Quand les algorithmes apprennent à parler marocain

Qu’on soit d’accord ou pas avec Fouad Laroui n’est pas là l’enjeu, mais plutôt la recherche de solutions langagières pour le Maroc. L’approche intelligente de Fouad Laroui n’est pas d’imposer, mais plutôt de proposer. Il nous livre des pistes de réflexion, pas plus. À ma connaissance, c’est l’analyse la plus complète et la plus réussie du champ langagier marocain, avec toutes ses langues et ses « différentes palettes de couleurs » : l’arabe classique, l’arabe marocain, l’amazigh, la hassanya et la langue française.

Il n’y a pas une langue qui n’ait pas été considérée comme un « parler » ou un « dialecte » à ses débuts. La Chine a connu le même problème au XVIIIe siècle, jusqu’à ce qu’un certain Cao Xue Qin, écrivain de vocation, propose son chef-d’œuvre « Le Rêve dans le pavillon rouge ». Cette œuvre monumentale de la littérature chinoise et mondiale de plus de 3 000 pages fut écrite en « darija » chinoise en l’espace de dix ans, étant donné que peu de gens maîtrisaient le chinois classique. En Allemagne, c’est la même chose : il y a cinq cents ans de cela, personne ne comprenait le latin ou le grec, qui étaient les langues du clergé et de l’élite. Lorsque Luther a traduit la Bible en « darija » allemande en 1534, cela a été le début de l’essor scientifique, économique et culturel de l’Allemagne. C’est le cas aussi du français, qui était au début une panoplie de dialectes locaux : le gaulois, le normand, le picard, le languedocien, l’aquitain, mêlés au latin et au grec.

Quant à la langue arabe, c’est pareil; car elle représente au fond un ensemble de dialectes orientaux, et même sa grande expressivité est due exclusivement à la langue sumérienne, jusqu’à 60% des mots arabes sont d’origine sumérienne, sans parler de la langue syriaque, nabatéenne, le babylonien et d’autres dialectes du Moyen-Orient. L’alphabet arabe qu’on appelle arabe est en réalité d’origine araméenne, et l’araméen est la langue de Sidna Issa, Jésus-Christ. Max Weinreich a dit un jour : « La langue, c’est un dialecte avec une armée et une flotte ». 

Les langues ont toujours su créer de la richesse, de l’essor économique et booster l’innovation, dès lors que l’on érige l’humain en premier capital, socle de toute croissance et de tout développement durable. À titre d’exemple, la Suisse compte quatre langues officielles : l’allemand, le français, l’italien et le romanche; et c’est la quinzième année consécutive qu’elle occupe la première place de l’Indice mondial de l’innovation (GII), avec un PIB élevé dépassant les mille milliards de dollars et un PIB par habitant de l’ordre d’environ 120.000 dollars.

Après ce petit tour d’horizon nécessaire, nous allons passer à notre thème principal : les algorithmes parlent-ils vraiment l’arabe marocain ? Un aspect fondamental souvent négligé est que la darija est devenue, au cours des deux dernières décennies, une langue pleinement présente dans l’espace numérique. Les réseaux sociaux, les applications de messagerie, les plateformes de vidéo et les forums en ligne regorgent de textes en « langue marocaine » – une thèse de travail, pas plus, sans exclure aucune autre langue du Maroc, car même la langue française fait partie aujourd’hui du paysage langagier marocain. Cette présence numérique massive constitue précisément le type de données dont les systèmes d’IA ont besoin pour apprendre et s’améliorer.

Il existe aujourd’hui une collection organisée de ressources et de dépôts pour les tâches de NLP spécifiques à la darija qui vise à fournir aux étudiants et aux chercheurs une collection complète d’outils, de jeux de données, de modèles et d’exemples de code. Cette infrastructure croissante témoigne de la vitalité d’un écosystème académique et technique qui se structure rapidement autour de la darija.

L’un des indicateurs les plus significatifs de la compatibilité entre l’IA et la darija est la mobilisation croissante d’une communauté de recherche internationale et interdisciplinaire. Des universités marocaines aux institutions de renommée mondiale, des chercheurs de tout horizon ont choisi la darija comme objet central de leurs travaux en NLP.  La recherche sur Atlas-Chat a été conduite par des chercheurs de l’Université Mohamed bin Zayed d’Intelligence Artificielle (Émirats Arabes Unis), de l’École des Mines de Rabat (Maroc), de l’Université Mohammed VI Polytechnique (Maroc), du KTH Royal Institute of Technology (Suède), et de l’École Polytechnique (France). Cette mobilisation internationale témoigne du fait que la darija est désormais reconnue comme un objet de recherche légitime et prioritaire dans la communauté NLP mondiale.

