Tous les articles par Eleonora Moiraghi

Données liées et données à lier : quels outils pour quels alignements ?

À la suite des ateliers « Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils », « Géolocalisation et spatialisation de documents patrimoniaux » et « Explorer des corpus d’images. L’IA au service du patrimoine », une quatrième demi-journée d’étude a été organisée dans le cadre du programme de recherche CORPUS, inscrit au plan quadriennal de la recherche 2016-2019 de la Bibliothèque nationale de France (BnF). Dans le même esprit que les trois ateliers précédents, cette matinée d’étude, qui a eu lieu le 10 juillet sur le site François Mitterrand, était l’occasion de présenter plusieurs projets impliquant des alignements de données et menés aussi bien par des acteurs du monde des bibliothèques que du milieu de la recherche.

Six présentations se sont succédées au cours de la matinée avec l’objectif de présenter différentes approches, méthodes et outils pour aligner des ensembles de données, et avec l’ambition d’apporter des pistes de réponses à des questions communes à plusieurs équipes de recherche telles que : comment récupérer ce qui existe pour pouvoir se concentrer sur ce qui fait la valeur ajoutée d’un projet ? Comment s’assurer de l’interopérabilité des bases de données et faire en sorte que ces données puissent être réutilisées et accessibles de manière stable sur le Web ?

Regroupements et alignements de données internes à la BnF. Des outils, des données et des humains.

Présentation par Sébastien Peyrard, Chef du service Ingénierie des métadonnées à la BnF, et Adrien Di Mascio, Responsable du projet data.bnf.fr chez la société de services  LogiLab.

La BnF mène une démarche interne qui consiste à améliorer la structuration de ses données afin de les publier, notamment sur le web de données. Data.bnf.fr est un site internet qui rassemble et expose sur le Web des données issues de différentes bases de la BnF, la plus grande étant celle du catalogue général qui contient les notices d’éditions, de personnes, de thèmes, de lieux géographiques produites par la BnF. Les pages du site data.bnf.fr contiennent des liens vers les données stockées dans les différentes bases de la BnF mais aussi vers des bases extérieures, comme Wikidata ou GeoNames. Dans la page de l’auteur Michel Houellebecq (Fig.1) par exemple, les liens au milieu de la page renvoient vers les œuvres de l’auteur, c’est-à-dire vers les entités qui, selon le modèle FRBR, regroupent chacune plusieurs éditions d’un même objet/ produit intellectuel.

Figure 1 Page de l’auteur Michel Houellebecq dans data.bnf.fr

 

Les pratiques de catalogage de la BnF font que cette notice « œuvre », c’est-à-dire ce chapeau qui regroupe les différentes éditions d’une même « œuvre de l’esprit », n’existe pas systématiquement. Pour donner un ordre de grandeur, environ dix millions d’éditions sont référencées sous forme de notices mais seulement 300 000 notices chapeaux d’œuvres ont été créées. C’est la raison pour laquelle dans plusieurs pages d’auteur de data.bnf.fr, les différentes éditions ne sont pas regroupées sous la même « œuvre » mais elles sont présentées sous forme de liste (Fig.2).

Figure 2 Liste des plusieurs éditions de l’œuvre « La carte et le territoire »

Du point de vue de l’utilisateur, en termes d’ergonomie et de service de recherche, cette présentation sous forme de liste d’objets apparemment identiques, n’est pas très efficace et implique, plus globalement, un problème d’hétérogénéité du site internet (certaines pages présentent les œuvres, d’autres présentent les éditions). Du point de vue de la gestion des métadonnées, le niveau de l’œuvre ne peut pas être exploité à l’heure actuelle en raison de ce biais, c’est-à-dire de l’existence aléatoire de ce niveau de métadonnées. Le niveau des éditions peut être exploité pour étudier la production éditoriale par exemple, mais le niveau de l’œuvre ne peut pas être utilisé pour analyser de manière fiable la production intellectuelle, comme par exemple le nombre d’œuvres produites par auteur au fil des siècles. Afin d’éliminer ou de réduire les biais dus à cette hétérogénéité des données et pour permettre aux agents de la BnF d’avoir plus de contrôle sur les outils inclus dans la chaîne de production de data.bnf.fr, l’outil RobotDonnées a été développé. Cet outil permet de tisser des liens qui manquent entre certaines œuvres et certaines éditions et il permet également de regrouper automatiquement des éditions lorsque la notice d’œuvre n’a jamais été créée. RobotDonnées est issu du projet data.bnf.fr mais a son cycle de développement propre. Il consiste plus concrètement en une plateforme web qui permet de lancer des traitements qui prennent des données en entrée et, selon les paramètres choisis par l’utilisateur, produisent un fichier tabulaire (CSV) en sortie. Une dizaine de traitements peuvent s’enchainer les uns après les autres. Pour rassembler différentes éditions d’une œuvre par exemple, l’outil extrait du catalogue général les notices des documents associés à un auteur, via principalement l’identifiant de l’auteur et le champ titre, et les regroupe dans un fichier tabulaire ; ensuite deux algorithmes de distance ou de regroupement (minhasching et mean shift) permettent de rassembler les titres similaires sous un même chapeau dans un deuxième fichier tabulaire. Sur cette base, des pré-métadonnées de notices d’œuvre peuvent être produites et peuvent ensuite alimenter data.bnf.fr ; un reversement de ces oeuvres dans les données du catalogue général est prévue dans un second temps. L’objectif de la BnF à court terme est de pouvoir reverser un premier corpus de notices d’œuvres dans data.bnf.fr : le corpus d’œuvres textuelles françaises du XXe et du XXIe siècle. La philosophie qui sous-tend ce chantier est d’expérimenter, de tester l’efficacité des traitements en reversant les œuvres dans data.bnf.fr pour ensuite les inclure dans le catalogue général. Data.bnf.fr est donc utilisé comme « bac à sable » pour ce traitement de données complexe et massif. La systématisation du processus de création de métadonnées de niveau d’œuvre devra tenir compte ensuite de la spécificité des diverses typologies de corpus de documents conservés à la BnF : des manuscrits aux documents iconographiques en passant par les documents audiovisuels et multimédia. Comme tout projet en cours, ce chantier suscite plusieurs interrogations parmi lesquelles : sur quels paramètres et dans quelle mesure permettre à l’utilisateur d’intervenir ? Sur quelle unité baser la comparaison de titres par exemple : mot ou n-gramme ? RobotDonnées est un outil avec de nombreuses règles métier. La philosophie sous-jacente est que l’intelligence réside dans les données et les agents experts des données de la BnF connaissent la logique de ces données. Au-delà d’un outil de gestion des données, il devient un outil de connaissance des données, une connaissance non pas basée seulement sur la mémoire mais sur le calcul. En adoptant une approche ni trop fine, ni trop massive, l’outil permet de moduler et d’adapter les traitements selon les besoins et les objectifs de l’utilisateur.

Bibliostratus. STRatégie d’Alignement d’URIs pour la Transition bibliographique.

Présentation par Etienne Cavalié, Adjoint au chef du service Ingénierie des métadonnées à la BnF et membre du groupe Systèmes et Données dans le cadre du programme national Transition bibliographique.

Le programme national Transition bibliographique a pour objectif d’exposer les catalogues des bibliothèques dans le web de données. Comme expliqué dans la première présentation, la BnF, en créant des notices d’œuvres via des calculs, est en train de FRBRiser son catalogue. Dans le cadre de la Transition bibliographique, le groupe Systèmes et Données travaille pour que les autres bibliothèques ne recalculent pas ces notices d’œuvres, mais bénéficient du travail entrepris par la BnF. Ce groupe de travail compte parmi ses membres des agents de la BnF mais aussi des représentants de l’Abes (Agence bibliographique de l’enseignement supérieur), qui administre le réseau Sudoc du catalogue collectif des bibliothèques de l’enseignement supérieur. L’enjeu pour les bibliothèques de ce réseau est de savoir pour chacun de leurs documents quelle est la notice de la BnF correspondante pour identifier l’œuvre qui sera générée d’ici deux ou trois ans à la BnF et pour ensuite récupérer à la fois la notice elle-même du catalogue BnF et la notice d’œuvre. C’est dans cette perspective qu’a été développé par le groupe Systèmes et Données un logiciel nommé Bibliostratus, suite à une demande du réseau des bibliothèques de Montpellier qui ont sollicité la BnF pour réaligner leur catalogue notamment dans le cadre de la Transition bibliographique. La BnF s’est engagée à accompagner cette bibliothèque pour construire un exemple, définir et documenter une méthodologie et des outils que d’autres bibliothèques pourraient ensuite récupérer. Dans un premier temps la Bibliothèque avait commencé à travailler avec le logiciel existant Open Refine car cet outil permet d’interroger et de traiter en masse des informations, comme un catalogue de bibliothèque, de nettoyer les métadonnées fournies en entrée, de les normaliser, de les restructurer et de les vérifier. Le premier jet de la documentation pour l’utilisation d’Open Refine atteignant vingt-huit pages, cette solution risquait d’être un frein pour l’appropriation de cet outil par d’autres bibliothèques. C’est la raison pour laquelle, en novembre, la Bibliothèque a décidé d’explorer une autre piste : développer un outil similaire mais d’une manière plus standardisée et permettant d’enchainer les étapes pertinentes effectuées de manière successive dans Open Refine. Les étapes et les règles métier identifiées dans l’utilisation d’Open Refine sont donc celles qui ont été inclues ensuite dans le logiciel baptisé Bibliostratus en mars dernier par le groupe Systèmes et Données. Ce logiciel, écrit en Python, est libre et il s’intègre dans un circuit de traitement qui est : « je suis une bibliothèque, j’ai un catalogue, je veux l’aligner avec celui de la BnF ou celui du Sudoc ». Bibliostratus s’articule en différents modules qui peuvent être utilisés séparément. Il permet également d’opérer des alignements indépendamment du format de catalogage : si par exemple l’on souhaite aligner une base de données bibliographique qui n’est pas en format Marc, le logiciel permet de bénéficier juste du module d’alignement sans demander la manipulation du format Marc. Bibliostratus permet en somme la mise en œuvre d’un processus d’alignement qui est une application rigoureuse des règles métier définies par le groupe Systèmes et Données de juin à novembre dernier mais traduites en langage informatique. L’interface présente une fenêtre d’accueil avec quatre modules : le cœur est l’alignement mais des outils d’aide de préparation à l’alignement sont également intégrés car on n’aligne pas de la même manière un document audiovisuel, un périodique ou une monographie. Le module d’alignement bibliographique permet, une fois récupérée pour chacune des notices la liste des identifiants BnF et Sudoc, de récupérer l’intégralité des notices correspondant à ces identifiants. Actuellement en entrée quatre règles d’alignement sont applicables : une pour le texte imprimé, une pour les vidéos, une pour les enregistrements sonores et une pour les périodiques. Via les identifiants, il est possible non seulement d’aligner des notices avec celles de la BnF mais aussi à celles du Sudoc. Bibliostratus donne la possibilité de générer un fichier séparé pour les notices sans alignements ou avec plusieurs alignements afin de pouvoir les vérifier à la main.

