Programme INRIA "Equipes Associées"

• 3.1. sur la collaboration déjà existante avec votre partenaire
Tout d'abord, l'officialisation de la collaboration déjà commencée permettra d'échanger des ressources linguistiques, et notamment permettra à l'équipe INRIA d'avoir accès à la banque de données considérable de textes sanscrits collationnés à Tirupati. Ensuite, la diffusion de la plate-forme de sanskrit développée par G. Huet à l'INRIA permettra d'initier son transfert aux équipes indiennes, qui ont vocation à pérenniser cette ressource de l'héritage culturel indien - après tout, nous n'avons pas sous-traité le Trésor de la Langue Française à d'autres pays. On peut espérer que la coopération élargie aux quelques autres équipes du domaine aura un effet de levier important, afin que l'Institut puisse valoriser à sa juste valeur cet effort de recherche et développement. Ce logiciel est la vitrine technologique de la boîte à outils Zen, qui bénéficiera de la réussite d'un succès tangible dans un domaine linguistique très prestigieux.
• 3.2. sur la collaboration avec d'autres projets INRIA
On peut espérer que les projets de l'Institut de traitement de la langue naturelle (Calligrammes et Langue et Dialogue à Nancy, Signes à Bordeaux, Atoll à Rocquencourt) pourrront profiter de l'existence de cette équipe associée pour nouer des coopérations avec leurs collègues indiens, notamment Rajiv Sangal.
• 3.3. sur la collaboration avec d'autres équipes de l'organisme étranger partenaire.
  
Comme indiqué plus haut, l'équipe indienne démarre dans un nouveau département qui vient d'être créé. Les coopérations entre l'INRIA et les scientifiques d'Hyderabad concerneront davantage le département de Computer Science, voire le département de Mathématiques, et également l'IIIT qui est une institution sœur.

4. Contexte de la collaboration :

Le sanskrit est la langue ancienne de l'Inde servant de véhicule culturel traditionnel - philosophie, droit, théologie, épopée, mythologie, art, littérature, théâtre, poésie, astronomie, mathématiques, linguistique, médecine - dans tous ces domaines il existe un corpus considérable de connaissances qui a été transmis jusqu'à nous en sanskrit. Une partie de ce corpus a été informatisée, mais à très bas niveau - les phrases sont une suite non segmentée de phonèmes, ou au mieux une liste de mots extraits par analyse manuelle.

Les outils de traitement automatique de la langue (computational linguistics) peuvent être utilisés pour faire une analyse plus profonde de ces textes, permettant notamment de faire des analyses philologiques mécanisées. Elles permettront l'établissement d'éditions critiques modernes des différents textes, de préparer des traductions dans les langues contemporaines fondées sur des méthodes scientifiques, de présenter les œuvres majeures sous la forme de banques structurées d'analyses étiquetées en hypertexte marqué par des annotations morphologiques, syntaxiques et sémantiques. On peut ainsi espérer mettre au point pour le sanskrit l'équivalent du Trésor de la Langue Française, ou du site Perseus pour les textes grecs et latins.

Il y a en fait une situation paradoxale. D'une part, le sanskrit est une langue savante extrêmement codifiée, et munie d'une tradition d'analyse linguistique depuis la plus haute antiquité - Panini en fixa une grammaire formelle dès le 5ème siècle avant J.C. D'autre part, jusqu'à récemment il n'existait aucun outil informatique permettant le minimum d'analyse statistique ou philologique, chercher les différentes occurrences d'un même mot, par exemple. Cette contradiction apparente s'explique par le fait que la tradition sanskrite est essentiellement orale, et le texte écrit n'est que la transcription phonétique d'une énonciation continue dont les règles d'euphonie, et plus généralement les opérations morpho-phonologiques, obéissent à des règles contextuelles complexes. Il y a donc un ticket d'entrée très élevé à payer pour commencer le moindre traitement informatique de cette langue.

De fait, à part quelques efforts dispersés, il n'existe aujourd'hui que trois équipes qui ont développé les outils de base et les ressources linguistiques permettant d'aborder l'analyse automatique d'un texte sanscrit. La première provient du groupe de traitement de la langue démarré il y a une vingtaine d'années à l'IIT de Kanpur par Rajiv Sangal, puis transféré à l'IIIT d'Hyderabad dont le Pr Sangal est devenu directeur à sa création. Dans ce groupe, qui s'est surtout intéressé à l'inter-traduction entre le hindi et l'anglais, une sous-équipe formée par Amba Kulkarni et Vineet Chatanya s'est attaquée à l'informatisation du sanskrit, en collaboration avec les grammairiens traditionnels du Rashtriya Sanskrit Vidyapeetha de Tirupati, dirigé par le Pr K.V. Ramkrishnamacharyulu, et qui possède un corpus considérable de textes. Ils sont arrivés cette année à mettre au point un analyseur morphologique à grande couverture, et à l'évaluer sur un corpus conséquent. Cet effort va se développer au sein d'un département de sanskrit nouvellement créé à l'Université d'Hyderabad, et dont Amba Kulkarni vient de prendre la tête.

