Minist

1

• Ministère de lEnseignement Supérieur et de la
  Recherche
• Les principaux résultats du
• programme Technolangue
• S. Chaudiron
• stephane.chaudiron_at_recherche.gouv.fr

2

• Un rappel du contexte
• Quelques chiffres
• Un tour dhorizon des différents projets
• Une présentation plus détaillée de quelques
  projets

3
Un rappel du contexte

• Rapport réalisé pour le Conseil Supérieur de la
  Langue Française remis au Premier Ministre en
  Nov. 2000
• Réunion interministérielle à Matignon en juin
  2001
• Action confiée au MR
• Veille technologique et évaluation des outils de
  traitement de la langue française,
• Programme Technolangue (période 2002-2006).

4
Un rappel du contexte

• Pourquoi ce programme ?
• Un manque de ressources pour le français,
• Une absence de visibilité des ressources
  produites,
• Un manque doutils dévaluation,
• Des initiatives intéressantes mais discontinues
  (ARC).

5
Un rappel du contexte

• Etats-Unis
• Production / distribution des ressources (LDC)
• Campagnes dévaluation NIST - DARPA
• Reconnaissance, transcription, dialogue,
  reconnaissance locuteur
• Recherche dinformation, compréhension,
  traduction automatique...
• Europe
• Divers projets européens (EAGLES, TSNLP)
• CLEF
• Francophonie
• ARC (Réseau Francil de lAUF)
• France
• Amaryllis, (plus récemment DEFT)

6
Un rappel du contexte

• Premier programme spécifiquement dédié aux TL
• Programme de soutien à linnovation,
• Couvre à la fois la langue écrite et la langue
  orale,
• Associant laboratoires publics et industriels,
• Financé dans un cadre interministériel.
• Articulé avec les Réseaux de Recherche et
  dInnovation Technologiques (RRIT) concernés
• RNRT Télécommunications,
• RNTL Logiciel,
• RIAM Audiovisuel Multimédia

7
Un rappel du contexte

• Quatre objectifs
• Produire et diffuser des ressources linguistiques
  et des ressources logicielles de base,
• Organiser des campagnes dévaluation
• Création de référentiels, de corpus de test,
  définition de métriques, implémentation doutils
  de mesure
• Participer à lélaboration de normes et
  standards,
• Mettre en place un portail de veille
• En liaison avec les sociétés savantes (ATALA,
  AFCP) et les organisations professionnelles
  (APIL).

8
Quelques chiffres

• 52 propositions / 21 projets financés
• 173 participations, 94 participants
• 33 sociétés
• 39 partenaires académiques
• 11 autres (Associations, CEA, DGA)
• 11 équipes étrangères (Bell Labs, NII, EPFL,
  LATL, RALI)
• Budget global 20 M - financement 7,5 M

9
Quelques chiffres

• Ventilation par objectif
• Création de ressources 10 projets
• Campagnes dévaluation 8 projets (5 pour
  lécrit et 3 pour loral)
• Normalisation et standardisation 2 projets
• Veille dans le domaine des TL 1 projet

10
Les résultats (Ressources)

• Création de ressources linguistiques et doutils
  de base
• TILT un corpus balisé XML denviron 1000 textes
  FR/EN alignés dans le domaine des normes,
• ALIZÉ une  boîte à outils  libre pour la
  reconnaissance de la parole,
• CARMEL corpus multilingue aligné (récits de
  voyage) EN, FR, SP, IT (10 M de mots) outils de
  manipulation,

11
Les résultats (Ressources)

• OURAL un ensemble de lexiques et de corpus
  diffusés sous licence GNU, différents outils de
  filtrage dinformations et dextraction de
  concepts
• WATSON modules logiciels tels que outils de
  balisage, étiqueteurs morpho et syntaxique,
  extraction, catégorisation
• NEOLOGOS deux bases de données parole (37 000
  enregistrements de voix denfants et près de 100
  000 pour des voix dadultes, enregistées sur le
  réseau téléphonique),

12
Les résultats (Ressources)

• ATONANT une boîte à outils pour aider la
  création de ressources sémantiques (ontologies) à
  partir de laspiration de pages web,
• NOMS PROPRES une base de données de 53 000 noms
  propres (Prolexbase),
• LEXITEC un ensemble de dictionnaires bilingues
  spécialisés (aérospatial, affaires, automobile)

13
Les résultats (Ressources)

• EURADIC
• Dictionnaires monolingues (FR, GE, EN, SP IT.) et
  bilingues de la langue générale (FR-DE, FR-EN,
  FR-SP, FR-IT et FR-AR), 90 000 entrées au minimum
  pour la langue générale,
• Base de données terminologiques (AR, FR, EN, DE,
  SP, GR),
• Corpus monolingue AR (105 000 mots voyellés et
  étiquetés) et bilingue FR/AR (Le Monde
  Diplomatique).

