Voici comment des chercheurs français ont réussi à retranscrire 32 000 manuscrits médiévaux grâce à l'IA

La numérisation des archives médiévales a beau avoir progressé ces dernières décennies, la retranscription restait un goulot d'étranglement considérable : des milliers de textes numérisés, mais illisibles pour les machines et quasi inaccessibles pour les chercheurs faute de temps.

C'est ce verrou que des chercheurs de l'Institut national de recherche en sciences et technologies du numérique (Inria) ont fait sauter, en déployant une IA capable de lire des écritures anciennes à une vitesse sans précédent. Cet exploit a eu lieu il y a plusieurs mois, mais si vous êtes passé à côté, il mérite vraiment qu'on s'y attarde.

Un corpus de 3 milliards de mots né d'une IA entraînée sur mesure

Thibault Clérice, chercheur en humanités computationnelles au sein de l'équipe ALMAnaCH du Centre Inria de Paris, pilote le projet CoMMa (Corpus of Multilingual Medieval Archives). Le résultat : un corpus unique au monde de plus de 3 milliards de mots, issu de manuscrits principalement en latin (du IXe au XVIe siècle) et en ancien français (XIIe au XVIe siècle). Pour l'ancien français seul, ce corpus est désormais quarante fois plus volumineux qu'avant le projet.

Mais pourquoi ne pas avoir simplement utilisé ChatGPT ou Mistral ? Ces modèles grand public sont inadaptés. Le français médiéval n'a pas d'orthographe fixe : deux copies du même texte, réalisées par des scribes variés, peuvent présenter jusqu'à 50 % de mots écrits différemment.

Après deux années à concevoir un modèle et à entraîner une IA, des chercheurs français ont retranscrit et traduit 32 000 manuscrits, en ancien français et en latin, s'étalant du VIIIᵉ au XVIᵉ siècle. La machine a bouclé le tout en quatre mois ! © dmitriymoroz, iStock

En latin, entre 35 et 40 % des mots sont abrégés au XIVe siècle. Dans un traité de médecine, occasionnellement seulement la moitié des lettres d'un mot sont présentes. Les grands modèles de langage, fondés sur la prédiction statistique, inventent là où ils ne savent pas : c'est le problème des « hallucinations ».

L'équipe a donc opté pour une approche radicalement différente, fondée sur la reconnaissance graphique caractère par caractère, via les outils open source Kraken et eScriptorium. Un accent compte comme un signe distinct. Cette méthode privilégie l'erreur de reconnaissance (confondre « ri » avec « n ») plutôt que l'invention pure, bien plus dommageable pour la recherche historique.

CATMuS, le socle indispensable : des années de travail manuel pour libérer l'IA

Avant de lancer CoMMa, il a fallu construire le projet CATMuS (Consistent Approaches to Transcribing Manuscripts), démarré en 2022. Concrètement, des chercheurs et des philologues ont retranscrit manuellement :

La règle d'or ? Ne rien corriger. Ni les abréviations, ni les fautes de copiste, ni les inversions de lettres. L'objectif était de coller au plus près de la réalité brute des documents. Ce corpus d'entraînement a ensuite permis de calibrer l'algorithme pour l'appliquer à grande échelle sur les fonds numérisés de Gallica, de la bibliothèque Bodléienne d'Oxford, de la Bibliothèque de l'État de Bavière à Munich, ou encore de la plateforme suisse E-Codices.

Les transcriptions produites sont brutes, sans correction a posteriori. Le taux d'erreur moyen, mesuré sur 670 manuscrits, s'établit à 9,7 %. Les métadonnées de chaque document indiquent le pourcentage de lignes correctement reconnues, souvent supérieur à 80 %. Seuls les manuscrits tardifs à écriture cursive, sous-représentés dans les données d'entraînement, obtiennent des scores plus faibles.

L'ensemble du corpus CoMMa est librement téléchargeable en ligne : pour tout chercheur ou passionné d'histoire médiévale, c'est une mine d'accès direct à des textes qui dormaient depuis des siècles dans des bibliothèques inaccessibles.