-452 https://editions-rnti.fr/render_pdf.php?p=1002758

. Pour aider l’utilisateur, le site Internet objectif-TDM

https://objectif-tdm.inist.fr

recense les services en production : il permet à la fois d’identifier le service correspondant à ses besoins, de connaître son URL et d’avoir une aide sur son utilisation. À partir de là, le service est utilisable suivant les compétences de chacun : via une interface graphique dans Lodex (outil open source de visualisation de données structurées

Gregorio, S., A. Collignon, F. Parmentier, and Thouvenin N. (2019) : LODEX : des données structurées au web sémantique https://hal.archives-ouvertes.fr/hal-01990444. Atelier Web des Données Conférence EGC, 2019, Metz, France.

), en ligne de commande, ou intégré dans un programme informatique.

Les nouveaux services proposés permettent l’utilisation de méthodes apportant une forte valeur ajoutée aux données traitées sans qu’il soit nécessaire de mobiliser des compétences en informatique, ou en data mining. Le système est suffisamment souple pour rapidement mettre en production de nouveaux services répondants à de nouveaux besoins ou à des données ayant des caractéristiques propres. En effet, les nouvelles approches font appel à des modèles de langage, modèles statistiques capables par exemple, à partir de la distribution de séquences de mots, de deviner une succession de mots. Avec le développement des approches neuronales (et le deep learning), on trouve d’importantes ressources pré-entrainées sur de gros volumes de données et dans des langues différentes. Ces gros modèles « génériques » peuvent avoir un intérêt mais peuvent aussi entraîner des biais importants

Bender E.M., Gebru T., McMillan-Major A., and Shmitchell S. (2021) : On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‘21). Association for Computing Machinery, New York, NY, USA, 610–623.

 ; nous l’avons constaté, par exemple, dans le cas d’analyses de publications de la fin XIXe siècle au début XXe en français, où le style est fondamentalement différent de celui de nos jours. C’est le cas également dans le cas de corpus scientifiques spécialisés où le vocabulaire scientifique est très mal appréhendé via des modèles génériques. Pour faire face à ces cas-là, nous devons pouvoir nous adapter en créant nos propres modèles, adaptés aux données à traiter.

À l’Inist-CNRS, nous avons mis en place un environnement approprié facilitant le déploiement de ces services à partir d’algorithmes d’IA (plus spécifiquement de TDM). Cela permet une grande souplesse quant à la modification, l’adaptation ou la création de web services.

Cette nouvelle offre de service est donc là pour répondre à de multiples finalités et s’adresse à tous les professionnels de l’IST qui ont besoin, par exemple, de détecter des thématiques scientifiques, de classer des documents, ou encore de les enrichir pour faire de la bibliométrie. Elle propose des services assez génériques pour être utiles au plus grand nombre, mais est également capable de s’adapter aux besoins exprimés, et ainsi d’évoluer continuellement pour répondre à de nouveaux usages.