Figure 3 Fichier tabulaire contenant les résultats d’un exemple d’alignement

Le système est tributaire évidemment des données en entrée mais grâce à l’explicitation de la méthode utilisée pour chaque alignement, il est possible d’effectuer une relecture et un contrôle manuel pour valider chacun des alignements. Le logiciel a été testé depuis janvier dernier, le groupe Systèmes et Données s’en est emparé progressivement et a commencé à injecter des identifiants BnF dans son catalogue mais d’autres cas d’utilisation se sont avérés pertinents : pour récupérer des notices ou des identifiants de la BnF pour des statistiques par exemple ou pour identifier et supprimer des doublons de notices. Dans la mesure où le module d’alignement se contente de faire une recherche systématique dans le catalogue par ligne, on peut envisager de mettre ce qu’on veut dans le fichier en entrée, on peut envisager donc plusieurs cas d’usage selon les besoins, sachant que ce logiciel se contente de lancer la requête et de fournir les résultats. Le code source de Bibliostratus est disponible et récupérable en ligne sur Github mais, comme il a été conçu dans le cadre de la Transition bibliographique, la BnF ne s’est pas engagée dans la maintenance de l’outil une fois la transition achevée. D’autres communautés sont toutefois libres de s’emparer de l’outil, d’y apporter des extensions, de développer d’autres fonctionnalités et de le maintenir à plus long terme.

Le projet ANR ELKER. Enhancing Link Keys: Extraction and Reasoning.

Présentation par Manuel Atencia et Jérôme David, enseignants-chercheurs à l’Université Grenoble Alpes, Inria, CNRS, Grenoble INP, LIG.

ELKER est un acronyme anglais qui signifie Enhancing Link Keys: Extraction and Reasoning (Améliorer les clés de liage : extraction et raisonnement). Ce projet, accepté dans le cadre de l’ANR Société de l’information et de la communication, a une durée de quatre ans (octobre 2017-octobre 2021). Trois laboratoires sont impliqués : LIG (Laboratoire Informatique de Grénoble), LIASD (Laboratoire d’Informatique Avancée de Saint-Denis) de l’Université Paris 8 et Inria Nancy. Le projet porte essentiellement sur le problème de liage de données dans le contexte du web de données. Ce problème peut être résumé de la manière suivante : étant donné deux jeux de données RDF, trouver des paires de ressources qui identifient la même entité. Ce problème demande de relever notamment les défis du passage à l’échelle (quantité importante de données), de l’hétérogénéité des descriptions des données (utilisation d’ontologies ou vocabulaires différents) et de la qualité des données (erreurs). Par exemple, on pourrait vouloir savoir si une URI de l’Insee (qui ressemble des données géographiques et sur l’administration française) et une URI de GeoNames (qui ressemble des données géographiques avec une portée mondiale) représentent la même commune, donc la même entité, afin de pouvoir les lier (Fig.4).

Figure 4 Exemple de correspondance entre la ressource de la commune « Bully » dans le jeu de données géographiques de l’Insee et dans GeoNames

Pour aborder cette problématique de liage de données, deux types d’approches existent : les méthodes symboliques (relevant de l’intelligence artificielle « ancienne », basées sur le raisonnement logique) et les méthodes numériques (relevant de l’intelligence artificielle moderne, basées sur l’agrégation de valeurs de similarité entre les valeurs de propriétés pertinentes). L’approche adoptée dans le cadre du projet ELKER relève de la première méthode car, pour résoudre ce problème de liage de données, la proposition du projet est d’utiliser des clés de liage (link keys). Une clé de liage est une généralisation de la notion de clé propre aux bases de données rationnelles aux cas de jeux des données RDF différents. Une clé de liage peut être exprimée sous la forme d’une action logique, elle est constituée par un ensemble de paires de propriétés et une paire de classe. Par exemple, pour définir si un livre décrit dans un jeu de données exprimé en français (Livre) est le même décrit dans un jeu de données en anglais (Book), on peut comparer les valeurs des paires auteur et creator et les valeurs des paires titre et title. Si une instance de la classe Livre a les mêmes valeurs pour les propriétés auteur et titre qu’une instance de la classe Book a pour les propriétés creator et title, alors elles désignent la même entité.

Figure 5 Exemple de clé de liage

L’approche adoptée dans le cadre du projet ELKER prévoit deux phases distinctes : l’extraction automatique de clés de liage et le raisonnement avec les clés de liage pour l’inférence de liens. La première phase consiste à extraire de manière automatique à partir jeux de données RDF des clés de liage candidates et, en définissant les mesures de qualité, sélectionner parmi ces clés de liage candidates les meilleures. Pour découvrir ces clés de liage candidates les techniques à l’œuvre relèvent de l’analyse formelle de concepts. Dans la deuxième phase, comme une clé de liage peut être exprimée sous la forme d’une action logique, il est possible de combiner les clés de liage avec les ontologies pour inférer des liens et d’autres clés de liage. À partir de déclarations de type OWL il est donc possible d’inférer des clés de liage à partir des clés de liage découvertes par un outil d’extraction automatique et finalement inférer des liens à partir des clés de liage.

Figure 6 Exemple de raisonnement avec clés de liage

Concernant la première phase, l’extraction de clés de liage candidates, plusieurs tests ont été réalisés et sont en cours. L’un des enjeux majeurs consiste à pouvoir classer et trier le grand nombre des clés candidates extraites et à conserver la posture généraliste du projet qui exige de ne pas rentrer dans la spécificité des données mais de proposer une solution pour le liage de tout jeu de données.

Sur des approches d’alignement semi-automatique.

Présentation par Antoine Isaac, R&D Manager chez Europeana.

Dans la cadre d’un projet lié à Europeana, une expérimentation a été menée avec l’objectif de connecter les vocabulaires propres à plusieurs institutions participant à Europeana à un vocabulaire spécifique, en utilisant Cultuurlink, un outil d’alignement semi-automatique. Europeana est un agrégateur de métadonnées liées à quelques dizaines de millions d’objets appartenant à environ 3500 institutions culturelles européennes. En raison de la création et de l’utilisation de différents vocabulaires et référentiels par les nombreuses institutions, Europeana comme d’autres agrégateurs fait face à la problématique d’une considérable hétérogénéité des données. Europeana envisage de créer plus d’alignements entre référentiels de manière automatique ou semi-automatique pour mieux gérer ces données hétéroclites et pour améliorer la recherche dans les différentes collections. Dans le cadre du projet Europeana Sounds, dont l’objectif était d’ajouter des sons et des musiques dans Europeana tout en améliorant les métadonnées issues des différentes organisations, l’outil Cultuurlink a été expérimenté pour aligner et enrichir les métadonnées provenant des institutions avec le vocabulaire spécifique aux instruments de musique MIMO. Ce vocabulaire, développé pour décrire des instruments de musique dans le milieu muséal, a une très bonne couverture du domaine des instruments de musique, il est ouvert, il est multilingue et il a donc été choisi pour son potentiel d’établir des correspondances entre collections. Cultuurlink est un outil d’alignement semi-automatique, il n’est pas libre mais il est librement utilisable en ligne. Ayant identifié le vocabulaire Mimo et l’outil Cultuurlink, Europeana a demandé aux participants au projet Europeana Sounds d’expérimenter les deux. Quatre acteurs étaient particulièrement intéressés à cette expérimentation : la British Library, deux centres de recherche français (CREM – Centre de Recherche en Ethnomusicologie et MMSH – Maison Méditerranéenne des Sciences de l’Homme) et le NISV (Netherlands Institute of Sound and Vision). Pour chaque collection, dans un premier temps chaque métadonnée a été scrutée afin de reconstituer les vocabulaires des quatre participants. Ensuite, Cultuurlink a été utilisé par les différents participants pour effectuer les alignements vers MIMO et enrichir les données initiales. Enfin les résultats ont été évalués.

Figure 7 Exemple d’utilisation de Cultuurlink

Ce que l’expérimentation a prouvé est que 50% des correspondances ont été alignées de manière automatique. L’utilisateur peut regarder chacune des correspondances et la valider ou l’invalider. L’outil permet à l’utilisateur de procéder par étapes, de construire une stratégie d’alignement et de garder le contrôle sur les résultats. L’expérimentation a donc démontré l’intérêt de l’approche en termes d’enrichissement et d’accessibilité des données. Elle a confirmé les difficultés liées à la polysémie, la nécessité du contrôle humain et de l’expertise dans le domaine de la connaissance concerné ainsi que la robustesse du vocabulaire MIMO, même si des marges de progrès en termes de couverture seraient possibles.

REDEN : Résolution et désambiguïsation d’entités nommées pour l’enrichissement des corpus textuels.

Présentation par Carmen Brando, ingénieure de recherche en sciences de l’information géographique et en humanités numériques, EHESS.