A Rocquencourt, et en liaison avec le projet Signes de l'UR Futurs, Gérard Huet a développé des outils de traitement linguistique, et notamment une boîte à outils Zen donnant une bibliothèque de traitement d'automates et de transducteurs d'état fini, appropriée à la représentation des lexiques, et aux traitement morpho-phonétiques. Il a appliqué cette technologie au traitement du sanskrit, langue pour laquelle il a fait l'investissement du développement de ressources lexicales et grammaticales. Il a aujourd'hui une chaîne de traitement permettant la segmentation d'un texte sanskrit, son étiquetage morphologique, et une analyse de dépendances menant à sa structuration semi-automatique sous forme d'un texte annoté sémantiquement. Voir le site de démonstration. Il n'y a pas à ce jour d'outil équivalent où que ce soit. La boîte à outils, générique, a été utilisée notamment par les chercheurs du projet Calligrammes de Nancy, pour réaliser un lexique des formes conjuguées des verbes français, conformément au Bescherelle (voir le site LiToTe). Elle continue d'être développée comme plate-forme d'expérimentation pour les relations rationnelles par Benoît Razet dans le cadre de sa thèse.

La troisième équipe ayant réalisé des travaux conséquents sur l'informatisation du sanskrit résulte de la collaboration du Pr Peter Scharf, du département d'Etudes Classiques de l'Université Brown, spécialiste de la grammaire sanskrite, avec Malcolm Hyman, informaticien associé avec l'Université Harvard puis maintenant avec le Max Planck Institute de Berlin. Peter Scharf a décroché un contrat de trois ans de la NSF qui lui permet d'augmenter cette équipe avec de nouveaux collaborateurs. Il a développé des outils d'analyse semi-automatique, lui permettant notamment de publier une édition critique complètement informatisée du Ramopakhyana (le chapitre du Mahabharata qui résume le Ramayana).

A part ces trois équipes, auxquelles il faudrait sans doute ajouter celle de Girish Nath Jha à la J. Nerhu University de Delhi, il n'y a que quelques efforts individuels. Le Pr Brendan Gillon au département de linguistique de l'Université McGill à Montréal a écrit plusieurs articles sur la syntaxe du sanskrit, et Gérard Huet collabore avec lui à la mise au point d'un tree bank issu du manuel de syntaxe d'Apte. Shivamurthy Swamiji, pontife de l'ordre des lingayats à Sirigere au Karnataka, prépare une version informatisée de la grammaire de Panini. Jan Houben, directeur d'études à l'Ecole Pratique des Hautes Etudes à Paris, spécialiste de Panini, y dirige l'équipe de Sources et Histoire de la Tradition Sanskrite, et cherche à monter un projet d'informatisation d'une grammaire complète du sanskrit selon la tradition paninéenne. En Inde, le principal centre d'études du sanskrit est à Pune, où le Pr V. N. Jha, philosophe de la connaissance mondialement réputé, dirige le Centre of Advanced Study of Sanskrit à l'Université de Pune, Raymond Doctor développe des logiciels de traitement de l'avestique, et le Deccan College développe depuis 40 ans un projet de dictionnaire historique du sanskrit. A Melkote, l'Academy of Sanskrit Research à Melkote (Karnataka), dirigée par le Pr Lakshmitatachar, travaille à des outils informatiques de traitement du sanskrit dans une certaine isolation. Mentionnons enfin, en France, la collaboration du projet AXIS de Rocquencourt avec l'équipe de M. Gerschheimer, directeur d'études à l'Ecole Pratique des Hautes Etudes sur une action CNRS sur la grammaire et les mathématiques dans le monde indien, en liaison avec l'Institut français de Pondichéry. Toujours à Pondichéry, le Pr François Grimal coordonne l'informatisation des exemples tirés de commentaires de Panini.

Si comme nous l'espérons l'équipe associée est l'embryon d'un réseau thématique international sur le sujet, il y aura donc de nombreuses retombées au niveau national, dans un domaine très interdisciplinaire.