Teaching AI to Speak our Language: A Showcase of Global Efforts to Bridge the ‘Last Mile’ of AI Inclusion for Local Impact

James D'Ercole souligne que la communication constitue un défi persistant dans les opérations de maintien de la paix de l'ONU depuis plus de 20 ans, les rapports de terrain l'identifiant systématiquement comme un problème. Avec environ 50 000 personnels en uniforme provenant d'environ 120 pays fournisseurs de troupes et de police déployés dans 11 missions, l'ampleur du fossé communicationnel est considérable. La diversité des pays d'origine des Casques bleus fait également de la communication entre eux un défi majeur, aggravé par le fait que beaucoup d'entre eux sont issus de milieux linguistiques à faibles ressources.

D'Ercole a noté qu'il y a environ 50 000 personnels en uniforme ou plus dans 11 missions, représentant approximativement 120 pays fournisseurs de troupes et de police . Il a déclaré que depuis plus de 20 ans dans le maintien de la paix, la communication a toujours été un problème, d'innombrables rapports de terrain émanant de gouvernements, de conseillers militaires et policiers et d'organes des droits de l'homme l'identifiant systématiquement . Il a également souligné que les Casques bleus eux-mêmes sont issus de milieux linguistiques à faibles ressources, ce qui fait de la communication entre eux un défi majeur .

Le projet vise à développer un outil de traduction en temps réel pour combler le fossé de communication entre les Casques bleus et les communautés locales à Juba, au Soudan du Sud. Une exigence de conception essentielle est que l'outil doit fonctionner entièrement hors ligne, car les environnements dans lesquels opèrent les Casques bleus disposent de peu ou pas de connectivité. Un dispositif de périphérie fonctionnant comme un mini-serveur avec une batterie portable est utilisé pour permettre cette fonctionnalité hors ligne.

D'Ercole a expliqué que la solution se concentre sur la traduction en temps réel comme outil pour contribuer à combler le fossé de communication , et que le dispositif doit fonctionner entièrement hors ligne dans des environnements austères sans signal . Il a décrit un dispositif de périphérie mis à disposition qui fonctionne comme un mini-serveur, capable d'opérer à distance sans aucune connectivité tant qu'il dispose d'une batterie .

D'Ercole souligne que l'outil de traduction par IA est conçu pour assister les interprètes humains et les assistants linguistiques plutôt que de les remplacer, une personne étant toujours présente pour valider les résultats. Le principe de l'humain dans la boucle est au cœur de l'approche de sécurité de l'IA du projet, garantissant que le jugement humain n'est jamais écarté du processus. Plutôt que de supprimer des emplois, l'outil vise à amplifier la portée et l'influence des assistants linguistiques.

D'Ercole a déclaré que l'humain est toujours dans la boucle, que l'IA assiste le processus, qu'une personne validera toujours les résultats et que l'outil ne remplace jamais le jugement humain ni ne supprime des emplois, mais amplifie et valorise au contraire les assistants linguistiques . Il a décrit la preuve de concept comme un mode fantôme dans lequel l'outil écoute un interprète, qui valide ensuite les résultats pour contribuer à établir des garde-fous .

Le projet utilise un dispositif de périphérie physique mis à disposition qui fait office de mini-serveur portable, permettant des capacités de traduction hors ligne dans des environnements de terrain éloignés. La preuve de concept consiste à déployer ce dispositif en mode fantôme, où il observe et écoute des interprètes humains travaillant dans des situations réelles. L'interprète examine ensuite les résultats du dispositif, fournissant un retour oui/non pour contribuer à établir des garde-fous et améliorer le modèle de manière itérative.

D'Ercole a décrit un exemple de dispositif de périphérie mis à disposition qui fonctionne comme un mini-serveur, utilisable à distance sans connectivité tant qu'il dispose d'une batterie . Il a présenté le plan de preuve de concept visant à le déployer en mode fantôme, où il écoute un interprète qui valide ensuite les résultats pour établir des garde-fous grâce à un cycle d'amélioration .