Comment lier des données textuelles, qui, à la différence des données dans le web de données, ne sont pas structurées ? Dans un contexte d’édition numérique il est intéressant de pouvoir faire des annotations, c’est-à-dire de déclarer dans un texte qu’un segment de ce texte est un lieu par exemple, que ce segment fait référence non pas à un lieu quelconque mais à un lieu précis tel qu’il est décrit dans une base de données déterminée. Des enjeux majeurs de l’édition numérique consistent donc à repérer les références (c’est-à-dire des entités nommées telles que des lieux, des personnes, des institutions, des événements historiques, …) dans un texte, les identifier de manière unique, les lier à la connaissance externe afin d’enrichir le texte et de proposer des modalités de lecture plus riches ou complémentaires. Le développement de l’outil REDEN, initié en 2015, a été entrepris pour répondre au besoin de plusieurs chercheurs en littérature française travaillant au Labex OBVIL (Observatoire de la vie littéraire) d’enrichir leurs éditions numériques encodées en XML/ TEI. L’encodage d’entités nommées dans une édition numérique en XML/ TEI consiste à faire rentrer un segment de texte faisant référence à une entité nommée dans la balise pertinente prédéfinie dans la norme TEI : par exemple <persName> pour les personnes et <placeName> pour les lieux. Pour lier ces connaissances à des connaissances externes, il est possible de rajouter à la balise en question l’attribut ref qui permet de faire référence à des ressources sur le Web. L’annotation d’entités nommées peut être effectuée en encodant manuellement le texte mais peut se faire aussi de manière automatique ou semi-automatique. L’algorithme REDEN n’intervient pas dans la phase d’identification des entités nommés dans le texte ni dans la phase de classification du type d’entité nommée mais il intervient dans la phase de résolution, c’est-à-dire au moment du liage du segment de texte à l’identifiant de la ressource accessible sur le Web. L’approche de REDEN est une approche fondée d’un point de vue informatique sur les graphes et sur le fonctionnement du web de données. REDEN peut être utilisé pour tout jeu de données RDF à condition que les données puissent être interrogées via un Sparql Endpoint. L’algorithme REDEN est constitué de plusieurs phases :

  • Constitution d’un index par type d’entité contenant les formes de surface de toute entité dans la base de connaissance y compris son URI (identifiant unique) ;
  • Pour chaque mention dans un contexte donné du texte, par exemple dans un paragraphe ou dans une phrase, et un type d’entité nommée à la fois, REDEN effectue deux opérations :

(1) Identification des candidats et récupération des données RDF des candidats à partir des données liées ;

(2) Fusion de graphes et élagage, suivi par le calcul de centralité par mention, et choix du candidat ayant le score le plus élevé.

Figure 8 Exemple de fonctionnement de l’algorithme

Un outil démonstrateur utilisant REDEN est disponible en ligne. Il permet, à partir d’un texte balisé en XML/ TEI, de sélectionner le type d’entité nommée (lieu, personne, institution, etc.) pour lequel on souhaite trouver et lier des ressources sur le Web et de télécharger le texte enrichi des liens signalés via l’attribut ref_auto. Une fonctionnalité de visualisation est aussi mise à disposition : l’outil récupère les coordonnées géographiques des ressources identifiées à partir du texte et les montre sur une carte.

Figure 9 Exemple de lecture « géographique » d’un passage de « Le passant de Prague » de Guillaume Apollinaire

Actuellement, une collaboration avec le laboratoire Lattice et l’Université de Tunis prévoit l’intégration en amont avec l’outil de reconnaissance d’entités nommées SEM fondé sur l’apprentissage automatique (CRF) et Wikidata. Parmi les autres travaux en cours : la réflexion autour de la mise à disposition en ligne de données géo-historiques et la proposition de l’outil par des institutions patrimoniales comme service à la recherche. REDEN est un outil open source. Le code est disponible sur Github.

Le projet ANR Foucault Fiches de Lecture.

Présentation par Laurent Dartigues et Vincent Ventresque, respectivement chargé de recherche et ingénieur d’étude au laboratoire TRIANGLE (UMR 5206), ENS Lyon.

Foucault Fiches de Lecture (FFL) est un projet scientifique qui a pour objectif d’explorer, de mettre à disposition en ligne et de donner à lire de manière enrichie un vaste ensemble de fiches de lecture de Michel Foucault conservées au département des Manuscrits de la BnF. Ce projet a été initié en octobre 2017, il a une durée prévue de trois ans, il est réalisé en partenariat avec la BnF et il participe en tant qu’équipe test du projet Corpus pour l’année 2018. Il porte sur un corpus issu des archives de Foucault conservées à la BnF et constitué de plusieurs milliers de feuillets qui forment une collection de citations et de références bibliographiques, organisées et commentées par Foucault pour la rédaction de ses ouvrages ou la préparation de ses cours. Cet ensemble considérable en termes de volumétrie et de richesse d’informations, en étant fondé sur des références, se prête particulièrement à une exploration « hypertextuelle » du parcours de lecture, de travail, de la pensée de Foucault, et demande le tissage de liens entre les citations ou les références et les auteurs ou les ouvrages concernés. Dans cette perspective, le projet se propose non seulement d’analyser le corpus des fiches de lecture mais également de développer une plateforme qui permettrait à un chercheur de consulter environ 11 000 fiches numérisées, de les annoter, de bénéficier des annotations des autres utilisateurs et de faire une lecture enrichie du corpus grâce au tissage de liens vers des ressources externes et à des visualisations de données.

Figure 10 Exemple de fiche de lecture présenté dans l’interface du prototype de plateforme en cours de développement dans le cadre du projet

La plateforme est en train d’être développée dans une logique de gain de temps et d’attention à la qualité des données grâce notamment à l’utilisation de référentiels, autorités et de l’autocomplétion. Par exemple, lorsqu’un ouvrage est mentionné dans une fiche, l’utilisateur a la possibilité de sélectionner la référence correspondante précédemment rentrée dans la base de données du projet et liée à la ressource correspondante dans data.bnf.fr ou bien de rajouter la référence de l’ouvrage dans la base de données et de récupérer les informations bibliographiques associées à cet ouvrage en effectuant l’alignement vers l’URI correspondant dans data.bnf.fr. Le modèle de données sous-jacent est basé sur le principe de l’annotation pour permettre de mutualiser certains contenus (l’utilisateur décide pour chaque contenu ajouté s’il est privé, restreint ou public) tout en fournissant un espace de travail pour chaque utilisateur.

Figure 11 Modèle de données simplifié

Les avancements du projet sont reportés sur le carnet de recherche du projet.

Conclusion

Dans un contexte d’accroissement des volumétries des données et de réduction des temps d’analyse et de traitement, les institutions patrimoniales comme les équipes de recherche reconnaissent le besoin d’une complémentarité croissante entre humains et systèmes automatiques. Les présentations qui se sont succédé au fil de la matinée rappellent que l’automatisme complet présente à l’heure actuelle de nombreuses limites. Des approches semi-automatiques, en s’appuyant de manière hybride sur les atouts des humains comme sur les atouts des machines, semblent en revanche donner des résultats prometteurs. Notamment dans le processus d’alignement de données, le contrôle et la validation humaine sont des aspects fondamentaux pour la garantie de la qualité des données et pour l’instauration de la confiance. Si les projets de recherche qui se focalisent sur des questions qui relèvent de l’informatique, comme REDEN ou ELKER, visent à développer des solutions généralistes, respectivement pour tout texte et pour tout jeu de données, la Bibliothèque et les projets de recherche en SHS notamment sont confrontés à la fois à la nécessité de l’automatisation et à la prise en compte des spécificités des données qu’ils traitent. C’est pourtant précisément cette tension entre la posture technique transverse et l’approche centrée sur les particularités d’un domaine qui peut s’avérer extrêmement fructueuse.

Atelier : Données liées et données à lier : quels outils pour quels alignements ? (10/07)

Dans le cadre du projet Corpus, inscrit au plan quadriennal de la recherche de la Bibliothèque nationale de France 2016-2019, des ateliers thématiques sont organisés régulièrement afin d’inciter les échanges entre le milieu académique et le monde des bibliothèques dans le domaine des humanités numériques. Le prochain atelier aura lieu le 10 juillet 2018 et portera sur différentes méthodes et outils d’alignement de données.

The Linked Open Data Cloud

Argument

Une des promesses de la publication de données en ligne ouvertes est la possibilité de tisser des liens entre jeux de données de nature différente pour en enrichir les réutilisations. La mise en œuvre de ces alignements fait appel à des approches très diverses. Un cas d’usage en bibliothèque est la création d’entités exploitables sur le web à partir de données bibliographiques structurées (Logilab). La comparaison de chaînes de caractères ne peut suffire à aligner des concepts, pour lesquels entrent en jeu l’analyse de la structure des référentiels où ils sont décrits ou l’exploitation de liens à une référence partagée. Une méthode telle que l’extraction de clés liage permet de proposer des mesures de similarité à partir de la comparaison de deux jeux de données sans en connaître la sémantique (ELKER). Des outils peuvent aussi aider à la décision pour faciliter le travail manuel, voire le crowdsourcing de la part de communautés identifiées (Projet Foucault Fiches de Lecture, Wikidata Mix’n’Match). Ces liens servent enfin à enrichir des données peu structurées, comme le propose la résolution d’entités nommées pour le plein texte (REDEN).

Programme

  • Emmanuelle Bermès (BnF) et Aude Le Moullec-Rieu (BnF) introduiront la matinée
  • Adrien Di Mascio (Logilab) et Sébastien Peyrard (BnF) présenteront l’utilisation d’algorithmes de regroupement dans le logiciel Robot-Données
  • Etienne Cavalié (BnF) présentera Bibliostratus, l’outil d’alignement développé par le groupe Systèmes et Données du programme national Transition bibliographique
  • Jérôme David et Manuel Atencia (équipe MOEX, Inria & LIG) : présenteront le projet ANR ELKER sur l’extraction et le raisonnement avec clés de liage
  • Carmen Brando (EHESS) présentera l’algorithme REDEN
  • Antoine Isaac (Europeana) présentera les outils CULTUURLINK et Wikidata Mix’n’Match
  • Vincent Ventresque et Laurent Dartigues (TRIANGLE/ ENS Lyon) présenteront le projet ANR Foucault Fiches de Lecture

Modalités pratiques

10 juillet 2018, 9h30 – 13h
Bibliothèque nationale de France, site François-Mitterrand (Quai François Mauriac, 75013 Paris), salle 70.

Entrée libre sur réservation auprès d’Eleonora Moiraghi.

Explorer des corpus d’images. L’IA au service du patrimoine

Suite aux ateliers « Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils » et « Géolocalisation et spatialisation de documents patrimoniaux », une troisième demi-journée d’étude a été organisée dans le cadre du programme de recherche CORPUS, inscrit au plan quadriennal de la recherche 2016-2019 de la Bibliothèque nationale de France (BnF). Dans la continuité des deux ateliers précédents, cet après-midi d’étude, qui a eu lieu le 28 mars sur le site Richelieu, était conçu autour d’une seule thématique et dans le même esprit d’incitation au partage entre le monde des bibliothèques et les milieux académiques.

