Numérique · Intelligence artificielle
Traitement automatique du langage (TAL)
Le traitement automatique du langage, ou TAL (NLP en anglais), est le domaine de l’informatique qui permet aux machines d’analyser, de comprendre et de produire du langage humain, écrit ou oral.
Mis à jour le 4 min de lecture
Correcteur orthographique, traduction automatique, assistant vocal, filtre antispam, sous-titrage automatique, chatbot : tous reposent sur le traitement automatique du langage (TAL), aussi appelé traitement automatique des langues ou natural language processing (NLP). Ce domaine, à la croisée de l’informatique, de la linguistique et de l'intelligence artificielle, a connu une transformation radicale avec les grands modèles de langage.
Pourquoi le langage est difficile pour une machine
- Ambiguïté : « La belle ferme le voile » se lit de plusieurs façons ; « avocat » désigne un fruit ou un juriste.
- Contexte et implicite : « Il fait froid ici » peut être une demande de fermer la fenêtre.
- Variété : fautes, abréviations, langage oral, argot, émojis, mélange de langues.
- Connaissance du monde : comprendre « Le trophée ne rentre pas dans la valise car elle est trop petite » suppose de savoir à quoi renvoie « elle ».
Les liens entre langage et pensée sont abordés en philosophie dans la fiche le langage.
Les principales tâches
| Tâche | Description | Exemple d’usage |
|---|---|---|
| Segmentation (tokenisation) | Découper le texte en mots ou fragments | Étape préalable à tout traitement |
| Étiquetage morphosyntaxique | Identifier nom, verbe, adjectif… | Correcteurs grammaticaux |
| Analyse syntaxique | Retrouver la structure de la phrase | Extraction d’informations |
| Reconnaissance d’entités nommées | Repérer personnes, lieux, dates, organisations | Indexation de documents, veille |
| Analyse de sentiment | Déterminer si un texte est positif ou négatif | Analyse d’avis clients |
| Classification de textes | Ranger un texte dans une catégorie | Antispam, tri de courriels |
| Traduction automatique | Passer d’une langue à une autre | Traducteurs en ligne |
| Résumé automatique | Condenser un texte | Synthèse de rapports |
| Questions-réponses | Répondre à une question à partir de textes | Assistants, moteurs de recherche |
| Reconnaissance de la parole | Transformer la voix en texte | Dictée, sous-titres |
| Synthèse vocale | Transformer le texte en voix | GPS, lecture d’écran |
| Génération de texte | Produire un texte nouveau | Assistants conversationnels |
Trois grandes époques
Les règles (années 1950-1980)
Les premiers systèmes reposent sur des règles écrites à la main par des linguistes : dictionnaires, grammaires formelles. En 1954, l’expérience Georgetown-IBM traduit automatiquement une soixantaine de phrases du russe vers l’anglais et suscite un grand optimisme. En 1966, le rapport ALPAC, aux États-Unis, constate le peu de progrès de la traduction automatique et entraîne une forte baisse des financements. La même année, ELIZA simule une conversation par simple reformulation (voir histoire de l’IA).
Les statistiques (années 1990-2010)
Avec la multiplication des textes numériques, on apprend à partir de corpus : probabilités d’enchaînement des mots, traduction statistique à partir de textes parallèles (par exemple les débats du Parlement européen, disponibles dans de nombreuses langues). Les méthodes d'apprentissage automatique supplantent progressivement les règles.
Les réseaux de neurones (depuis les années 2010)
- 2013 : word2vec (Google) représente les mots par des vecteurs de nombres ; des mots de sens proche ont des vecteurs proches. C’est l’idée des plongements (embeddings).
- 2014-2016 : réseaux récurrents et mécanisme d'attention ; la traduction neuronale remplace la traduction statistique dans les grands services en ligne.
- 2017 : l’architecture Transformer traite tous les mots d’une phrase en parallèle et capture les relations à longue distance.
- 2018 : BERT (Google) et les premiers GPT (OpenAI) montrent qu’un modèle pré-entraîné sur de grandes quantités de texte puis affiné surpasse les systèmes spécialisés sur la plupart des tâches.
- Depuis 2020 : les grands modèles de langage réalisent la plupart des tâches de TAL à partir d’une simple consigne, sans entraînement spécifique.
Le TAL et la langue française
Les modèles fonctionnent d’autant mieux qu’ils ont été entraînés sur beaucoup de textes dans une langue. L’anglais reste dominant dans les données ; le français est bien représenté, mais de nombreuses langues régionales ou peu dotées numériquement le sont mal. La recherche française en TAL est ancienne et active (laboratoires universitaires, CNRS, Inria), et des modèles de langage ont été développés en France, dont des modèles ouverts.
Limites
- Hallucinations et erreurs factuelles des modèles génératifs (voir hallucinations de l’IA).
- Biais sociaux présents dans les textes d’entraînement.
- Compréhension discutée : les modèles maîtrisent la forme et une part du sens, mais échouent encore parfois sur des raisonnements élémentaires ou des sous-entendus.
- Langues peu dotées moins bien servies.
Questions fréquentes
Quelle différence entre TAL et linguistique informatique ?
Les deux se recouvrent largement. La linguistique informatique vise plutôt à mieux comprendre le langage grâce à l’informatique ; le TAL vise plutôt des applications. On emploie souvent les deux termes indifféremment.
Les grands modèles de langage ont-ils remplacé le TAL ?
Ils en sont l’aboutissement actuel et ont absorbé de nombreuses tâches. Des méthodes plus légères restent utilisées quand il faut traiter de gros volumes à faible coût, garantir la reproductibilité ou fonctionner sans connexion.
Comment une machine reconnaît-elle la parole ?
Le son est découpé en fragments très courts, transformé en représentation de ses fréquences, puis un réseau de neurones prédit la suite de mots la plus probable. Les systèmes récents sont entraînés sur des centaines de milliers d’heures d’enregistrements.