Loin d’être le privilège des plus grands établissements, l’intelligence artificielle peut être mobilisée dans toute bibliothèque universitaire. Illustration pratique avec l’expérience du SCD de l’université Côte d’Azur.
Si l’on devait résumer les quelques sujets qui
nous ont collectivement animés ces dernières années, l’intelligence
artificielle (IA) en est curieusement absente, ou du moins marginalement traitée : transition
bibliographique, Web de données, open access, ou encore services aux
chercheurs ont la part belle, mais point ou peu de machine learning et autres réseaux de
neurones. En même temps que les applications et services à base d’IA
se déploient couramment dans notre vie quotidienne, alors même que ces
« nouvelles » technologies de traitement de la donnée commencent
concrètement à infuser dans les projets de recherche scientifique
(notamment en humanités numériques), force néanmoins est de constater
que l’IA tarde à se manifester dans nos quotidiens de bibliothécaires.
Sans doute en raison du fait que, pour paraphraser Philippe Le Pape à
propos de la transition bibliographique, il n’y aura pas de grand soir
de l’IA en bibliothèque mais une succession de petits matins au gré
des expérimentations et retombées des projets menés, notamment, à
l’Abes et à la Bibliothèque nationale de France. Cela dit, même si ces
opérateurs paraissent les mieux placés en terme de compétences
techniques et de maîtrise des données pour aborder ces problématiques
d’IA, sur le papier rien ne s’oppose à ce que tout un chacun dans son
établissement se forme et s’essaie à tester, expérimenter, prototyper,
voire utiliser en production des algorithmes d’apprentissage machine,
ceux-ci étant largement documentés et leurs implémentations
disponibles dans des librairies open source.
Crédit Adobe stock
Fondamentalement, les dispositifs d’IA
s’appuient sur des logiques inhabituelles pour des bibliothécaires
férus de modélisation de haut niveau, dont découle la norme qui
encadre la production de données. Inversement, la spécificité des
techniques d’apprentissage machine est d’être totalement empirique
et de partir des données afin d’en induire les motifs implicites et
corrélations sous-jacentes. Sous réserve de disposer d’assez de
données et de leur appliquer les traitements adéquats à l’aide de
techniques statistiques d’échantillonnage et d’outils de data mining,
l’apprentissage automatique ou profond consiste à découvrir des
éléments de structuration invisibles et à modéliser les patterns implicites
contenus dans ces observations d’apprentissage afin d’en extraire de
l’information et de faire des prédictions. À la base du machine learning, rien de
magique donc, mais l’application balisée et rigoureuse de techniques
statistiques et géométriques connues depuis longtemps pour effectuer
de la régression, classification ou « clusterisation » sur des jeux
de données simples. Pour la réalisation de tâches plus complexes et
non linéaires, telles que la reconnaissance vocale ou la
reconnaissance de formes dans des corpus d’images, les algorithmes
de deep learning
s’appuient, eux, sur les technologies à base de réseaux de
neurones pour modéliser des transferts auto-apprenants
d’informations de plus en plus abstraites entre couches de neurones,
à l’image de ce qu’il se produit dans les cerveaux des
mammifères.
Afin d’illustrer des possibilités de prises en main dans le cadre de problématiques simples d’établissement, voici trois exemples, dont deux ont été abordés dans une démarche de preuve de concept sans objectif opérationnel, tandis que le dernier cas s’intègre, lui, dans un circuit de traitement ayant donné lieu à la mise en production concrète d’une application (le baromètre Science ouverte de l’université Côte d’Azur développé par le SCD).
La première expérimentation consiste à
prototyper un système de recommandations de documents intégré avec
l’Opac afin d’évaluer dans quelle
mesure l’enrichissement des résultats fournis par le moteur de
recherche du catalogue grâce à des notices « proches »
complémentaires favorise la découvrabilité de contenus au cours de
l’expérience usager. Pour ce faire, le cœur du processus consiste à
travailler sur un jeu de données bibliographiques et un jeu de
données d’usage des documents afin d’opérer des calculs de :
- Similarité entre contenus pour mesurer la
proximité entre chaînes de caractères de chaque paire de notices à
partir d’une analyse type NLP
Traitement automatique du langage naturel
- Similarité par l’usage qui permet de déduire des associations de documents à partir des prêts effectués par les lecteurs (les lecteurs qui ont emprunté ceci ont aussi emprunté cela).