D'Ercole soutient que le projet construit un corpus culturel plutôt qu'un simple ensemble de données linguistiques, reconnaissant que la langue ne peut être dissociée de son contexte culturel. L'outil doit intégrer les significations locales, les registres et les contextes propres à l'arabe de Juba afin d'éviter de produire des résultats culturellement inappropriés ou trompeurs. Les collègues nationaux au sein de la mission sont mobilisés pour valider les données existantes et en collecter de nouvelles afin de renforcer le corpus et de l'ancrer davantage dans la réalité culturelle.

D'Ercole a indiqué que le projet construit un corpus culturel, et pas seulement un ensemble de données linguistiques, et que les collègues nationaux en mission sont sollicités pour valider les données et en collecter davantage afin d'enrichir la dimension culturelle . Il a précisé qu'un expert a été engagé pour intégrer la culture dans les modèles de langage IA, dans le but de rendre le modèle moins centré sur l'Occident et plus adapté à Juba .

D'Ercole soutient que la numérisation de langues telles que l'arabe de Juba présente un avantage en matière de préservation qui va au-delà des besoins immédiats de communication, car préserver la langue, c'est aussi préserver la culture qu'elle véhicule. Une fois une langue numérisée et ses données rendues en open source, elle pourrait à terme attirer des partenaires commerciaux susceptibles de développer de nouveaux outils, permettant potentiellement aux locuteurs d'accéder à Internet dans leur propre langue. Cette dimension de préservation culturelle est décrite par D'Ercole comme l'un des aspects les plus importants du projet à titre personnel.

D'Ercole a déclaré qu'en numérisant les langues, le projet préserve la langue et, ce faisant, préserve la culture, ce qu'il a qualifié de vraiment important . Il a ajouté qu'une fois numérisée et disponible en open source, des partenaires commerciaux pourraient un jour s'emparer de la langue, permettant potentiellement aux communautés de naviguer sur le web dans cette langue .

D'Ercole soutient que la sécurité de l'IA ne peut être une réflexion après coup, mais doit être intégrée dès la conception même du projet. L'appropriation communautaire est au cœur de cette approche : les garde-fous et les limites d'utilisation acceptable sont définis conjointement avec la communauté, plutôt qu'imposés de l'extérieur. Le projet cherche également à assurer un alignement culturel et éthique avec la communauté, notamment par le biais d'un engagement avec les universités nationales et le gouvernement.

D'Ercole a indiqué que le projet souhaite intégrer la sécurité de l'IA dès la conception, en l'incorporant dès le départ et en amplifiant sa portée . Il a décrit l'objectif de définir mutuellement des garde-fous avec la communauté, de renforcer l'appropriation locale, et de collaborer avec le gouvernement par l'intermédiaire des universités nationales pour garantir un alignement culturel et éthique .

D'Ercole souligne que le travail avec des données vocales introduit des défis spécifiques et complexes en matière de protection des données, notamment en ce qui concerne la protection de l'identité des locuteurs tout en préservant l'utilité des données. Le projet est guidé par le Bureau de la protection des données et de la vie privée des Nations Unies, un nouveau bureau dont la collaboration s'est révélée à la fois utile et difficile en raison de sa propre phase de démarrage. L'approche « ne pas nuire » et les principes d'appropriation communautaire sont appliqués tout au long du projet pour gérer ces risques.

D'Ercole a noté que les données vocales sont particulièrement délicates à traiter et que le projet vise à produire des textes publics sécurisés et des données vocales protégées sans exposer les voix individuelles . Il a précisé que tout cela est réalisé sous la guidance du Bureau de la protection des données et de la vie privée, un nouveau bureau des Nations Unies qui s'est montré remarquable, mais dont la nouveauté a également rendu la collaboration difficile .