Neuf présentations se sont succédé au fil de l’après-midi avec l’objectif d’esquisser un panorama de différentes applications des méthodes d’analyse automatique d’images par le contenu.

L’état de l’art des solutions logicielles, actuelles ou en développement, réalisé à la demande de la BnF au Centre Européen de valorisation numérique Valconum.

Présentation par Nicolas Sidère, ingénieur de recherche, laboratoire Informatique, Image et Interaction (L3i), université de La Rochelle.

La BnF s’est engagée en 2017 à « faciliter l’usage de Gallica » – la bibliothèque numérique de la BnF – en développant « des outils conviviaux d’exploration des corpus (fouille d’images, reconnaissance d’articles, etc.) »1. Afin de mieux cerner les possibilités existantes pour mettre en place à terme de tels outils permettant la fouille d’images, une étude a été demandée en 2017 par la BnF à Valconum, consortium académique-industriel visant la valorisation de contenus numériques. Cette étude, cordonnée par le L3i et rédigée par quatre laboratoires partenaires (L3i, LIPADE, CVC, IRISA), avait donc pour objectif de fournir un panorama des solutions logicielles pour la mise en place d’un outil de recherche d’images dans Gallica reposant non plus sur les métadonnées textuelles associées essentiellement manuellement aux images, comme à l’heure actuelle, mais aussi sur la reconnaissance automatique de caractéristiques formelles ou structurelles des images.

Parmi les possibilités de recherche d’images existantes, trois orientations peuvent être distinguées : la navigation libre dans un corpus, la recherche par mots-clés et la recherche par le contenu, que la BnF souhaite intégrer à Gallica.

Le fonctionnement d’un système traditionnel d’indexation et de moteur de fouille d’images basé sur le contenu (CBIR, Content-Based Image Retrieval) prévoit différentes phases : le prétraitement des images pour en améliorer la qualité (suppression de distorsions, augmentation des contrastes, suppression de bruits de numérisation, etc.), ensuite l’extraction des caractéristiques structurelles des images, la constitution d’une base de données où ces caractéristiques sont stockées, pour être enfin comparées aux caractéristiques d’une image spécifique lors d’une requête de l’utilisateur.

By Xiawi [GFDL (http://www.gnu.org/copyleft/fdl.html) or CC BY-SA 3.0 (https://creativecommons.org/licenses/by-sa/3.0)], from Wikimedia Commons
By Xiawi [GFDL (http://www.gnu.org/copyleft/fdl.html) or CC BY-SA 3.0 (https://creativecommons.org/licenses/by-sa/3.0)], from Wikimedia Commons

Deux grandes catégories d’approches d’indexation par le contenu sont possibles aujourd’hui : l’approche par le contenu visuel et celle par le contenu sémantique.

La première approche vise à générer la signature d’une image en extrayant des indices visuels sur la base de trois typologies de caractéristiques : description globale (couleur, texture, forme), description spatiale (agencement des composantes d’un document) ou description locale (utilisation de descripteurs sur des zones locales d’intérêt).

Descripteurs locaux (exemple)

Avec l’avènement de l’apprentissage profond (deep learning), la capacité à extraire et à sélectionner ces caractéristiques de manière automatique (c’est-à-dire par des réseaux de neurones artificiels) accélère les traitements et ouvre de nouvelles voies. Une application immédiate de cette approche est la recherche d’images par similarité.

La deuxième approche, celle d’indexation par le contenu sémantique, ne vise pas à rechercher des notions visuelles (aussi définies comme « bas niveau ») mais à détecter automatiquement des concepts (aussi définis comme « haut niveau ») pour la création d’un index sémantique. Cela permet l’étiquetage soit d’une image entière, soit d’une portion de l’image et ces étiquettes peuvent être ensuite inclues dans une ontologie qui permet de faire des inférences ou de désambiguïser. ImageNet est aujourd’hui l’exemple le plus parlant de base d’images (naturelles) annotées à partir de concepts (80 000). Des applications possibles grâce à l’indexation par le contenu sémantique sont par exemple l’identification et la localisation d’objets dans une image (détection de visages, de personnes, d’objets, etc.) ou la génération automatique de légendes d’illustration.

Légendage automatique

Concernant les outils existants ou en développement et les acteurs, trois types peuvent être distinguées :

  • Les outils fournis par les « géants du Web » (Google, Apple, Facebook, Amazon, Microsoft) ou GAFAM : Google Vision API, Amazon Rekognition, IBM Watson/ Cloud Visual Recognition, qui donnent des résultats prometteurs mais présentent aussi des défauts (entrainement sur des corpus iconographiques contemporains, coût à l’image analysée) ;
  • Les start-up ou laboratoires spin-off (Lamark, NeoVision, Videntifier, OddConcepts) qui peuvent répondre à des besoins plus spécifiques mais qui demandent plus de temps de mise en œuvre ;
  • Les frameworks ou bibliothèques open source (Caffe, TensorFlow, OpenCV, FLANN, Faiss) prêts à l’emploi ou personnalisables.

Les contraintes principales pour la mise au point d’un outil d’indexation et de recherche d’image par le contenu sont la nature hétérogène des corpus en termes de contenus, de techniques de production et de supports, de supports-images (qualité de numérisation et de compression). La diversité des approches et outils à disposition implique également de faire des choix scientifiques/techniques. Enfin, la nécessité d’investissements d’infrastructure informatique pour un passage à l’échelle est un point à prendre en considération.

Afin de satisfaire les besoins des institutions patrimoniales telles que la BnF, la collaboration avec les laboratoires de recherche, et entre institutions, paraît la solution la plus adaptée en permettant notamment la prise en considération des spécificités des collections et des images anciennes.

Gallica.pix, une preuve de concept utilisant les collections de Gallica sur la période 1914-1918.

Présentation par Jean-Philippe Moreux, expert OCR et formats éditoriaux, BnF.

Gallica.pix est un démonstrateur développé par Jean-Philippe Moreux et accessible sur Gallica Studio. Il met en œuvre une approche d’indexation sémantique sur les collections iconographiques de Gallica couvrant la période 1914-1918 et sur lesquelles différents outils ont été expérimentés dans une optique de recherche d’information encyclopédique.

La réalisation du PoC a demandé plusieurs étapes : la première consistait à repérer les illustrations, y compris celles contenues dans les imprimés (presse quotidienne, revues, monographies) à l’aide des API de la BnF ; la deuxième consistait à les enrichir avec des métadonnées permettant leur recherche ; la dernière à élaborer une interface de recherche web interrogeant une base XML (basex.org).

Processus d’extraction

Le fait d’identifier les illustrations et de les référencer dans une application dédiée à la recherche d’images offre en soi une expérience utilisateur enrichie. Néanmoins, cette première phase d’extraction pose un certain nombre de défis :

  • Pour la collection Images, les métadonnées bibliographiques sont souvent lacunaires, sans vocabulaire normalisé, et pas pensées pour cet usage. Certains recueils d’images sont signalés avec une seule notice pour x
  • Pour les imprimés, l’identification des illustrations au sein des pages est donnée par l’OCR, avec les défauts de ce dernier. Ainsi pour le cas particulier de la presse quotidienne, le bruit peut atteindre 80% pour de l’OCR brut.
  • Toujours pour la presse quotidienne, l’identification des publicités illustrées (avec une part proche de 30%) est un autre enjeu, car elle ne peut être menée sur les seuls critères visuels.
Proximité visuelle entre illustrations éditoriales et publicités illustrées (signalées par une icône)

Dans la deuxième étape d’enrichissement des métadonnées, ont été utilisés un réseau de neurones pré-entrainé et open-source de Google (Inception-V3) pour la classification des genres d’illustrations (photo, gravure, carte, etc.) puis l’API IBM Watson Visual Recognition pour l’indexation sémantique (la bibliothèque open source OpenCV/dnn a également été testée). Les images elles-mêmes sont extraites des serveurs Gallica via l’API Image IIIF.

Le réseau Inception-V3 est un réseau de neurones convolutionnels (CNN). Il a été réentrainé (sa seule dernière couche, approche dite « d’apprentissage par transfert », “transfer learning”) sur un jeu de 12 classes documentaires (environ 1000 images par classe) et évalué sur un sous-ensemble du jeu.

Les « genres » documentaires

Rappel et précision sont de l’ordre de 90%. Cette approche permet également de filtrer le « bruit » issu de l’OCR mais aussi celui présent dans les collections Images (recueils, portfolio, etc.) : couverture, pages blanches intercalaires, pages de texte.

L’utilisation d’un réseau de neurones induit des comportements spécifiques. Ainsi les confusions surviennent sur des genres visuellement proches (photographie/gravure, schéma/carte/dessin, etc.).

Confusion : dessin, schéma technique, carte ?

L’échelle d’analyse du réseau (299×299 pixels) intervient également. À cette échelle, des pages de genres différents peuvent sembler visuellement proches.

Partition, presse, carte

Le phénomène de généralisation est aussi exemplaire de l’apprentissage profond : le réseau sait identifier des images proches de celle de la classe d’apprentissage. Ainsi de ces cartes illustrées.

Ce type de cartes illustrées n’était pas présent dans le jeu d’apprentissage

En matière d’indexation sémantique, deux évaluations ont été menées sur les classes Personnes et Soldats extraites par IBM Watson. Ainsi pour la recherche de visuels de soldats, si le taux de rappel de l’API n’est que de 55%, la possibilité de réentrainer le réseau sur les données de la BnF permet de gagner 5%. Et en croisant cette indexation visuelle sémantique avec les métadonnées bibliographiques, le taux de rappel atteint alors 70%. A comparer aux 20% obtenus par une requête par mot-clé sur les seules métadonnées (« soldat OU poilu OU officier… »).

Taux de rappel selon divers scénarios de recherche (classe « Soldat »)

La détection de visages de l’API Watson est également testée. Un taux de rappel de 30 % et une précision de 99,8 % montre que l’API a été paramétrée avec des réglages conservatifs. Un autre réseau (modèle ResNet du module « dnn » d’OpenCV 3.3) donne un meilleur taux de rappel (au détriment de la précision), y compris sur des documents « difficiles » (dessin de presse, gravure).