On est ici dans le cas d’un apprentissage basé
sur des observations à partir duquel l’algorithme est ensuite
généralisable à de nouveaux exemples en calculant des proximités à
partir des données apprises. Ainsi ce prototype d’application Web, qui requête à
la fois l’API de l’Opac et le modèle obtenu, permet d’afficher, pour
chaque notice de la liste de résultat, les notices similaires
calculées.
Le deuxième exemple proposé part d’une idée toute simple et illustre explicitement l’objectif fondamental de l’IA − faire des prédictions à partir de jeux de données −, cette fois-ci dans le cadre d’un apprentissage par modèle : dans le stock de documents détenus par une bibliothèque, certains ont été empruntés au moins une fois et d’autres jamais. Peut-on dégager des variables pertinentes qui déterminent le fait pour un livre d’être emprunté ou pas, et ainsi, prévoir pour des nouveaux documents leur probabilité d’être empruntés en fonction de leurs métadonnées ?
Réponse : oui à 75 %. Plus précisément, après
avoir entraîné plusieurs algorithmes de classification binaire L’algorithme est entraîné sur 80 %
du dataset de départ, et évalué sur les 20 % restants d’observations
qui lui sont inconnues en mesurant l’écart entre valeurs réelles et
valeurs prédites. La précision mesure la qualité des prédictions
positives tandis que le rappel prend en compte les faux négatifs
pour évaluer le taux de couverture des prédictions
positives. https://github.com/azur-scd/poc-loan-predict/blob/main/notebooks/ml_algorithmes.ipynb sur un fichier csv contenant les
métadonnées de tous les exemplaires de monographies créés entre 2015
et 2021 au SCD, on obtient pour le plus performant d’entre eux un
taux de précision de 75 % (l’algorithme a raison 3 fois sur 4
lorsqu’il prédit que les exemplaires du jeu de test seront
empruntés) et arrive à détecter 75 % des exemplaires réellement
prêtés (mesure du rappel)https://github.com/azur-scd/poc-loan-predict/blob/main/notebooks/data_processing.ipynb qui reprend la plupart des
visualisations créées pour la génération du modèle.
open accessde l’université
Enfin, le troisième cas d’usage concerne le
set de métadonnées de publications collectées puis enrichies avec
les données d’Unpaywall qui sert de base au baromètre open access de
l’établissement. En plus des indicateurs d’ouverture par date de
publication, date d’observation et structures de recherche, nous
souhaitions également produire des vues et données chiffrées par
disciplines, à l’instar du baromètre national. Afin d’indexer le
millier de publications UCA qui n’étaient pas présentes dans le jeu
de données du ministère, et pour lesquelles nous ne disposions donc
pas de variable discipline, la solution la plus évidente à mettre en
œuvre a consisté à entraîner plusieurs algorithmes de
multi-classification sur le jeu de données national déjà étiqueté
(lui aussi grâce à un algorithme de machine learning, d’ailleurs) puis à
« prédire », grâce au meilleur modèle obtenu, la discipline associée
à chaque publication du dataset local.
Alors, certes le ticket d’entrée pour se
familiariser avec ce type d’usages de la donnée est un peu élevé
quand la plupart des métiers de la data (data scientist, data engineer, data
miner…) sont des profils historiquement absents de nos
organigrammes. Mais le retour sur investissement, même au niveau
d’un établissement, peut se révéler très positif, en termes de
connaissances métier supplémentaires qui ne sont pas produites par
le travail courant sur les collections ou les reporting classiques,
ou encore en produisant des algorithmes remplaçant avantageusement
des règles métiers difficiles à maintenir et souvent appliquées
manuellement (pour des opérations de monitoring sur la qualité des
données par exemple).