2023-06450 - Ingénieur-e pour la création de corpus pour les langues de France Type de contrat : CDD Contrat renouvelable : Oui Niveau de diplôme exigé : Bac + 5 ou équivalent Fonction : Ingénieur scientifique contractuel Contexte et atouts du poste Ce poste se place dans le cadre du Défi Inria COLaF (Corpus et Outils pour les Langues de France), qui est une collaboration entre les équipes-projets Inria ALMAnaCH (centre Inria de Paris) et MULTISPEECH (centre Inria de Nancy-Grand Est). L'objectif du Défi est de développer et mettre à disposition des technologies numériques linguistiques pour la francophonie et les langues de France (ensemble des langues parlées en France: français apprenant, langues régionales romanes et non romanes, créoles, langues d'immigration, etc.), en contribuant à la création de corpus de données inclusifs, de modèles, et de briques logicielles. ALMAnaCH se focalise sur le texte et MULTISPEECH sur la parole multimodale. Les deux principaux objectifs de ce projet sont : - La collecte de corpus de données francophones, massifs et inclusifs: Il s'agit de constituer de très grands corpus textuels et de parole, avec des métadonnées riches pour améliorer la robustesse des modèles face à la variation linguistique, avec une place particulière pour la variation géographico-dialectale dans le contexte de la francophonie. Les variations diachroniques, diatopiques et diastratiques seront des éléments importants à prendre en compte dans la collection du corpus. - Le développement et la mise à disposition de technologies linguistiques: Cela inclut mais ne se limite pas à la production de ressources annotées (parties du discours, syntaxe, entités nommées), à l'extraction et la reformalisation de données structurées (p. ex. dictionnaires) et l'entraînement de modèles (p. ex. de langue et de traduction) pour la variété linguistique en France et dans la francophonie. ALMAnaCH a une longue expérience dans la création de ressources linguistiques (corpus annotés ou non, lexiques) et des modèles linguistiques sous-jacents (morphologie, syntaxe), y compris pour des langues peu dotées telles que des variétés d'arabe dialectal utilisées sur les réseaux sociaux en Afrique du nord et en France. Certaines des principales ressources linguistiques pour le français ont été développées par certains membres d'ALMAnaCH. Par ailleurs, au-delà de son expertise en TAL, ALMAnaCH a une expertise en humanités numériques, notamment en numérisation de documents anciens (imprimés et manuscrits), y compris pour l'extraction d'informations à partir de dictionnaires anciens, ce qui s'avèrera crucial pour certains des travaux prévus dans le cadre du projet. Mission confiée La personne recrutée aura pour première mission de créer et formaliser des corpus de textes de langues de France, en s'intéressant à leur exploitabilité, leur réemployabilité et leur documentation. Ces corpus devront adopter les attentes de la Text Encoding Initiative (TEI). Les corpus pourront être extraits de documentation nativement numérique (réseaux sociaux, mailing lists, etc.) ou de documents numérisés dont le texte peut être extrait par acquisition automatique du texte (HTR/OCR). La seconde mission concernera l'outillage et l'entraînement de modèle de langues faisant usage des corpus produits. Dans cette mission, l'ingénieur-e sera fortement accompagné afin de monter en compétence si nécessaire. Ce travail se fera en collaboration avec les travaux du projet OSCAR et de l'un-e des doctorant-e-s recruté-e-s au sein du projet COLaF. Le poste L'ingénieur-e participera par ailleurs à la vie du projet COLaF, entre autres en participant aux conférences pour présenter les travaux du projet. Principales activités Acquisition ou transformation de corpus en XML-TEI pour les langues de France; Acquisition et production de transcription de documents manuscrits; Gestion des cycles de mises à disposition des données; Gestion du catalogage (métadonnées) des corpus; Entraînement de modèles de langues (p.ex. BERT) pour les langues de France; Collaboration avec l'équipe d'OSCAR et des équipes sur les langues de France en diachronie. Compétences Maîtrise du français; Maîtrise des méthodes d'encodage et description de corpus (XML-TEI); Connaissances en gestion de corpus, versionnage (GIT) et contrôle qualité (intégration continue, schémas XML); Compétences dans un langage de script (p. ex. Python); Connaissances liées à l'acquisition automatique du texte OCR/HTR (eScriptorium, Kraken, Transkribus, Kalamari, etc.); Connaissances liées aux enjeux du traitement automatique des langues; Des connaissances en paléographie seraient un plus; Capacité à se former sur l'outillage pour l'entraînement de modèles de langue; Anglais écrit et oral équivalent B2 minimum; La maîtrise ou, a minima, une familiarité avec une langue de France autre que le français serait vivement appréciée. Avantages - Restauration subventionnée - Transports publics remboursés partiellement - Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement) - Télétravail - Aménagement du temps de travail (après 12 mois d'ancienneté) - Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.) - Prestations sociales, culturelles et sportives (Association de gestion des oeuvres sociales d'Inria) - Accès à la formation professionnelle - Sécurité sociale Rémunération Rémunération en fonction de l'expérience et des grilles de la fonction publique Partager Informations générales Thème/Domaine : Langue, parole et audio Production, traitement et analyse des données (BAP D) Ville : Paris Centre Inria : Centre Inria de Paris Date de prise de fonction souhaitée : 2023-10-01 Durée de contrat : 2 ans Date limite pour postuler : 2023-07-31 Contacts Equipe Inria : ALMANACH Recruteur : Sagot Benoit / Benoit.Sagot@inria.fr L'essentiel pour réussir - Avoir un réel intérêt pour les documents et leurs métadonnées, leur traitement de masse et le traitement automatique des langues, en particulier son croisement avec les humanités numériques; - Passionné-e par la science ouverte et l'open-source - Intéressé-e par les langues de France et la francophonie - Envie de travailler dans une équipe pluri-disciplinaire A propos d'Inria Inria est l'institut national de recherche dédié aux sciences et technologies du numérique. Il emploie 2600 personnes. Ses 200 équipes-projets agiles, en général communes avec des partenaires académiques, impliquent plus de 3500 scientifiques pour relever les défis du numérique, souvent à l'interface d'autres disciplines. L'institut fait appel à de nombreux talents dans plus d'une quarantaine de métiers différents. 900 personnels d'appui à la recherche et à l'innovation contribuent à faire émerger et grandir des projets scientifiques ou entrepreneuriaux qui impactent le monde. Inria travaille avec de nombreuses entreprises et a accompagné la création de plus de 180 start-up. L'institut s'efforce ainsi de répondre aux enjeux de la transformation numérique de la science, de la société et de l'économie. Consignes pour postuler Sécurité défense : Ce poste est susceptible d'être affecté dans une zone à régime restrictif (ZRR), telle que définie dans le décret n°2011-1425 relatif à la protection du potentiel scientifique et technique de la nation (PPST). L'autorisation d'accès à une zone est délivrée par le chef d'établissement, après avis ministériel favorable, tel que défini dans l'arrêté du 03 juillet 2012, relatif à la PPST. Un avis ministériel défavorable pour un poste affecté dans une ZRR aurait pour conséquence l'annulation du recrutement. Politique de recrutement : Dans le cadre de sa politique diversité, tous les postes Inria sont accessibles aux personnes en situation de handicap. Attention: Les candidatures doivent être déposées en ligne sur le site Inria. Le traitement des candidatures adressées par d'autres canaux n'est pas garanti. https://jobs.inria.fr/public/classic/fr/offres/2023-06450