14
Les résultats (Evaluation)

• EVALDA 8 campagnes dévaluation
• 5 sur le traitement de la langue écrite
• ARCADE 2 outils dalignement (mots et phrases),
• CESART systèmes dacquisition de ressources
  terminologiques,
• CESTA traduction automatique,
• EASy analyseurs syntaxiques,
• EQueR systèmes Questions/Réponses.

15
Les résultats (Evaluation)

• ARCADE 2
• 2 tâches alignement au niveau des mots et de la
  phrase
• Avec une sous-tâche concernant lidentification
  et lalignement des entités nommées en français
  et en arabe.
• CESART systèmes dacquisition de ressources
  terminologiques
• Tâche dextraction de termes (comparaison avec
  des thesaurus existants)
• Tâche dextraction de relations sémantiques (la
  synonymie et comparaison avec les liens indiqués
  dans le thésaurus).

16
Les résultats (Evaluation)

• CESTA
• 2 campagnes en TA,
• EN et AR comme langues sources et FR comme langue
  cible,
• Expérimentation de nouvelles métriques.
• EaSY
• Concevoir et tester une méthodologie pour
  comparer des analyseurs syntaxiques du français,
• Produire de nouvelles ressources.

17
Les résultats (Evaluation)

• EQUER
• Définir un cadre dévaluation pour les systèmes
  de Questions/Réponses,
• Deux tâches de recherche articles de presse et
  domaine de la médecine.

18
Les résultats (Evaluation)

• EVALDA 8 campagnes dévaluation
• 3 sur le traitement de la parole
• ESTER systèmes de transcription de la parole
  (informations), incluant la reconnaissance du
  locuteur,
• EVASY systèmes de synthèse de la parole (TTS),
• MEDIA systèmes de dialogue oral.

19
Les résultats (Evaluation)

• ESTER systèmes de transcription démissions
  radiophoniques
• 3 types de tâches la transcription
  orthographique, la segmentation et lextraction
  dinformations.
• EVASY systèmes de synthèse de la parole à
  partir de textes (TTS)
• 4 types dévaluation la qualité de la
  conversion graphème-phonème, la conversion des
  noms propres, un test dintelligibilité, la
  mesure de la qualité globale de la parole.

20
Les résultats (Evaluation)

• MEDIA systèmes de dialogue oral homme-machine
• Contexte de demande de renseignements,
• Tâches en contexte et hors contexte de dialogue,
• Évaluation de la représentation sémantique.

21
Les résultats (Evaluation)

• Ressources produites
• Plusieurs centaines de MO de corpus de tests pour
  toutes les campagnes (corpus balisés, étiquetés,
  annotés)
• Les référentiels, les métriques, les protocoles
• Les outils (par ex dannotation des corpus, les
  logiciels de mesure des métriques
• Toutes les ressources créées pour les 8 campagnes
  dévaluation seront diffusées par ELDA.

22
Les résultats (Normes)

• RNIL aider les industriels à participer au
  comité ISO TC37 SC4 sur la description des
  ressources linguistiques.
• TECHNOVOX même objectif pour le domaine de la
  parole (W3C, Forum SALT).

23
Les résultats (Veille)

• Portail www.technolangue.net
• Création dun portail dédié aux technologies de
  la langue
• Diffusion dinformations études de marché,
  exemples dapplications, entretiens avec des
  experts, répertoires

24
Conclusion

• Objectifs atteints ?
• De nombreuses ressources ont été produites et
  sont disponibles (notamment les ressources créées
  pour lévaluation),
• Un cadre juridique négocié,
• Des prix acceptables pour la communauté
  scientifique,
• Malgré des modèles économiques différents,
• Et certaines réticences à diffuser les résultats.
• Un risque majeur la discontinuité des efforts

25
Conclusion

• Pour plus dinformations
• www.technolangue.net
• actes de LREC06
• liens vers les différent sites Web des projets
• ouvrage en préparation sur tous les résultats
  Evalda (parution fin 2007).

26
Conclusion

• Présentation détaillée de quelques projets
• Néologos, Arnaud Vallée (Télisma)
• Oural, Philippe Laval (Sinequa)
• Watson, José Coch (Lingway)
• CESTA, AndreI Popescu-Belis (ISSCO)
• EQUER, Brigitte Grau (LIMSI)
• ESTER, Guillaume Gravier (AFCP)
• RNIL, Eric de la Clergerie (INRIA)

27

• Merci de votre attention