LIPA, un dépôt de données pour l’HTR du moyen-arabe manuscrit

Il y a un an était inauguré le Hackathon Alexandre qui visait à élaborer un modèle d’intelligence artificielle pour la reconnaissance automatique (HTR) de l’écriture de cinq manuscrits en moyen-arabe levantin conservés dans des bibliothèques européennes. Grâce au soutien du consortium Distam et au concours de 15 participants et participantes¹, en lien avec Calfa, l’objectif d’une bonne reconnaissance des textes à 95% a été globalement atteint². Un billet sur les carnets de Distam revient plus en détails sur l’expérience :

Cialone-Grégoire, C. « Retours sur le Hackathon Alexandre – nov. 2022-mai 2023 ». In distam.hypotheses.org – Agora numériques des études aréales. 13 juillet 2023 [en ligne] URL : https://distam.hypotheses.org/6576 (consulté le 01/12/2023)

Outre la transcription des manuscrits en vue de l’édition et de l’analyse des textes, le hackathon visait également de mettre en libre accès les données de groundtruth (“vérité terrain”) qui ont servi à l’entraînement du modèle HTR. Concrètement, il s’agit des fichiers XML qui mettent en relation les images des manuscrits et le texte qu’elles comportent et qui a été humainement transcrit et contrôlé par les participants. Ces 297 fichiers XML se trouvent désormais dans un dépôt GitLab hébergé par l’IR* Huma-Num : https://gitlab.huma-num.fr/lipa/iskandar et sont librement réutilisables sous licence Etalab.

Capture d’écran : dépôt d’un fichier XML dans le dépôt LIPA de GitLab

Le dépôt de la groundtruth dans GitLab s’inscrit dans une volonté de restitution à la communauté de la recherche numérique et pourra servir à l’entraînement et la spécialisation d’autres modèles HTR dédiés à l’arabe manuscrit.

Le dépôt “Littératures Populaires Arabes” (LIPA) s’élargira prochainement avec la groundtruth produite lors du Hackathon Baybars actuellement en cours.

Image mise en avant : logo GitLab – source : https://about.gitlab.com/press/press-kit/

1. L’équipe du programme ANR LiPoL remercie chaleureusement pour leur investissement Samaa Abdalaty, Yasmine Al Bydeoi, Imane Benabdallah, Nada Bouchaour, Lolita Bouvet, Imane-Hélène Chames-Eddine, Roudouan El Attari, Doria Endregat, Thiane Fall, Georges Bohas, Maria Karam, Lina Khanme-Sberna, Kaouthar Madani-Belamri [↩]
2. 96,25 % de bonne reconnaissance pour le manuscrit Arabe 3684 (BnF), 96,00 % pour le manuscrit Arabe 3685 (BnF), 94,88 % pour le manuscrit Arabe 6148 (BnF), 92,14 % pour le manuscrit de la bibliothèque universitaire de Leeds et 96 % pour les neuf volumes du manuscrit de la bibliothèque de recherche de Gotha [↩]