La première démonstration convaincante de la compatibilité entre l’IA et la darija est sans doute celle de DarijaBERT.  Cette étude présente les premiers modèles BERT pour l’arabe marocain, également connu sous le nom de darija, appelés DarijaBERT, DarijaBERT-arabizi et DarijaBERT-mix. Ces modèles sont entraînés sur le plus grand corpus des langues vernaculaires arabes, supportant à la fois les représentations en caractères arabes et latins de l’arabe marocain. Leurs performances sont minutieusement évaluées et comparées aux modèles multilingues existants. 

Le résultat est capital puisqu’on a pu démontrer que les architectures utilisées – qui constituent la base des LLM les plus avancés – sont parfaitement adaptables à la darija.  DarijaBERT, entraîné sur des données des médias sociaux et des textes marocains, capture les caractéristiques syntaxiques et sémantiques de la darija, fournissant ainsi une base solide pour la classification des sentiments. Publié dans l’International Journal of Data Science and Analytics, ce travail a ouvert la voie à une nouvelle génération de modèles spécifiquement dédiés à la darija.

La maturité d’un écosystème NLP se mesure notamment à la qualité de ses dispositifs d’évaluation. Dans ce domaine, l’initiative AtlasIA s’est révélée particulièrement pionnière. La Darija Chatbot Arena est une plateforme innovante conçue pour faciliter la comparaison des réponses de différents LLMs sur un ensemble varié de prompts de l’arabe marocain. Elle vise à fournir une évaluation complète des capacités des LLMs à comprendre et à générer des réponses en darija.

La capacité des systèmes d’IA à comprendre et à générer de la langue marocaine dans des contextes conversationnels est particulièrement précieuse pour le service client, le commerce électronique, les services bancaires et les administrations publiques, qui interagissent quotidiennement avec des millions de locuteurs de darija. L’avenir de la darija à l’ère de l’IA est celui d’une langue qui n’a plus besoin de choisir entre authenticité et modernité. Dans un monde dominé par l’abstraction mathématique, l’arabe marocain apporte une texture humaine et contextuelle indispensable. L’IA ne remplace pas le locuteur marocain ou la locutrice marocaine; elle lui donne une voix plus forte, plus claire et plus globale.

La compatibilité entre l’IA et la darija n’est plus un sujet technique, mais un véritable projet de société. Ses caractéristiques – vitalité, hybridité et « chaos langagier » – sont précisément les forces qui lui permettent de s’épanouir dans le paradigme des réseaux neuronaux modernes. Sur le plan technique, elle témoigne d’une maturité exemplaire, capable d’épouser toutes les nuances de la modernité.

Si la darija est une langue vivante et agile, sa codification graphique accuse encore un certain retard. Ici, le Deep Learning s’impose comme un puissant outil de régulation, permettant au modèle de ne plus s’égarer dans le foisonnement scriptural des usages actuels. Le Deep Learning, cette sous-catégorie de l’intelligence artificielle qui s’inspire du fonctionnement du cerveau humain pour traiter des données, consiste à libérer le potentiel de la darija en s’affranchissant des règles rigides. En traitant l’usage réel et la diversité des scripts, le Deep Learning transforme la darija en données exploitables. Cette approche garantit une souveraineté numérique, protégeant l’identité culturelle marocaine tout en propulsant la langue dans l’économie mondiale de l’IA.

L’avenir numérique de la darija exige de passer de l’enthousiasme des pionniers à la rigueur d’une industrie de la langue. Le succès dépendra de trois ressources clés :

1. La rigueur académique pour structurer.
2. La codification pour modéliser.
3. La vision stratégique pour valoriser et pérenniser.

Cette ambition exige un pacte entre institutions, informaticiens/informaticiennes et auteurs/autrices, créateurs/créatrices de contenu pour modéliser la darija dans toute sa splendeur organique. Il s’agit de doter l’IA de logiques fondatrices capables de déchiffrer l’alchimie des métaphores et la finesse des expressions imagées. En codifiant ce qui rend cette langue plus belle – ses nuances, son humour et ses non-dits – on protégera une souveraineté linguistique et culturelle essentielle. Cette démarche garantit l’épanouissement des locuteurs, des locutrices, des auteurs et autrices qui, par leur voix et leur plume, insufflent une vie nouvelle à ce patrimoine au cœur des enjeux du XXIᵉ siècle.