Traduction automatisée des langues africaines. Cas du lingala.

CONCLUSION GENERALE

De cette étude nous sortons très enrichi, car elle nous a permis de mettre en pratique nos connaissances théoriques. Par le thème qui nous a été confié, nous avons exploré divers domaines : linguistique, informatique et mathématique. La traduction automatique de langues est une innovation de taille pour notre société actuelle car elle a permis de gagner du temps dans la traduction de documents, de faire de la traduction en temps réel à des conférences regroupant diverses nationalités et aussi contribue efficacement à l'éducation. Dans le cas de notre projet, les données collectées nous ont permis de construire une première version d'un modèle de traduction automatique de l'anglais vers le lingala qui nous donne des résultats acceptables.

Afin de rendre le système actuel plus performant, nous comptons collecter des données relatives à divers domaines (médecine, éducation, informatique, etc...) dans l'optique d'enrichir la base d'apprentissage du modèle et créer plutard des services qui pourront apporter une rentabilité à l'entreprise. Sous la responsabilité d'un directeur technique dynamique, spécialiste des big data, le stage s'est déroulé dans de très bonnes conditions. Le projet faisant l'objet de notre thème s'est quasiment achevé, A présent il nous reste à le parfaire et le déployer pour utilisation. Comme perspective nous comptons généraliser le modèle à la traduction de plusieurs autres langues africaines telle le dyula (dioula) qui est une langue mandingue beaucoup utilisé pour le commerce dans certains pays tels la Côte d'Ivoire, le Mali et le Burkina Faso.

Master Data Science - Big Data X

TANO Assandé Jacob

BIBLIOGRAPHIE

OUVRAGES

[1] Mahak Dureja ,

Sumanlata Gautam,Speech-to-Speech Translation : A Review, International Journal of Computer Applications (0975 - 8887) Volume 129 - No.13 , 2015.

[2] Barbara Vignaux ,

Traduction automatique, la révolution de l'intelligence artificielle, 2017

[3] Daniel Jurafsky ,

James H. Martin,Speech and Language Processing, Third Edition draft, 2017.

[4] FREDRIK BREDMAR ,

Speech-to-speech translation using deep learning, Student essay, 2017.

[5] Mahak Dureja, Sumanlata Gautam,

Speech-to-Speech Translation :A Review, International Journal of Computer Applications (0975 - 8887) Volume 129 - No.13, 2015.

[6] Kishore Papineni, Salim Roukos, Todd Ward, and Wei-Jing Zhu,

BLEU: a Method for AutomaticEvaluation of Machine Translation, Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL), Philadelphia, pp. 311-318., 2002.

[7] Maxime LORANT , Mathieu XHONNEUX

Développez votre site web avec le framework Django, OpenClassrooms, 2015.

MEMOIRES

[8] TAPE Ange Fabien,

« Prévention du churn des clients internetfixe : cas de la technologie TDD », mémoire de fin d'étude pour l'obtention du Master en Data Science - Big Data, IDSI, 40 pages, 2018-2019.

[9] ZEGBOLOU Marc Dexter,

«Détection du multi-équipement des abonnés mobile», mémoire de fin d'étude pour l'obtention du Master en Data Science - Big Data, IDSI, 58 pages, 2018-2020

Master Data Science - Big Data XI

TANO Assandé Jacob

WEBOGRAPHIE

[10] Les réseaux de neurones récurrents : des RNN simples aux LSTM,

https://blog.octo.com/les-reseaux-de-neurones-recurrents-des-rnn-simples-aux-lstm/, consulté le 27 mai 2020 à 09:07

[11] Attention - Seq2Seq Model,

https://towardsdatascience.com/day-1-2-attention-seq2seq-models-65df3f49e263 , consulté le 10 juin 2020 à 22:40

[12] Neural Machine Translation with Transformers,

https://medium.com/@galhever/neural-machine-translation-with-transformers-69d4bf918299 , consulté le 10 juin 2020 à 22:40

[13] How to Get Started with NLP - 6 Unique Methods to Perform Tokenization, https://www.analyticsvidhya.com/blog/2019/07/how-get-started-nlp-6-unique-ways-perform-tokenizatio n/, consulté le 17 juin 2020 à 21:33

[14] All you need to know about text preprocessing for NLP and Machine Learning,

https://www.kdnuggets.com/2019/04/text-preprocessing-nlp-machine-learning.html , consulté le 17 juin 2020 à 22:15

[15] How Transformers Work,

https://towardsdatascience.com/transformers-141e32e69591 , consulté le 07 juillet 2020 à 10:10

[16] `Les Dieux du ${Code}` ,

https://lesdieuxducode.com/blog/2019/4/bert--le-transformer-model-qui-sentraine-et-qui-represente , consulté le 07 août 2020 à 23:27

[17] Step 3: Prepare Your Data,

https://developers.google.com/machine-learning/guides/text-classification/step-3 , consulté le 10 août 2020 à 22:00

[18] Le plan d'un mémoire : quels éléments intégrer ?

https://www.scribbr.fr/category/plan-memoire/, consulté le 10 août 2020 à 22:33

[19] Google: L'intelligence artificielle s'applique à améliorer la traduction automatique, https://www.20minutes.fr/sciences/1934955-20161003-google-intelligence-artificielle-applique-ameliore r-traduction-automatique, consulté le 20 août 2020 à 11:00

[20] Qu'est ce que la traduction automatique ? Traduction à base de règles vs. traduction statistique, http://www.systran.fr/systran/technologie/traduction-automatique/, consulté le 25 août 2020 à 18:30

[21] L'intelligence artificielle au service de la traduction automatique,

http://www.lefigaro.fr/secteur/high-tech/2016/12/07/32001-20161207ARTFIG00005-l-intelligence-artific ielle-au-service-de-la-traduction-automatique.php , consulté le 27 août 2020 à 17:30

[22] La traduction neuronale, un nouveau standard ? - Retour sur les premières rencontres de la communauté internationale OpenNMT, https://www.actuia.com/actualite/la-traduction-neuronale-un-nouveau-standard-retour-sur-les-premieres-rencontres-de-la-communaute-internationale-opennmt/, consulté le 27 août 2020 à 20:00

Master Data Science - Big Data XII

TANO Assandé Jacob