Stage M2 au laboratoire ERTIM (INALCO)
Traitements TAL pour le bambara et le maninka

Le projet MANTAL vise à implémenter des traitements TAL aux langues
mandingues (bambara et maninka) qui disposent déjà d'assez conséquents
volumes de données annotées (Vydrine 2013, 2014 et 2016) : 3M de mots
pour chaque langue annotés automatiquement en morpho-syntaxe,
tonalisation et gloses, dont 500K ont été désambiguisés manuellement
pour le bambara. Le bambara s'écrit avec des caractères latins, tandis
que le maninka utilise le système d'écriture écrit en N'ko, qui se
transcrit assez facilement en caractères latins.

Ces travaux sont essentiels pour apporter une existence numérique à ces
langues parlées par 20 à 30 millions de locuteurs en Afrique et dans la
diaspora africaine. L'objectif du stage est d'améliorer les traitements
TAL pour ces langues dans plusieurs directions.

1/ En collaboration avec un partenaire allemand, nous souhaitons étendre
les travaux à la construction d'analyseurs syntaxiques pour ces langues
selon un format interopérable du web sémantique (NIF). Ce travail pourra
être exploité pour des applications de plus haut niveau, comme la
traduction.

2/ Les corpus pour ces deux langues sont aujourd'hui hébergés sur une
infrastructure technique identique, et tout traitement fonctionnel pour
une langue peut potentiellement être porté à l'autre. La constitution de
corpus parallèles bamara / français (et éventuellement maninka /
français) apportera ressource supplémentaire à forte valeur ajoutée pour
le projet.

3/ Le corpus maninka ayant été constitué récemment, un travail est
nécessaire afin d'en contrôler la qualité et de l'enrichir. Cette tâche
sera réalisé par extraction de textes en maninka depuis internet
(crawling) et par une vérification automatique de la cohérence des
corpus avec les ressources linguistiques existantes (corpus et
dictionnaires), ce qui permettra aussi d'apporter aux linguistes des
suggestions de mots à ajouter aux dictionnaires ou de segments à
corriger dans les corpus.

Profil recherché :
+ Master 2 en TAL
+ Bonnes compétences en programmation (Python)
+ Compréhension des approches en apprentissage automatique
+ La connaissance du bambara / maninka est bienvenue mais pas
  obligatoire

Contexte
+ Durée du stage : 4 ou 5 mois à temps plein
+ Date de début : mars ou avril 2017
+ Rémunération : tarif en vigueur (510¤/mois, rbst de 50% navigo)
+ Lieu : INaLCO, 2 rue de Lille, 75007 Paris

Merci d'envoyer votre CV et de faire part de vos motivations à Damien
Nouvel ( damien.nouvel@inalco.fr ).

Références :
(Maslinsky 2014) Kirill Maslinsky. Daba: a model and tools for Manding
corpora. TALAf 2014. http://talaf.imag.fr/2014
http://talaf.imag.fr/2014/Actes/MASLINSKY%20-%20Daba%3B%20a%20model%20and%20tools%20for%20Manding%20corpora.pdf

(Vydrine 2013) Valentin Vydrin. Bamana Reference Corpus (BRC) Procedia -
Social and Behavioral Sciences, 95:25, pp. 75-80.
http://www.sciencedirect.com/science/journal/18770428

(Vydrine 2014) Valentin Vydrin. Projet des corpus écrits des langues
manding : le bambara, le maninka. TALAf 2014. http://talaf.imag.fr/2014
http://talaf.imag.fr/2014/Actes/MASLINSKY%20-%20Daba%3B%20a%20model%20and%20tools%20for%20Manding%20corpora.pdf

(Vydrine 2016) Valentin Vydrin, Andrij Rovenchak, Kirill Maslinsky. Maninka
Reference Corpus: A Presentation. TALAf 2016. http://talaf.imag.fr/2016