Détection de visages et de genres (API Watson)

 

Détection de visages (ResNet, OpenCV/dnn)

Finalement, l’application web Gallica.pix interroge la base XML avec XQuery et affiche les imagettes via le serveur IIIF BnF. Divers cas d’usage peuvent être envisagés :

  • Mot-clé: une recherche sur un mot-clé interroge les métadonnées bibliographiques et l’OCR. L’exemple ci-après montre les résultats d’une recherche menée sur Georges Clemenceau dans Gallica et dans Gallica.pix : la fouille dans les imprimés a considérablement enrichi l’offre iconographique.
Recherche sur le mot-clé « clemenceau » : Gallica Images (1910-1920) : 140 résultats, Gallicap.pix : 859
  • Types documentaires : dans le cas précédent, la facette « Dessin » donne accès aux caricatures de presse de Clemenceau
  • Concepts: l’indexation sémantique visuelle est utilisée. Toujours dans le cas « Clemenceau », les critères Personne ou Visage permettent de filtrer les illustrations de Georges Clemenceau de celles se rapportant à lui (événements, commentaires, etc.). Autre exemple, le concept « Avion » donne accès à des illustrations représentant des avions alors que le mot-clé « avion » renvoie aussi à des aviateurs, des cartes aériennes, etc.
A gauche, mot-clé « avion », à droite, classe « Avion »
  • Requêtes hybrides : L’indexation sémantique et les métadonnées sont utilisées. Ainsi la recherche de visuels sur les destructions urbaines consécutives à la bataille de Verdun : classe=(”rue” OU ”maison”) ET mot-clé=”Verdun”
Recherche hybride

Le PoC a permis de mettre en évidence les atouts d’une telle approche :

  • La maturité des techniques d’IA dans le traitement d’image rend possible leur intégration dans la boîte à outils des bibliothèques numériques.
  • Un accès unifié à toutes les ressources iconographiques d’une collection numérique à vocation encyclopédique est offert.
  • Elle ouvre de nouvelles perspectives, avec par exemple la création de jeux de données iconographiques pour la recherche (cartes, publicités, sports, etc.) ou pour l’entraînement (apprentissage profond).
  • La réutilisation des ressources numériques est favorisée : les fonds iconographiques ainsi référencés et indexés peuvent à leur tour être diffusés avec des protocoles standards (en particulier avec l’API Presentation de IIIF).
  • De manière annexe, ce PoC montre qu’il est possible de réaliser des applications complexes à partir de l’offre en API de la BnF.

Cependant, des défis et questionnements se font jour :

  • Verrous scientifiques : segmentation et indexation sur des fonds hétérogènes ; entraînement sur des fonds patrimoniaux (les offres commerciales étant entraînées sur des ressources contemporaines)
  • Ingénierie : architecture technique, puissance de calcul, explosion des métadonnées (10 M pour le corpus Gallica.pix)
  • Métadonnées descriptives pour l’indexation : modèle de données, formats, vocabulaires, standards ?
  • Cycle de vie de l’indexation ?

Le prototype Gallica Images.

Présentation par Raphaël Baudiment, ingénieur étude et développement, BnF.

Le prototype Gallica Images, développé par Raphaël Baudiment, met en œuvre l’autre approche d’indexation d’images par le contenu : celle du contenu visuel basée sur les similarités formelles et structurelles des images. Sans faire appel aux techniques d’apprentissage profond, l’objectif était de créer un index à partir d’un corpus d’images de Gallica issu des collections d’images des départements spécialisés.

L’index de test de plus de 620 000 images ne s’appuie pas sur les métadonnées bibliographiques mais il est construit à partir de la structure de chacune des images, décrite dans une signature utilisée pour la comparaison et l’identification de similarités lors d’une recherche. À cet effet, pour chaque image, des statistiques ont été calculées sur la distribution colorimétrique (un seul canal pour les images noir et blanc ou en niveaux de gris, trois canaux pour les images en couleur) à l’aide de l’outil open source ImageMagick qui permet de calculer pour chaque canal de l’image la moyenne colorimétrique, l’écart type, l’ asymétrie, la courbure et l’entropie.

Afin de rechercher ces images, une application web a été développée pour fonctionner en deux phases : une première phase de présélection qui présuppose la pertinence par rapport à l’image-requête et une deuxième phase de tri pour fournir en réponse de la requête des résultats classifiés par pertinence descendante. Pour cette deuxième phase a été utilisé l’un des algorithmes en surcouches du serveur Solr développés dans le cadre du projet Lucene/LIRE. L’algorithme, choisi en raison de sa pertinence, s’appelle calcul d’empreinte FCTH (Fuzzy Color and Texture Histogram) ; il prend en entrée une image et ensuite calcule une empreinte sous forme d’un tableau de 192 octets. Outre l’index produit par ImageMagick, un deuxième index a donc été constitué via l’algorithme FCTH ; l’avantage étant l’utilisation des empreintes pour le calcul de distance. La mesure de similarité de Tanimoto, a enfin été employée pour calculer cette distance, c’est-à-dire pour classifier les images sur la base du niveau de similarité.

L’index produit a servi à construire une API qui permet d’utiliser un protocole pour interroger les images en termes de palette de couleurs et de proportions.

Exemples de requêtes

Grâce au protocole IIIF, d’autres fonctionnalités ont été expérimentées, comme par exemple une expérience renouvelée de l’exploration de documents cartographiques basée sur la comparaison de cartes anciennes avec des systèmes cartographiques contemporains tels qu’OpenStreetMap.

En conclusion, Gallica Images propose une nouvelle forme de découverte des collections BnF, rythmée par des rebonds qui incitent la flânerie et la sérendipité. Dans une application de recherche d’image, cette approche serait complémentaire des techniques d’indexation sémantique.

Diginpix, un système d’identification d’entités visuelles dans les images fixes et animées.

Présentation par Nicolas Hervé, chercheur en informatique, INA.

Diginpix est un prototype de système de reconnaissance d’entités visuelles développé à l’Espace recherche de l’Institut national de l’audiovisuel en 2014, en collaboration avec équipe-projet ZENITH de l’INRIA. Il ne se base pas sur l’apprentissage de classes (concepts généraux) mais sur la reconnaissance d’instances, c’est-à-dire d’éléments spécifiques dans une image fixe ou animée qu’on peut définir comme des entités visuelles en faisant un parallèle avec la reconnaissance d’entités nommées dans un texte.

Le prototype est disponible en ligne et fonctionne sur deux types d’entités visuelles : des logos et des peintures. Ces entités visuelles sont issues de dictionnaires sur lesquels le système de reconnaissance a été entrainé. Le dictionnaire des logos contient 25 000 entités morales issues de liste de marques, de partis politiques, d’organisations internationales par exemple, pour lesquels les images ont été repérées sur Google pour constituer automatiquement une base de données. Le dictionnaire des peintures est quant à lui le résultat d’un partenariat avec l’agence photos RMN dont la base de données, qui contient 5 photographies par tableau en moyenne, a été partagée. Les deux bases de données sont donc de deux natures différentes : d’un côté une base qui contient énormément d’images par entité (200 images environ par logo) mais de qualités hétérogènes, de l’autre une base qui contient peu d’exemples mais d’excellente qualité.

Le prototype a été testé sur le fonds des vidéos de sport, de musées et les vidéos disponibles en ligne sur le site ina.fr. Pour ne pas masquer la complexité des systèmes de reconnaissance visuelle, les pourcentages de réussite (les scores de prédiction de l’algorithme) sont clairement affichés dans les résultats afin de donner à l’utilisateur l’autonomie et le choix de prendre en compte une vidéo ou pas dans le cadre de ses recherches.

Résultats avec score de confiance

L’image animée implique une problématique ultérieure par rapport à l’image fixe en raison de sa dimension temporelle. Un visualiseur spécifique a été aussi développé, dans une logique open source, pour permettre le repérage rapide des entités visuelles dans la temporalité de la vidéo.

Visualiseur diginpix.ina.fr

Comme le repérage d’entités visuelles demande énormément d’informations locales, les bases de données d’indexation constituées à partir de la reconnaissance des entités sont conséquentes (elles peuvent avoir une taille supérieure à celle des vidéos elles-mêmes) et font l’objet de recherches au sein de l’établissement pour en optimiser les temps de calcul.

Dans ce contexte, la qualité et la modélisation des données jouent un rôle fondamental car c’est sur les bases de données que les algorithmes sont entrainés.

Reconnaissance automatisées des images de presse. L’exemple de la presse d’entre-deux-guerres.

Présentation par Pierre-Carl Langlais,  post-doctorant dans le cadre du projet ANR Numapresse.

Le travail de Pierre-Carl Langlais n’est pas mené dans l’optique de fournir des outils pour l’exploration de corpus mais dans la perspective de développer des solutions techniques pour répondre à des questions scientifiques posées, plus spécifiquement, dans le cadre du projet Numapresse. Ce projet ANR, actuellement en cours, a pour vocation d’explorer les mutations culturelles, les transferts génétiques et poétiques de la presse francophone de 1800 à 2018.

L’expérimentation présentée part du postulat que la plupart des images de presse sont intégrées dans un article et propose une classification automatique des images par le texte.

Le premier matériau pris en considération pour l’expérimentation a été l’OLR (Optical Layout Recognition) produit dans le cadre du projet Europeana Newspapers (1814-1945). En permettant la reconnaissance semi-automatique des agencements des éléments dans une page de journal, il permet indirectement d’identifier des illustrations dans la presse.

Parallèlement à la distinction des zones textuelles des zones iconographiques, un prototype de topic modeling supervisé, couvrant dix-neuf formes journalistiques, a été développé pour repérer les formes courantes entre 1920 et 1940. Ces modèles permettent d’analyser la répartition des genres sur de longues périodes, et de mettre en lumière des récurrences et des ruptures.

Ce modèle permet donc de classifier les articles mais aussi les illustrations associées et de constituer des sous-corpus thématiques à partir de la classification opérée. Avec cette classification des images via le texte, il devient possible de parcourir rapidement l’ensemble des images publiées dans une rubrique et de faire émerger des pratiques visuelles inattendues.