D'Ercole décrit une approche de partenariat à plusieurs niveaux pour le projet de Juba, impliquant des institutions locales, des universités internationales, des organisations de la société civile et des ONG. Une coopérative linguistique proposée permettrait aux communautés contribuant aux données linguistiques de bénéficier à terme de ces données, notamment si elles sont rendues disponibles en open source avec un accès payant pour les entités commerciales. Les collègues nationaux ont été particulièrement engagés, les assistants linguistiques contribuant bénévolement de leur propre temps parce qu'ils croient au projet.

D'Ercole a décrit l'exploration de partenariats avec des institutions locales, des universités internationales, des OSC et des ONG, ainsi que l'idée de former une coopérative linguistique afin que les communautés contributrices puissent bénéficier des données en open source . Il a noté que les assistants linguistiques ont contribué sur leur propre temps lors de la phase de bénévolat en ligne parce qu'ils croyaient en la numérisation de l'arabe de Juba .

Ansari soutient que la distribution des données textuelles disponibles en ligne, qui sous-tend les performances des grands modèles de langage, est profondément déséquilibrée en faveur des langues parlées dans les pays riches. Les langues comptant des dizaines ou des centaines de millions de locuteurs dans les pays à faibles revenus disposent de très peu de données et de ressources, ce qui signifie qu'elles sont mal desservies ou totalement absentes des modèles d'IA de pointe. Cette inégalité structurelle dans la disponibilité des données se traduit directement par une inégalité dans les performances et l'accessibilité de l'IA.

Ansari a présenté des recherches montrant la quantité de données textuelles disponibles en ligne selon les langues, indiquant que les langues parlées dans les pays riches dominent tandis que d'autres, y compris celles comptant des centaines de millions de locuteurs, disposent de ressources limitées . Elle a cité l'exemple du breton, parlé par environ 200 000 personnes en France, qui compte plus de 50 modèles d'IA, contre seulement 10 pour le pidgin nigérian, pourtant parlé par environ 85 millions de personnes .

Ansari soutient que le déficit de couverture linguistique est encore plus prononcé pour les modèles vocaux que pour les modèles textuels, seule une infime partie des langues mondiales étant réellement prise en charge par la reconnaissance automatique de la parole. Dans le nord-est du Nigeria, parmi les dix langues maternelles les plus répandues dans les États de Borno, Adamawa et Yobe, seul le haoussa bénéficie d'une prise en charge ASR, et encore uniquement dans des conditions de laboratoire. Cela signifie que les flux de travail assistés par ASR reposant sur le haoussa ou l'anglais risquent d'exclure environ 70 % de la population du nord-est du Nigeria.

Ansari a présenté une carte des langues maternelles les plus répandues dans le nord-est du Nigeria, notant que parmi les dix langues identifiées, seul le haoussa bénéficie d'une reconnaissance ASR, y compris via une API commerciale . Elle a indiqué que cela signifie qu'environ 70 % de la population du nord-est du Nigeria risque d'être exclue des flux de communication assistés par IA .

Ansari souligne que de nombreuses langues à faibles ressources présentent des défis particuliers pour le développement de modèles d'IA, car elles sont principalement orales et ne disposent d'aucune forme écrite standardisée. Cela rend le processus de transcription nécessaire à la construction de modèles ASR extrêmement difficile, la terminologie et les expressions variant considérablement d'un locuteur à l'autre, et les alternances codiques entre langues étant fréquentes. L'absence d'alphabet ou de système d'écriture standard signifie que même la mise par écrit d'une langue nécessite une co-conception avec les communautés pour atteindre une cohérence suffisante.

Ansari a noté que certaines langues sont principalement orales, ce qui rend la transcription manuelle pour le développement ASR un processus particulièrement difficile et complexe . Elle a décrit la grande variabilité terminologique, les alternances codiques entre langues et les défis que cela pose pour le développement de technologies linguistiques numériques . Elle a donné l'exemple des Canaries, où un seul enregistrement avait donné lieu à dix façons différentes et toutes également acceptées de le transcrire, les contributeurs n'ayant pu s'accorder sur la version correcte .

