Le laboratoire LASTI a développé l'analyseur linguistique multilingue
libre LIMA [1].

Des modules d'analyse à base de réseaux de neurones fondés sur
TensorFlow ont été développés permettant d'obtenir une qualité
d'analyse au niveau de l'état de l'art [3] sur les plus de 65 langues
du projet Universal Dependencies [4].

Cette implémentation fondée sur TensorFlow présente quelques défauts
(maintenance difficile, vitesse d'analyse insuffisante). Une
réimplémentation des modules deep learning a été initiée. Cette
réimplémentation C++ native utilise les bibliothèque libtorch et
Eigen3. Elle présente une qualité actuellement supérieure à l'état de
l'art avec des vitesses plus élevées. Mais quelques modules doivent
être complétés pour obtenir une version incluant toutes les
fonctionnalités précédentes.

L'objectif de ce stage consiste à participer à la complétion des
modules (lemmatisation, entités nommées, analyse syntaxique) et à la
mise au point des meilleurs paramètres.


Durée du contrat (en mois) : 5-6

Le travail du/de la stagiaire consistera à :
-   se familiariser avec LIMA Deep, son fonctionnement, son
    entraînement et son évaluation ;
-   participer à la fin du développement des modules ;
-   entraîner les modules d'analyse et optimiser les paramètres sur le
    cluster FactoryIA [5] du CEA ;
-   évaluer la vitesse et la qualité d'analyse de LIMA par rapport aux
    systèmes concurrents (Spacy, Stanza,...) ;

Moyens / Méthodes / Logiciels
Expertise linguistique, analyseur linguistique, superordinateur, C++,
Python, bash, linux

Profil du/de la candidat·e:
Étudiant·e en informatique de niveau Bac+5, avec des connaissances en
IA (deep learning et TAL) et une bonne maîtrise du C++ sous Linux.

Localisation du poste
Nano Innov, CEA, Université Paris-Saclay,
Palaiseau, France, Ile-de-France.

Contact:
Gaël de Chalendar (gael.de-chalendar@cea.fr)
https://www.emploi.cea.fr/offre-de-emploi/emploi-finalisation-et-evaluation-de-la-version-libtorch-native-de-deep-lima-h-f_19575.aspx



[1] R. Besançon, G. de Chalendar, O. Ferret, F. Gara, M. Laib,
    O. Mesnard, and N. Semmar. 2010. Lima: A multilingual framework for
    linguistic analysis and linguistic resources development and
    evaluation. In Proceedings of LREC, Malta.
[2] https://github.com/aymara/lima/wiki
[3] V. Bocharov and Gaël de Chalendar. 2020. The Russian language
    pipeline in the LIMA multilingual analyzer. In Proceedings of the
    Computational Linguistics and Intellectual Technologies:
    Proceedings of the International Conference "Dialogue 2020".
[4] Joakim Nivre, Marie-Catherine de Marneffe, Filip Ginter, Yoav
    Goldberg, Jan Haji, Christopher D. Manning, Ryan McDonald, Slav
    Petrov, Sampo Pyysalo, Natalia Silveira, Reut Tsarfaty, Daniel
    Zeman. 2016. Universal Dependencies v1: A Multilingual Treebank
    Collection. In Proceedings of LREC.
[5] https://www.hpcg-benchmark.org/custom/index.html?lid=155&slid=310