L’indexation sémantique visuelle sur l’illustration de presse est également évaluée à l’aide de modèles généralistes (Imagenet), qui de fait sont imparfaits. Néanmoins, dans un corpus aussi spécifique (le sport dans la presse quotidienne), les catégories prennent sens les unes par rapport aux autres. Ainsi la projection des proximités entre les classes d’Imagenet sur les images de sport du Parisien de 1934, puis la montée en abstraction sémantique grâce aux métadonnées de wordNet conduit à un réseau d’étiquetage pertinent des « régimes de représentabilité » du sport.

Projection tsne (à gauche), réseau d’étiquetage (à droite)

D’autres perspectives de recherche concernent les légendes des illustrations, la segmentation des composantes des illustrations, l’agencement de l’image du texte, la « viralité » de l’image de presse ou enfin les conditions de production de l’image de presse.

Cette expérimentation met en lumière les possibilités ouvertes par la technique mais aussi l’importance des compétences scientifiques, garantes de la pertinence de l’interprétation des résultats.

Le projet SIAMESE. Les images publicitaires comme sources historiques.

Présentation par Melvin Wevers, post-doctorant, DHLAB-KNAW, Amsterdam.

Le projet de recherche SIAMESE naît de l’idée qu’à partir de l’analyse des images publicitaires, il est possible de dégager les idéaux, les modes et les aspirations d’une société à une époque donnée. Le projet a été mené en 2017 par Melvin Wevers en tant que « chercheur en résidence » au KB Lab de la Bibliothèque nationale des Pays-Bas.

Afin d’analyser les images publicitaires présentes dans la presse du XXe siècle (1,6 million de publicités environ), le recours à une analyse computationnelle était nécessaire. La Bibliothèque nationale des Pays-Bas signale dans Delpher deux typologies d’information : les métadonnées de l’illustration (journal, page, taille et date de publication) et le texte contenu dans l’illustration (extrait grâce aux techniques d’OCR). Ces informations peuvent être analysées indépendamment car elles permettent de connaître par exemple les changements en termes de taille, de positionnement dans les journaux et de proportion d’éléments textuels et d’éléments visuels.

Taille moyenne des illustrations (1948-1995)

Dans une approche de vision par ordinateur (computer vision), les métadonnées peuvent être croisées avec l’analyse automatique des images. En effet, pour ce qui concerne les images publicitaires, la fouille du texte (text-mining) ne suffit pas à identifier par exemple toutes les publicités de la marque Camel car parfois le texte « Camel » est présent dans l’annonce, parfois il ne l’est pas mais un logo se trouve à la place. La fouille d’image (image mining) peut alors compléter cette « insuffisance » des métadonnées et du text mining en apportant les informations visuelles.

Le projet SIAMESE, d’une durée de six mois, a été l’occasion d’expérimenter l’utilisation de réseaux de neurones convolutionnels (CNN) pour étudier les publicités dans deux journaux nationaux sur la période 1948-1995. La première phase du projet consistait à nettoyer les données via les métadonnées pour sélectionner les publicités contenant des éléments iconographiques. La deuxième phase consistait à utiliser des réseaux neuronaux pour identifier les éléments iconographiques dans les images. Comme les réseaux de neurones existants ne donnaient pas de bons résultats avec les images publicitaires du XXe siècle, au lieu d’utiliser la dernière couche de classification du réseau (qui détermine par exemple si un chat est un chat et avec quel niveau de probabilité il l’est), la décision a été prise de s’arrêter à l’avant-dernière couche de calcul qui identifie les caractéristiques structurelles et formelles (2048 données) d’une image, par exemple déterminer si dans l’image est présente une ligne diagonale ou des cercles ou des triangles.

Les images ont donc été classifiées selon leurs caractéristiques visuelles en utilisant la bibliothèque open source pour TensorFlow qui permet de calculer les regroupements visuels (clustering). Une recherche des plus proches voisins permet ensuite de naviguer dans cet espace de représentation. Ce processus a abouti à l’application SIAMESE qui, à partir de la sélection d’une image, fournit les images publicitaires similaires par année et la possibilité de consulter le journal dans lequel la publicité en question a été publiée.

http://lab.kb.nl/tool/siamese

L’utilisation d’un réseau de neurones dans le cadre du projet HIMANIS.

Présentation par Dominique Stutzmann, chargé de recherche, IRHT.

HIMANIS est un projet européen (2015-2018, HERITAGE PLUS Joint Call) qui repose sur le soutien et l’engagement d’institutions patrimoniales, d’institutions de recherche en humanités et de chercheurs en sciences informatiques. Ce projet pluridisciplinaire a pour objectif ultime de comprendre la réalité du gouvernement royal à partir de l’indexation du corpus des registres de la chancellerie royale (c’est-à-dire la copie par l’administration royale des actes, à valeur perpétuelle essentiellement, qui sont produits pour les gens du royaume), qui est un corpus sur lequel les érudits travaillent depuis le XVIIe siècle. Ce corpus (200 volumes, 70k pages, français, latin, allemand) est conservé aux Archives nationales et à la BnF.

Un prototype de recherche et de consultation a été réalisé. Il est basé sur un moteur de recherche avec négociation de contenu, qui permet à l’utilisateur de favoriser la précision ou le rappel d’information parmi l’ensemble des hypothèses de reconnaissance fournies par le système.

Recherche du mot-clé « nostrum » et occurrences de l’abréviation « nrm »

Pour atteindre ce résultat, la maîtrise des données était d’abord nécessaire pour pouvoir entrainer la machine et pour assurer un apprentissage qualitatif. L’entrainement est réalisé sur la base d’un corpus TEI constitué à partir des transcriptions existantes des chartes (éditions rétroconverties et éditions électroniques natives). Le modèle apprend donc sur un corpus dont la langue a été modernisée et dont les abréviations ont été mises au long.

L’entraînement est réalisé au niveau de la ligne (ce qui suppose d’entraîner un segmenteur de lignes, d’aligner les lignes avec le texte du corpus, et de corriger les erreurs résiduelles, ce qui a été réalisé à l’aide de l’outil Transkribus). La reconnaissance de l’écriture s’appuie sur un réseau de neurones récurrent (RNN) et des ressources linguistiques (N-grams, dictionnaires, lemmatisation).

L’évaluation de la qualité de la transcription et des performances en regard des usages attendus est un autre enjeu fort de ce projet.

Le travail actuel porte sur l’élaboration d’une nouvelle interface, l’identification des scribes et des entités nommées (pour donner un accès géographique ainsi que nominal permettant l’analyse de réseaux), ainsi que l’exposition des données grâce à des protocoles interopérables (en particulier IIIF). De ce fait, une intégration des résultats d’HIMANIS dans Gallica est une perspective envisageable.

Visualiseur IIIF

Ce projet met en lumière l’importance de la réutilisation de données ou métadonnées historiques qui permettent, elles, d’entrainer correctement des machines à identifier les textes, les lire et les catégoriser, et cela pour des volumes importants (70 000 pages). Il ouvre les moyens de créer de nouveaux savoirs dans un environnement ouvert.

La compétition scientifique CLAMM.

Présentation par Nicole Vincent, professeure au LIPADE, Paris Descartes.

La compétition CLAMM vise à fournir des solutions pour la classification automatique de manuscrits médiévaux latins afin de permettre l’étude de réseaux à l’époque médiévale. L’objectif de la compétition était donc de reconnaître des types d’écriture (distingués en douze classes) dans des manuscrits médiévaux et d’en établir la datation. Deux niveaux de difficulté ont également été distingués relativement à l’homogénéité des images.

La base de données sur laquelle se base la compétition a été annotée par les membres experts de l’IRHT, structurée en sous-ensembles pour permettre plusieurs tâches et divisée en deux (une partie pour l’apprentissage et une partie pour les tests). Deux corpus d’images ont été utilisés : un premier relativement homogène, constitué par des images de bonne qualité en niveaux de gris dédié à l’apprentissage et aux tests; et un deuxième corpus hétérogène en termes de formats, compressions et couleurs dédié aux seuls tests.

Deux compétitions ont eu lieu : une en 2016 et une en 2017. Lors de la première, l’objectif était de reconnaître le style de l’écriture. En 2017, deux tâches étaient en revanche visées : au style des écritures venait s’ajouter la datation. Le taux de reconnaissance globale, par classe  ainsi que la distance intra-classe moyenne étaient les critères d’évaluation.

En 2016, le meilleur système pour la reconnaissance globale (sous forme de matrice de confusion, à gauche dans la figure suivante) met en évidence la capacité de la machine à reconnaître la plupart des classes. Les résultats concernant la distance intra-classe (à droite dans la figure) permettent d’évaluer la qualité des caractéristiques extraites par les systèmes en compétition (il est possible de travailler sur deux niveaux).

La robustesse des systèmes est aussi un enjeu majeur. Le graphe suivant montre par exemple un système (bleu foncé) offrant de bonnes performances globales mais étant mis en échec sur la classe 11.

Concernant la datation, les résultats sont moins satisfaisants car l’ensemble de l’apprentissage était moins régulier en nombre d’éléments par classe.

La moitié des systèmes étaient basés sur des CNN et des architectures profondes, les autres sur des caractéristiques plus ou moins nombreuses. Les architectures profondes ont donné les meilleurs résultats.

Pour ces tâches de classification, des approches interactives sont également envisageables. Elles consistent par exemple à faire apprendre au système, par interaction avec l’expert, les poids des différentes caractéristiques, ou encore à donner un feedback utilisateur au système, ce qui permet d’améliorer ce dernier au fur et à mesure de son utilisation.

Le deep learning pour l’histoire de l’art, un projet de thèse.

Présentation par Nicolas Gonthier, doctorant, LTCI, Télécom ParisTechUniversité Paris Saclay.

Sous la direction de Yann Gousseau, Saïd Ladjal (Télécom ParisTech) et Olivier Bonfait (Université de Bourgogne), Nicolas Gonthier mène depuis cette année un projet de recherche intitulé « Transfert d’apprentissage pour l’analyse iconographique d’œuvres d’art graphiques ». Ce projet de thèse vise à permettre l’indexation iconographique automatique en faisant appel aux techniques et aux méthodes de l’apprentissage profond. Le projet part s’appuie sur le transfert d’apprentissage, c’est-à-dire de l’idée d’utiliser les descripteurs haut niveau d’un réseau de neurones généraliste préentrainé pour une autre tâche. Autrement dit, le réseau entrainé pour réaliser de la classification de photographies est utilisé pour de l’analyse iconographique d’œuvres d’art graphiques.

