Himanis et READ : de nouvelles perspectives

HIMANIS a, depuis le début, des liens avec l’infrastructure READ (Recognition and Enrichment of Archival Documents, https://read.transkribus.eu/), financée par l’Europe et porteuse du logiciel Transkribus. En effet, l’Université polytechnique de Valencia est partenaire de READ.

L’IRHT et le CNRS sont en train de signer une convention de partenariat avec READ pour pouvoir travailler ensemble de façon plus intégrée et préparer l’avenir, maintenant qu’HIMANIS est achevé et pour après la fin du financement européen de READ. On devait simplement signer un “Memorandum of Understanding”, mais les complexités légales du CNRS font que le “Memorandum” préparé le 12 juin 2017 et que quatre-vingts institutions ont déjà signé sans modification a dû être revu et n’est toujours pas signé par le CNRS…

Mais cela ne nous empêche pas de travailler ! Et voici les résultats…

Nous avons envoyé à READ les images du corpus ainsi qu’une extraction du texte “brut” des actes édités pour lesquels Sébastien Hamel avait repéré les “zones” sur les images (1726 zones sur 1263 images: 1334 zones pour l’édition de Guérin, 75 pour l’édition de Viard), ainsi que les liens nécessaires pour utiliser l’édition du formulaire de Morchesne. READ a aligné les éditions ligne à ligne, à la main (contrairement à ce que nous avons fait dans Himanis, où l’alignement a été fait automatiquement, mais, en conséquence, avec des résultats de moindre qualité).

A partir de cela, READ vient d’entraîner des “modèles optiques” pour la reconnaissance de l’écriture manuscrite et a testé sur quelques dizaines de pages. Les résultats sont très impressionnants, comme le montrent les captures d’écran suivantes.

Transkribus : acte avec transcription alignée (vérité terrain)
Transkribus : même acte avec transcription automatique
Calcul du pourcentage d’erreur mot (WER) et d’erreur caractère (CER)
Comparaison des textes des deux versions

La comparaison des deux versions montre l’excellente qualité des modèles entraînés, d’autant que de nombreuses “erreurs” de transcription sont des artefacts de l’édition (présence de ponctuation, segmentation de mots et apostrophes…).

Il reste à faire pour étendre la reconnaissance de texte en séparant le corpus d’entraînement et le corpus de test, mais ces résultats absolument extraordinaires sont plus qu’encourageants !