L’intelligence artificielle générative n’est pas une sentence de mort pour les langues en voie de disparition

Selon l’UNESCO, jusqu’à la moitié des langues pourraient disparaître d’ici 2100. Beaucoup de gens disent que l’intelligence artificielle générative contribue à ce processus.

Le déclin de la diversité linguistique n’a pas commencé avec l’IA – ou Internet. Mais l’IA est en position d’accélérer la disparition des langues autochtones et des langues à faibles ressources.

La plupart des 7 000 langues du monde n’ont pas suffisamment de ressources pour former des modèles d’IA – et beaucoup n’ont pas de forme écrite. Cela signifie que quelques langues majeures dominent le stock de données de formation d’IA de l’humanité, tandis que la plupart sont laissées pour compte dans la révolution de l’IA – et pourraient disparaître complètement.

La raison simple est que la plupart des données de formation d’IA disponibles sont en anglais. L’anglais est le principal moteur des grands modèles de langage (LLM), et les personnes qui parlent des langues moins courantes se trouvent sous-représentées dans la technologie d’IA.

Considérez ces statistiques du Forum économique mondial:

• Les deux tiers de tous les sites Web sont en anglais.
• Une grande partie des données que l’IA générative apprend proviennent du web.
• Moins de 20 % de la population mondiale parle anglais.

À mesure que l’IA s’intègre davantage dans notre vie quotidienne, nous devrions tous réfléchir à l’équité linguistique. L’IA a un potentiel sans précédent pour résoudre des problèmes à grande échelle, et sa promesse ne devrait pas être limitée au monde anglophone. L’IA crée des commodités et des outils qui améliorent la vie personnelle et professionnelle des personnes dans les pays riches et développés.

Les locuteurs de langues à faibles ressources sont habitués à trouver un manque de représentation dans la technologie – allant de l’absence de sites Web dans leur langue à la non-reconnaissance de leur dialecte par Siri. Beaucoup de textes disponibles pour former l’IA dans les langues à faibles ressources sont de mauvaise qualité (traduits avec une précision douteuse) et étroits dans leur portée.

Comment la société peut-elle garantir que les langues à faibles ressources ne soient pas laissées pour compte dans l’équation de l’IA ? Comment pouvons-nous nous assurer que la langue ne soit pas un obstacle à la promesse de l’IA ?

Dans un effort pour inclure les langues, certains grands acteurs de la technologie ont des initiatives pour former de grands modèles de langage multilingues (MLM). Microsoft (MSFT ) Translate, par exemple, s’est engagé à soutenir « chaque langue, partout ». Et Meta a une promesse de « pas de langue laissée pour compte ». Ce sont des objectifs louables, mais sont-ils réalistes ?

En visant un modèle qui gère toutes les langues du monde, on favorise les privilégiés car il y a beaucoup plus de données provenant des langues majeures du monde. Lorsque nous traitons des langues à faibles ressources et des langues à écriture non latine, la formation des modèles d’IA devient plus ardue, plus longue – et plus coûteuse. C’est comme une taxe involontaire sur les langues sous-représentées.

Progrès de la technologie vocale

Les modèles d’IA sont principalement formés sur du texte, ce qui favorise naturellement les langues ayant des réserves plus profondes de contenu textuel. La diversité linguistique serait mieux soutenue avec des systèmes qui ne dépendent pas du texte. L’interaction humaine était à l’origine entièrement basée sur la parole, et de nombreuses cultures conservent ce focus oral. Pour mieux servir un public mondial, l’industrie de l’IA doit passer des données textuelles aux données vocales.

La recherche fait d’énormes progrès dans la technologie vocale, mais elle accuse encore un retard par rapport aux technologies basées sur le texte. La recherche sur le traitement de la parole progresse, mais la technologie de parole à parole directe est encore loin d’être mature. La réalité est que l’industrie a tendance à avancer avec prudence, et seulement une fois qu’une technologie a atteint un certain niveau.

La plate-forme d’interprétation GlobalLink Live de TransPerfect, récemment lancée, utilise les formes plus matures de la technologie vocale – la reconnaissance automatique de la parole (ASR) et le texte à parole (TTS) – encore une fois, parce que les systèmes de parole à parole directs ne sont pas encore suffisamment matures. Cela étant dit, nos équipes de recherche se préparent pour le jour où les pipelines de parole à parole complets seront prêts pour la mise en production.

Les modèles de traduction de parole à parole offrent un immense potentiel pour la préservation des langues orales. En 2022, Meta a annoncé le premier système de traduction de parole à parole alimenté par l’IA pour le hokkien, une langue principalement orale parlée par environ 46 millions de personnes dans la diaspora chinoise. Il s’agit du projet de traducteur universel de parole de Meta, qui développe de nouveaux modèles d’IA qui, espère-t-on, permettront la traduction de parole à parole en temps réel dans de nombreuses langues. Meta a choisi de rendre ses modèles de traduction hokkien, ses jeux de données d’évaluation et ses documents de recherche open source afin que d’autres puissent reproduire et édifier son travail.

Apprendre avec moins

Le fait que nous, en tant que communauté mondiale, manquions de ressources autour de certaines langues n’est pas une sentence de mort pour ces langues. C’est là que les modèles multilingues ont un avantage, dans la mesure où les langues apprennent les unes des autres. Toutes les langues suivent des modèles. En raison du transfert de connaissances entre les langues, le besoin de données de formation est réduit.

Supposons que vous ayez un modèle qui apprend 90 langues et que vous souhaitiez ajouter l’inuktitut (un groupe de langues autochtones d’Amérique du Nord). En raison du transfert de connaissances, vous aurez besoin de moins de données inuktitut. Nous trouvons des moyens d’apprendre avec moins. La quantité de données nécessaires pour affiner les moteurs est inférieure.

Je suis optimiste quant à un avenir avec une IA plus inclusive. Je ne crois pas que nous sommes condamnés à voir disparaître des hordes de langues – ni que je pense que l’IA restera le domaine du monde anglophone. Déjà, nous voyons plus de sensibilisation autour de la question de l’équité linguistique. De la collecte de données plus diversifiée à la construction de modèles spécifiques à chaque langue, nous faisons des progrès.

Considérez le fon, une langue parlée par environ 4 millions de personnes au Bénin et dans les pays voisins d’Afrique. Il n’y a pas si longtemps, un modèle d’IA populaire a décrit le fon comme une langue fictive. Un informaticien nommé Bonaventure Dosseau, dont la mère parle le fon, était habitué à ce type d’exclusion. Dosseau, qui parle français, a grandi sans aucun programme de traduction pour communiquer avec sa mère. Aujourd’hui, il peut communiquer avec sa mère grâce à un traducteur fon-français qu’il a construit avec soin. Aujourd’hui, il existe également un Wikipedia fon en développement.

Dans un effort pour utiliser la technologie pour préserver les langues, l’artiste turc Refik Anadol a lancé la création d’un outil d’IA open source pour les peuples autochtones. Au Sommet économique mondial, il a demandé : « Comment pouvons-nous créer un IA qui ne connaît pas l’humanité dans son ensemble ? »

Nous ne pouvons pas, et nous ne le ferons pas.