La démonstration en ligne sur les peintures d’ArtUk suggère qu’il est possible de classifier des peintures à l’aide de descripteurs appris sur des photographies avec deux cents exemples. Une base d’apprentissage est créée à partir d’images issues de WikiCommons et portant sur 5 classes (ange, marie, nudité, ruines, Jésus Christ) et 5475 documents. Plusieurs modèles de réseau sont testés sur cette base.

Par ailleurs, les algorithmes de détection permettent l’identification de différents éléments dans une image, ce qui est un prérequis dans le contexte de l’analyse iconographique d’œuvres. Comment faire du transfert d’apprentissage avec un réseau tel que Faster R-CNN ? Quelle proposition contient l’objet détecté ? Comment mettre en œuvre un apprentissage multi-instances pour l’indexation iconographique ? En ne gardant que la zone la plus positive pour les exemples positifs et en distinguant les choix corrects des choix partiels (phase de sélection) une amélioration de l’apprentissage peut être constatée.

Malgré les limites générales des méthodes d’apprentissage, c’est-à-dire les biais dans la base d’apprentissage et la quantité des exemples, la possibilité d’annoter automatiquement des images avec des détections multiples et donc de réaliser de la recherche « pleine image » représente une opportunité considérable pour l’histoire de l’art.

D’autres éléments peuvent concourir à la réussite de ce type de projet : les classifications iconographiques existantes comme par exemple ICONCLASS et l’ouverture des bases de données des archives photographiques documentaires en histoire de l’art telles que celles conservées par le consortium international PHAROS.

Conclusion

En 2011, des acteurs du monde des bibliothèques constataient que l’indexation de l’image passe par le texte2. Aujourd’hui l’image semble avoir encore besoin partiellement du texte pour plusieurs raisons : des annotations sont nécessaires pour entrainer les systèmes de reconnaissance automatique, des métadonnées doivent être produites pour éviter de redemander continûment à la machine des calculs complexes et enfin le croisement des techniques de fouille de texte (text mining) avec celles de fouille d’image (image mining) apporte des résultats plus intéressants pour des projets de recherche sur des ouvrages ou sur la presse. Cependant, sept ans après la publication de l’ouvrage « Images et bibliothèques », les avancées dans le champ de l’analyse automatique d’images sont significatifs grâce notamment au développement des techniques d’apprentissage profond supervisé.

Malgré la disponibilité croissante de réseaux de neurones pré-entrainés et d’algorithmes d’identification des caractéristiques symboliques, l’adaptation du processus et des technologies à l’objectif final est fondamentale pour obtenir des résultats performants. Les institutions patrimoniales comme les laboratoires de recherche, notamment en humanités numériques, auraient alors intérêt à investir dans la phase d’apprentissage, à prendre en compte la complémentarité des deux approches différentes d’analyse et à raisonner par corpus, par ensembles d’images similaires en termes d’époque, technique de production et support-image.

Outre la question de l’apprentissage et de l’anachronisme de l’utilisation d’images contemporaines pour la reconnaissance d’images anciennes, un autre aspect ne devrait pas être négligé : l’espace de stockage. Dans le cadre du projet HIMANIS par exemple pour 4 To d’images, 10 To de métadonnées ont été produites. À une image, 30 à 40 métadonnées descriptives peuvent être facilement associées mais elles risquent d’avoir une durée de vie limitée à cause de la rapidité des progrès technologiques.

Traditionnellement l’image entretient une relation complexe avec la normalisation, notamment pour ce qui concerne les métadonnées associées. Si une normalisation technique dans le champ de l’indexation automatique pourrait être difficile à mettre en œuvre en raison de la rapidité de l’évolution technologique, une normalisation des métadonnées et des ontologies pourrait être en revanche imaginée. Dans les faits, l’utilisation de bibliothèques de réseaux neuronaux open source limite aussi au niveau technique la dispersion et la multiplication des méthodes.

Même si les approches, les techniques, les capacités de calcul et de stockage évoluent, la modélisation et la qualité des données qui servent à l’apprentissage constituent les fondations d’un système stable. Comme la donnée est le pilier de tout système, une attention méticuleuse devrait lui être portée pour éviter des distorsions à long terme.

Comme le résume André Gunthert, ce panorama des approches et des applications des méthodes d’analyse automatique d’images démontre la nécessité et la fécondité de la collaboration étroite entre les humanistes et les ingénieurs pour répondre de manière qualitative à la multiplication des questions scientifiques que la mise à disposition de corpus massifs et de nouveaux outils de recherche d’images provoque.

Eleonora Moiraghi et Jean-Philippe Moreux

Citer cet article : Eleonora Moiraghi, "Explorer des corpus d’images. L’IA au service du patrimoine". Dans Carnet de la recherche à la Bibliothèque nationale de France, ISSN 2493-4437, 16 avril 2018. Disponible en ligne, url : <https://bnf.hypotheses.org/2809> (consulté le 18 octobre 2018).
  1. Bibliothèque nationale de France, Contrat d’objectifs et de performance 2017-2021, p. 23 http://www.bnf.fr/documents/contrat_performance.pdf []
  2. Sous la direction de Claude Collard et Michel Melot, Images et bibliothèques, Paris : Éd. du Cercle de la librairie, 2011. []

Géolocalisation et spatialisation de documents patrimoniaux : trois heures de partage autour de la cartographie numérique

Dans le cadre du projet CORPUS, inscrit au plan quadriennal de la recherche 2016-2019 de la Bibliothèque nationale de France, et suite à l’atelier « Décrire, transcrire et diffuser un corpus documentaire hétérogène : méthodes, formats, outils », un deuxième atelier a eu lieu le 30 novembre après-midi sur le site Richelieu. Conçu dans une même logique de partage d’expertise, de dialogue entre les institutions patrimoniales et le monde de la recherche, il avait pour objectif de conduire une réflexion autour de la géolocalisation et de la spatialisation de documents patrimoniaux.

L’après-midi s’est articulé autour de huit présentations de projets pour lesquels les enjeux de la cartographie numérique sont plus au moins centraux.

Gallicarte, géolocalisation des données de Gallica.

Présentation par Matthieu Gioux, chef de produit Gallica, BnF.

Gallicarte

Lauréat du premier Hackathon BnF (2016), ensuite intégré dans Gallica Studio, Gallicarte est un projet qui vise à géolocaliser et à afficher sur un fond de carte les résultats d’une recherche effectuée dans Gallica, la bibliothèque numérique de la BnF.

Pour faire du projet issu du Hackathon un outil fiable pour les utilisateurs de Gallica, les équipes de la BnF se sont confrontées à une grande diversité de données en termes de provenance (elles sont issues de plusieurs institutions), en termes de type de collection (des manuscrits jusqu’aux jeux vidéo), en termes de normes de catalogage (elles diffèrent en fonction du type de document) et en termes de métadonnées.

La première phase de concrétisation de l’outil a donc consisté à identifier les collections plus simples à géolocaliser (un seul point par document) : le corpus des cartes et celui d’1,2 millions d’images présentes dans Gallica.

Pour ce qui concerne les cartes, la deuxième phase a consisté à positionner sur un fond de carte la géolocalisation préalablement existante ou bien, le cas échéant, à utiliser data.bnf.fr pour alimenter la base de Gallicarte. Pour ce qui concerne les images, la deuxième phase a vu Exalead – moteur de recherche de Gallica – détecter les occurrences de lieux dans les notices et dans les légendes des images. La troisième phase, portant sur le géocodage des données, a consisté à envoyer les entités détectées par Exalead au moteur Nominatim d’Openstreetmap capable d’attribuer des coordonnées géographiques.

En raison d’un taux d’erreur trop élevé, dû paradoxalement à l’excès de richesse des données décrites par les bibliothécaires, une deuxième approche consistera à refaire les mêmes opérations mais en s’appuyant cette-fois-ci sur les données du catalogue de la BnF.

À terme, la perspective de la Bibliothèque est de rendre disponible un lien SRU contenant un flux de données issues d’une recherche dans Gallica et le convertir dans le format GeoJSON, nécessaire pour la visualisation des résultats de la recherche sur une carte et compatible avec quasiment tous les outils de cartographie.

Des questions comme par exemple la dimension historique et évolutive des lieux ou la possibilité de réinjecter ce travail de géolocalisation dans le catalogue de la Bibliothèque restent ouvertes pour un horizon plus lointain. L’avancement du projet est documenté au fur et à mesure dans Gallica Studio.

Venice Time Machine

Présentation par Isabella di Leonardo, collaboratrice scientifique, Laboratoire d’humanités digitales, EPFL.

Text recognition in ancient hand-written documents
© DHLAB / EPFL

Venice Time Machine est un projet qui vise à numériser 80 km d’archives administratives de la ville de Venise couvrant une période de 1000 ans ainsi que plusieurs corpus de documents iconographiques liés à la ville de Venise et des millions de pages de sources secondaires, correspondant à la bibliographie qui a été produite au fil du temps sur la ville de Venise.

Un des enjeux du projet est de constituer une cartographie du passé en alignant les cartes historiques sur les cartes de la ville actuelle. À cet effet, il a été fait le choix de s’appuyer sur des logiciels de gestion d’information géographique open source tels que QJIS pour développer un logiciel ad hoc capable de répondre aux besoins de la cartographie historique : interprétation, précision, fiabilité et traçabilité de la donnée. L’interface développée permet de gérer les trois dimensions fondamentales de la description géographique – le point, la ligne et la surface – auxquelles s’ajoutent les dimensions du temps et du débat grâce au développement d’une plateforme en ligne.

Un autre enjeu du projet est de construire un modèle 3D de la ville de Venise. Des relevés photogrammétriques, croisés avec d’autres sources, ont permis de créer un modèle 3D en nuage de points où à chaque point sont accrochées des informations historiques. Cela permet de reconstruire une vision 3D de la ville de Venise et de ses transformations au cours des siècles sans négliger l’importance de la légitimité de la production des données.

Le code des outils développés, celui de l’Atlas en l’occurrence, est disponible sur Github.

ImaGÉO, archiver le patrimoine scientifique des géographes, vers de nouveaux objets de la recherche.

