Architectures articulant des représentations hétérogènes L’exemple de Gate (Mini tutoriel, journée Atala du 12 février 2005) Thierry Poibeau LIPN (CNRS et U. Paris 13)

De quoi parle-t-on ? Architecture permettant de recevoir des outils linguistiques de natures diverses Diversité des langages informatiques employés Diversité des langues traitées (multilinguisme) Diversité des types d’annotation Diversité des formats de données etc.

Pourquoi de telles architectures ? Faciliter la conception d’applications Chaînage d’outils linguistiques Réutilisation de modules existants Gestion aisée des données (corpus et annotations) Nouveaux besoins liés au web Informatique répartie Multilinguisme

Quelques plates-formes, classées par type d’annotation Ajout d’annotations au corpus LT-NSL/LT-XML toolkit, Edimburgh Stockage des annotations à part TIPSTER (dont Gate, Ellogon, Alembic…) Représentation uniforme (théorie ling.) Xtag U. Penn ; ENJU, U. Tokyo ; Alep … Aucun mode de gestion pré-définie ICE Intarc, VerbMobil ; TalLab, I-CDC

L’exemple de Gate Développé à Sheffield depuis 1996 Gratuit et open source Largement distribué (projets européens… ) « …des milliers d’utilisateurs sur des centaines de sites… » Initialement développé dans le cadre Tipster Gate 2 (depuis 2002) Entièrement en java (multi plate-forme) Unicode (multilinguisme)

Principaux composants Une infrastructure (architecture) Un ensemble de modules Un ensemble de données (textes, ressources, annotations) Une interface graphique permettant de manipuler les données Les traitements (chaînage de composant)

Outils intégrés Un système d’extraction d’information pour l’anglais (Segmentation, analyse morpho- syntaxique, entités nommées…) Un système de gestion de regex (Jape, module d’ expressions régulières en java) Interface d’annotation manuelle Outils d’évaluation (comparaison de l’annotation d’un module/référence)

Gestion des annotations Format Tipster Informations sous forme attribut-valeur Stockage en dehors du document Référence au document par des indices de position Format Gate 2 Possibilités de « sorties » au format XML Nouveau types de données supportées (dictionnaires, ontologies, etc) Données demandant des liens entre éléments, plus complexe que le format attribut-valeur

Développement d’applications Principales utilisations Extraction d’information, résumé automatique Annotation sémantique (AKT) Construire une application Choisir des composants Les intégrer à Gate (créolisation) Chaîner les traitements

L’expérience du projet Ecran Projet européen ( ) But Développer des systèmes d’extraction d’information en anglais, français, grec Moyens Plate-forme commune : Gate v1 Composants développés avec différents langages Français : extraction + indexation sémantique

Chaîne logicielle Modules intégrés Modules développés hors-projet (Multext) Modules propres (U. Fribourg, Thomson- CSF)

Visualiseur d’annotations Visualiseur de Gate 1 (format propre)

Résultat de l’extraction Formulaire d’extraction (développé en dehors de Gate, à partir des résultats de l’analyse)

Bilan du projet Ecran Des points intéressants Réutilisabilité des modules Visualiseurs intégrés Architecture modulable (chaînage) Des points problématiques Insertion de composants délicate (créolisation) Format d’annotation propriétaire (pas XML) Relativement « lourd » et lent

Quelques éléments sur Gate 2 Environnement de création d’application Cf. environnements de développement d’applications informatiques Enchaînement en pipe-line ou en parallèle Gestion intégrée des ressources Intégration d’outils de développement de base Jape : bibliothèque d’automates à états finis Annotation auto./manuelle de textes Plusieurs types de visualiseurs

Construire une application (Gate 2)

Annotation sémantique (Gate2)

Bilan sur Gate 2 Un environnement séduisant Nombreux modules disponibles Facilité de manipulation et de construction d’application Évaluation Quelques limites « Créolisation » de composants extérieurs Efficacité de java ?

Conclusion Des environnements nécessaires Réutilisation et intégration d’applications Modularité, évolutivité Échanges de données et de traitements Un investissement rentable pour le TAL