Ansari attire l'attention sur la disparité flagrante entre le nombre de locuteurs d'une langue et le nombre de modèles d'IA développés pour celle-ci, soutenant que cela reflète des inégalités structurelles plutôt que des besoins linguistiques. Le breton, parlé par seulement 200 000 personnes en France, compte plus de 50 modèles d'IA, tandis que le pidgin nigérian, avec environ 85 millions de locuteurs, n'en compte que 10. Cette disparité illustre comment les facteurs commerciaux et géopolitiques, plutôt que la taille de la population de locuteurs, orientent les investissements dans l'IA linguistique.

Ansari a cité une étude de Cambridge qu'elle avait lue ce jour-là, notant que le breton, parlé par environ 200 000 personnes, compte plus de 50 modèles d'IA, tandis que le pidgin nigérian, avec environ 85 millions de locuteurs, n'en compte que 10 . Elle a noté que le même schéma s'applique à des langues comme le séraki dans le nord-est du Nigeria .

Ansari soutient que la qualité des modèles ASR dépend fondamentalement de la qualité et de la diversité des données vocales utilisées pour les entraîner, et que cela nécessite un processus de collecte de données systématique et gourmand en ressources. Des centaines d'heures de données enregistrées doivent être recueillies auprès de locuteurs diversifiés selon plusieurs dimensions, notamment l'âge, le sexe, le niveau d'éducation et le dialecte. Sans cette diversité de données, les modèles ASR ne fonctionneront pas de manière fiable dans les conditions réelles de terrain.

Ansari a déclaré qu'il faut des centaines d'heures de données enregistrées de manière systématique, collectées auprès de locuteurs diversifiés, notamment selon l'âge, le sexe, le niveau d'éducation et le dialecte, si l'on veut vraiment créer un modèle ASR qui fonctionne bien et largement sur le terrain .

Ansari décrit la méthodologie de Clear Global comme profondément centrée sur la communauté, impliquant les membres de la communauté à chaque étape du processus de développement des technologies linguistiques, plutôt que de les traiter comme de simples sources de données. L'organisation forme des membres de la communauté en tant que linguistes, en leur donnant les compétences nécessaires pour effectuer des enregistrements et gérer les complexités de la transcription de langues essentiellement orales. Avec 100 000 linguistes travaillant dans 300 langues, Clear Global apporte une expertise linguistique considérable à ce travail.

Ansari a décrit une approche de collecte de données centrée sur la communauté, en collaborant avec les membres de la communauté pour comprendre comment les modèles seront utilisés et appréhender les complexités linguistiques avant toute collecte de données . Elle a noté que Clear Global forme plus de 100 000 linguistes travaillant dans 300 langues, et que leur formation en tant que linguistes et traducteurs éclaire ce travail . Elle a également décrit des approches de co-conception pour gérer la complexité de la transcription de langues essentiellement orales .

Ansari soutient que le consentement éclairé est un principe directeur non négociable pour l'ensemble des activités de collecte de données de Clear Global, compte tenu notamment de la nature sensible des données vocales. Des ateliers communautaires et des processus de sensibilisation sont utilisés pour s'assurer que les contributeurs comprennent réellement comment leurs enregistrements seront utilisés et stockés, quels sont les risques et comment ils peuvent retirer leur consentement à tout moment. Tous les ensembles de données sont finalement publiés en accès libre sous des licences non commerciales afin de garantir un accès large à l'ensemble du secteur.

Ansari a décrit le consentement éclairé comme un pilier fondamental et un principe directeur de leur plateforme, mis en œuvre par le biais d'ateliers et d'une mobilisation communautaire pour s'assurer que les personnes comprennent comment les enregistrements seront utilisés et stockés, quels sont les risques et comment elles peuvent retirer leur consentement à tout moment . Elle a noté que tous les ensembles de données sont publiés en accès libre sous des licences non commerciales afin de pouvoir être utilisés dans l'ensemble du secteur .