Présentation par Xavier Amelot, géographe, UMR 5319 Passages, Université Bordeaux-Montaigne.

Géolocalisation des cartes intégrées dans GéoLyon

ImaGEO est un consortium labellisé par la TGIR1 Huma-Num du CNRS qui rassemble les UMR2 Passages, Prodig, Migrinter. Il s’intéresse à l’archivage du patrimoine scientifique des géographes. Les équipes de recherche qui font partie de ce consortium disposent de fonds patrimoniaux importants en matière cartographique et photographique. L’idée qui sous-tend ce consortium est donc de s’appuyer sur les travaux de recherche d’historiens de la géographie et de numériser ces contenus patrimoniaux avec l’objectif à la fois de les conserver, de les archiver et de les valoriser en tant qu’objet de recherche. Le projet du consortium implique de géolocaliser les données, de les géoréférencer mais aussi d’avoir une approche réflexive sur ces fonds, sur la façon dont ils ont été constitués. Les données du projet ont vocation à être les plus ouvertes possibles. Les photographies sont actuellement disponibles sur la plateforme MediHal, qui permet de mettre en regard des corpus anciens avec des corpus plus récents et d’autres sources documentaires.

Data.bnf.fr 2018, cap sur les données géographiques.

Présentation par Raphaelle Lapôtre, cheffe de produit data.bnf.fr, BnF.

Dans data.bnf.fr la Bibliothèque nationale de France expose des données géographiques sous la forme de plusieurs syntaxes de RDF, le modèle descriptif du web sémantique.

La particularité des données géographiques présentes dans le catalogue de la Bibliothèque réside dans l’existence de deux types d’entité « lieu » : les données géographiques des cartes et plans (géolocalisées et issues du catalogage) et les données géographiques décrivant des lieux dans Rameau (non géolocalisées). Il s’agit donc de deux approches différentes pour traiter un lieu, au sein de la même institution, qui correspondent à deux objectifs différents : indexation d’un objet d’un côté, mention d’un lieu lié à un objet de l’autre.

Dans data.bnf.fr il a été fait le choix de réconcilier les deux approches en alignant, en déclarant des équivalences entre les lieux décrits dans les collections des cartes et plans et les mêmes lieux dans le thésaurus Rameau, afin de récupérer les coordonnées géographiques.

Si à l’heure actuelle existent deux pages d’entité « lieu » dans data.bnf.fr, à terme l’objectif est de fusionner ces deux pages en une seule qui contiendrait les informations issues du catalogage des cartes et plans ainsi que les informations issues de Rameau pour en faciliter la réutilisation.

Villa de Diomède, Pompéi : du corpus d’archives aux restitutions 3D

Présentation par Hélène Dessales, maître de conférence en archéologie, AOROC-UMR 8546, ENS-PSL.

Pompéi, Villa de Diomède. Exemple de modélisation 3D.
À gauche, modèle photogrammétrique ; au centre, modèle sans plaquage des photographies sur la géométrie reconstruite ; à droite, projection d’un plan aquarellé des années 1810 (F. Mazois, BNF, GD-12 (E)-FT 4).
Yves Ubelmann (Iconem).

Le projet Villa de Diomède porte sur un seul monument : la Villa à Pompéi appelée communément « villa de Diomède ».

Grand monument de 3 800 m2, très célèbre et représenté au fil des années, il fait l’objet de plusieurs documents et corpus d’archives conservées notamment à l’Archivio di Stato et à l’Archivio storico du musée archéologique de Naples. Le projet porté par l’UMR 8546 a donc consisté d’abord à rassembler les documents dispersés dans plusieurs collections principalement européennes. 120 documents graphiques et photographiques ont été réunis dans une base de données hébergée par Huma-Num pour les superposer à des plans existants du bâtiment. La photogrammétrie a été adoptée pour construire à partir de 25 000 photographies et grâce à un logiciel spécifiquement développé un modèle 3D géoréférencé du bâtiment avec une précision de 4/5 cm.

Les documents graphiques et photographiques récoltés dans la base de données ainsi que les documents d’archives ont été alors injectés manuellement dans le modèle 3D.

Outre la restitution des décors du monument au moment de l’éruption du Vésuve en 79, le fait de superposer les documents offre la possibilité de faire une archéologie du relevé, une archéologie du geste et d’identifier les points de vue des différents dessinateurs. Une quatrième dimension est également prise en compte dans le projet : celle du temps, qui retrace l’évolution du bâtiment de l’époque romaine jusqu’à nos jours.

Digital research support at Ghent University

Présentation par Hans Blomme, chargé d’études spécialisé en cartographie historique et traitement de données historiques, Centre pour les humanités numériques, Université de Gand.

Avec une forte expertise en matière de géolocalisation, le Centre pour les humanités numériques de l’Université de Gand a pour objectif de mener ses propres recherches dans le champ des humanités numériques, mais plus encore d’apporter un support technique et méthodologique aux projets menés par d’autres équipes de recherche dans différentes disciplines au sein de l’Université de Gand.

Un des axes de recherche et d’activités du centre est la cartographie numérique.

Dans ce domaine, le centre a développé deux plateformes pour que les utilisateurs puissent traiter, gérer, visualiser et explorer des données géographiques : Nodegoat, qui repose sur une base de données relationnelle, et Arches, qui s’appuie pour sa part sur une base de données de type graphe.

C’est en raison de ces compétences dans le domaine de la cartographie numérique que certains membres du centre coordonnent le groupe de travail « GeoHumanities » de DARIAH-EU dont l’un des objectifs principaux est de fournir à terme un référentiel géographique exprimé en linked open data.

CartoMundi, valorisation en ligne du patrimoine cartographique

Présentation par Olivier Loiseaux, chef de service acquisitions et collections géographiques, BnF.

Cartomundi n’est plus un projet mais un outil disponible en ligne.

Depuis une dizaine d’années, cette initiative est née à l’Université de Provence (aujourd’hui Aix-Marseille Université) et plus particulièrement à la Maison méditerranéenne des sciences de l’homme (MMSH). Il s’agit d’un site internet conçu pour valoriser le patrimoine cartographique en ligne et plus spécifiquement la cartographie organisée en séries, c’est-à-dire les cartes découpées en feuilles.

Avant la numérisation, des tableaux d’assemblage montraient le découpage des séries mais ces tableaux ont été perdus lors la numérisation. Cartomundi permet de reconstituer virtuellement ces anciens tableaux d’assemblage, de positionner les feuilles sur une interface cartographique interrogeable et de constituer un catalogue collectif à partir des métadonnées qui décrivent les documents dans toute institution qui souhaite valoriser son patrimoine cartographique.

Le site internet a été mis en ligne en 2011 à l’occasion de la Conférence Internationale de Cartographie à Paris, il est en production depuis 2013 et il épaule les catalogues des institutions en montrant les références bibliographiques et l’image, si disponible et libre de droits. Les notices du catalogue général de la BnF décrivant des cartes en série proposent ainsi un lien vers Cartomundi.

Girardin numérisé, ou la naissance des industries médiatiques

Présentation par Adeline Wrona et Pierre-Carl Langlais, professeure des universités et post-doctorant, GRIPIC, CELSA Paris-Sorbonne.

GIRANIUM est un projet de recherche d’un an qui vise à mieux comprendre l’apparition des premières industries culturelles et médiatiques en France à travers le prisme d’une personnalité emblématique du journalisme français du XIXème siècle : Émile de Girardin.

Le projet accorde une place importante à la ville de Paris, capitale médiatique et culturelle de l’époque.

Un des enjeux du projet consiste à visualiser comment les centres de gravité de lieux de production médiatique se déplacent dans la géographie parisienne au cours de la vie de Girardin. A cet effet, les titres de presse gérés par Girardin ont été géolocalisés dans le temps selon une approche spatiotemporelle.

Un colloque intitulé « Paris capital(e) médiatique, XIXème – XXIème siècle » est prévu pour le 28 et le 29 juin 2018 à la Sorbonne.

Conclusion

En conclusion, l’atelier « Géolocalisation et spatialisation de documents patrimoniaux » a mis en avant les enjeux de la cartographie, dans sa dimension historique tout particulièrement.

La cartographie numérique permet de représenter non seulement l’espace mais également d’autres dimensions : la dimension du temps, de l’histoire, de l’interprétation.

Concernant la toponymie ancienne, la Bibliothèque s’efforce de fournir plusieurs formes de nom pour un même lieu dans data.bnf.fr ; elle renseigne dans les notices d’autorités géographiques les formes anciennes des noms de lieu ainsi que la notion de forme officielle, celle d’exonyme français ou étranger, et les équivalences en différentes langues et alphabets. Les entités historiques se réfèrent à des autorités différentes mais elles sont reliées par des systèmes de « voir avant – voir après ».

La définition des périmètres, des frontières, d’un espace qui n’est jamais figé mais reste constamment dépendant du temps, demeure problématique : c’est vers une cartographie géotemporalisée que la recherche s’efforce de tendre.

À l’interprétation historique s’ajoutent les enjeux liées à l’interprétation littéraire, à travers une périphrase indiquant un lieu dans un corpus par exemple, et à la géographie imaginaire ; ce sont deux aspects qui semblent demander encore l’expertise de l’œil humain et nécessitent des protocoles de description partagés.

L’établissement de normes semble aussi de plus en plus urgent pour l’archivage de modèles 3D, destinés à se généraliser dans la perspective de cette approche spatiotemporelle.

Une dernière dimension, la dimension visuelle et sensorielle, joue en effet un rôle essentiel dans ce panorama. Mise en avant par Hans Blomme, la notion de deep mapping, pour ses éléments constitutifs – visualisation, narration, stratification, dynamisme, émotion, sens – ouvre des perspectives aussi bien pour la recherche que pour le monde des bibliothèques.

Citer cet article : Eleonora Moiraghi, "Géolocalisation et spatialisation de documents patrimoniaux : trois heures de partage autour de la cartographie numérique". Dans Carnet de la recherche à la Bibliothèque nationale de France, ISSN 2493-4437, 20 décembre 2017. Disponible en ligne, url : <https://bnf.hypotheses.org/2299> (consulté le 18 octobre 2018).
  1. Très Grande Infrastructure de Recherche []
  2. Unité Mixte de Recherche []