Ansari soutient que les données linguistiques collectées auprès des communautés devraient être mises à disposition en accès libre sous des licences non commerciales afin de maximiser leurs bénéfices pour le secteur humanitaire et à impact social. Dans le même temps, elle souligne l'impératif éthique de veiller à ce que les communautés ne soient pas exploitées par l'extraction de leurs données linguistiques, qui servent ensuite à construire des modèles commerciaux qui leur sont revendus. Le versement de salaires équitables aux contributeurs de données, plutôt que le recours exclusif à des bénévoles, fait partie de ce cadre éthique.

Ansari a déclaré que tous les ensembles de données de Clear Global sont publiés en accès libre sous des licences non commerciales afin de pouvoir être utilisés dans l'ensemble du secteur . Elle a également souligné l'importance de rémunérer équitablement les personnes chargées de collecter les données et de ne pas exploiter les communautés ni extraire leurs données linguistiques pour construire un modèle qui leur est ensuite revendu .

Ansari soulève la préoccupation selon laquelle lorsque les gouvernements construisent des modèles d'IA souverains, ils risquent d'y intégrer les biais politiques et ethniques de ceux qui détiennent le pouvoir, excluant potentiellement les langues et cultures minoritaires de l'infrastructure numérique nationale. Elle prend le Soudan du Sud comme exemple concret, en notant qu'un gouvernement composé principalement de Dinka pourrait avoir peu d'incitation à construire un modèle souverain représentant équitablement la langue et la culture Nuer. Elle soutient que l'ONU a un rôle à jouer pour garantir que l'infrastructure publique mondiale est construite de manière juste et équitable.

Ansari a pris l'exemple du Soudan du Sud, où elle a noté que si un gouvernement est composé uniquement de Dinka, il est peu probable qu'il souhaite construire un modèle souverain reflétant sans biais la culture et la langue Nuer . Elle a soutenu que l'un des rôles de l'ONU doit être de veiller à ce que la construction de l'infrastructure publique mondiale se fasse de manière juste et équitable .

Ansari identifie un manque critique de coordination dans l'écosystème de l'IA linguistique, où plusieurs organisations tentent indépendamment de développer des technologies similaires sans collaborer, ce qui entraîne une duplication des efforts et des coûts prohibitifs pour chacune. Elle soutient que les organisations internationales sont bien placées pour jouer un rôle de facilitateur, en réunissant ces acteurs fragmentés afin qu'ils puissent mutualiser leurs ressources et partager les coûts de collecte de données. Les organisations locales ne peuvent généralement pas se permettre les 50 000 à 100 000 dollars nécessaires, mais cinq ou six d'entre elles contribuant chacune à hauteur de 10 000 dollars pourraient rendre la chose réalisable.

Ansari a décrit le défi que représente le fait de savoir que plusieurs organisations tentent toutes de développer des technologies similaires sans se concerter, et que si elles travaillaient ensemble, elles pourraient constituer des données pertinentes à un coût raisonnable pour chacune . Elle a noté que la collecte de données coûte entre 50 000 et 100 000 dollars, ce que la plupart des organisations de terrain ne peuvent pas se permettre seules, mais que cinq ou six organisations contribuant chacune à hauteur de 10 000 dollars pourraient y parvenir . Elle a déclaré que ce travail de coordination est très difficile et que Clear Global ne dispose pas de la vue d'ensemble dont bénéficient les organisations internationales .

Ansari soutient que le secteur privé ne doit pas être traité comme une entité monolithique, et qu'il existe une distinction significative entre les grandes entreprises technologiques telles que Meta, OpenAI et Anthropic, et les acteurs privés de plus petite taille à vocation sociale tels que Viamo et Lilapa AI. Elle note que Clear Global a collaboré avec Meta pour tester des modèles et évaluer leur sécurité, et que ce type de collaboration est approprié et précieux. La préoccupation centrale ne porte pas sur le secteur privé en tant que tel, mais sur la gouvernance des données et la nécessité de veiller à ce que les communautés ne soient pas exploitées à des fins commerciales.

Ansari a établi une distinction entre les grandes entreprises comme Meta, OpenAI et Anthropic, et les acteurs privés de plus petite taille comme Viamo, GSMA et Lilapa AI, en précisant que Clear Global travaille beaucoup avec ces derniers . Elle a indiqué que Clear Global a également collaboré avec Meta pour tester des modèles et évaluer s'ils fonctionnent suffisamment bien pour être sûrs, et que Meta n'est pas l'ennemi . Elle a précisé que la préoccupation principale porte sur la gouvernance des données et la manière dont elle est construite au profit des communautés, en notant que les locuteurs de langues comme le dinka ne présentent pas d'intérêt commercial pour les grandes entreprises .

Bromová soutient que le serbe représente un défi de numérisation particulier car, contrairement à de nombreuses langues à faibles ressources, il dispose d'un corpus important de documents écrits historiques, mais ce matériel est conservé sur papier et n'est pas disponible sous forme numérique. Le serbe se retrouve en bas des distributions de données linguistiques malgré cette richesse historique, en partie parce que les modèles OCR standard peinent à traiter l'utilisation interchangeable des alphabets cyrillique et latin propre à cette langue. Les numérisations historiques présentent des difficultés supplémentaires pour le traitement OCR, au-delà de celles rencontrées avec les textes contemporains.

Bromová a souligné que le serbe n'est pas nécessairement la langue la moins dotée en ressources au monde et dispose de nombreuses sources historiques, mais que ce matériel est sur papier et n'est pas disponible pour les jeux de données ni pour les spécialistes des données . Elle a indiqué que le serbe se situe tout en bas de la distribution des données et que les modèles OCR standard éprouvaient de grandes difficultés avec le serbe, en partie parce que la langue utilise de manière interchangeable les alphabets cyrillique et latin, les numérisations historiques présentant des défis supplémentaires .

Bromová décrit le projet Librarify, développé en collaboration avec la Bibliothèque nationale de Serbie, qui a mis en place un flux de travail pour numériser des documents historiques grâce à l'amélioration d'images, la segmentation, l'OCR et la correction post-OCR. Le succès de ce projet a conduit au développement de Loria, un outil ouvert plus généralisable et réutilisable, publié sur GitHub, conçu pour être adapté à différentes langues et institutions. Les deux projets placent les archivistes au cœur du processus humain dans la boucle, reconnaissant que la connaissance institutionnelle est aussi importante que l'expertise technique.

Bromová a décrit le flux de travail du projet Librarify, qui prépare les images à partir de numérisations, les segmente pour distinguer le texte des images ou des en-têtes, améliore les segments, applique l'OCR et effectue un ajustement post-OCR dans un cycle d'amélioration récursif . Elle a noté que lors de la phase initiale, plus de 400 gigaoctets et plus de 16 000 documents des archives de la bibliothèque ont été numérisés . Elle a décrit Loria comme un outil ouvert publié sur GitHub pour la réutilisation et l'adaptation, développé en plaçant les archivistes au cœur du processus humain dans la boucle .

Bromová reconnaît que si le PNUD est ouvert aux partenariats avec le secteur privé dans le domaine de la numérisation linguistique, l'intérêt des acteurs privés pour les langues à très faibles ressources est relativement limité, car les communautés de locuteurs ne constituent pas des audiences en ligne commercialement significatives. Il est donc difficile pour les partenaires du secteur privé de justifier l'investissement requis, ce qui crée un déficit structurel de financement pour ces langues. Certains partenaires du secteur privé font preuve d'ouverture d'esprit concernant les questions de propriété et de gouvernance des données, mais ce n'est pas le cas de tous.

Bromová a noté qu'en approchant des partenaires du secteur privé, l'intérêt pour des travaux portant spécifiquement sur les langues à très faibles ressources est relativement faible en raison des coûts impliqués . Elle a également souligné que les questions de propriété et de gouvernance des données restent ouvertes, certains partenaires du secteur privé étant très ouverts d'esprit, mais pas tous .

Bromová soutient que l'outil Loria représente une solution évolutive et réutilisable au problème des documents et des données figés dans des formats papier hérités, un défi auquel font face de nombreuses langues et institutions publiques à travers le monde. En publiant l'outil en open source sur GitHub, le PNUD permet à d'autres institutions de le télécharger, de l'adapter et de le déployer pour leurs propres langues et types de documents. La conception place les archivistes au cœur du processus, reconnaissant que la compréhension des processus et des priorités institutionnels est aussi importante que l'expertise technique.

Bromová a décrit Loria comme un outil ouvert publié sur GitHub pour le téléchargement et l'adaptation, conçu pour la réutilisation et l'adaptation à différentes langues . Elle a souligné qu'il a été développé en plaçant les archivistes au centre, et que la maîtrise non seulement de la technologie et des données, mais aussi des processus et des priorités des institutions, est essentielle pour un déploiement réussi .

Feinholz soutient que l'inclusion linguistique et culturelle dans l'IA, pour être véritablement significative, exige que les communautés soient impliquées tout au long du cycle de vie complet d'un outil, depuis la conception initiale jusqu'à la collecte de données, le développement et le déploiement. Un écueil fréquent consiste à n'associer les communautés qu'aux stades tardifs du processus, ce qui compromet une inclusion et une appropriation authentiques. Ce principe est ancré dans l'approche de l'UNESCO en matière d'éthique de l'IA et se reflète dans les travaux de la Coalition pour la diversité linguistique dans l'IA.

Feinholz a déclaré que l'inclusion linguistique et culturelle dans l'IA, pour être véritablement significative, doit être réalisée en collaboration avec les communautés linguistiques et culturelles concernées tout au long du cycle de vie complet, soulignant que ces communautés sont parfois associées très tardivement au processus . Elle a cité en exemple les intervenants des deux présentations précédentes comme modèle d'inclusion des communautés dès le début et tout au long du processus .

Feinholz présente la Coalition pour la diversité linguistique dans l'intelligence artificielle, créée par l'UNESCO en partenariat avec le ministère islandais de la Culture, de l'Innovation et de l'Enseignement supérieur et le Centre islandais pour la langue et la technologie. La coalition, lancée en juin 2025, réunit plus de 30 experts issus de presque toutes les régions du monde qui travaillent à l'inclusion numérique des langues portée par les communautés. L'une des principales motivations est de permettre le partage d'expériences et de bonnes pratiques entre communautés, plutôt que chacune travaille de manière isolée.

Feinholz a décrit la conclusion d'un accord avec le ministère islandais de la Culture, de l'Innovation et de l'Enseignement supérieur et le Centre islandais pour la langue et la technologie en vue de créer la Coalition pour la diversité linguistique dans l'intelligence artificielle . Elle a indiqué que la coalition a été lancée à Bangkok et compte actuellement plus de 30 experts travaillant sur l'inclusion numérique des langues portée par les communautés, issus de presque toutes les régions du monde .

Feinholz soutient que la Coalition pour la diversité linguistique dans l'IA se distingue par sa composition véritablement multipartite, réunissant dans un même espace gouvernements, monde académique, communautés, experts techniques, organisations internationales et secteur privé. Cette diversité de perspectives est considérée comme essentielle pour trouver des solutions à la fois techniquement solides, culturellement adaptées et politiquement viables. La coalition a constaté que ce qui fonctionne pour une communauté peut souvent s'appliquer à une autre, ce qui rend le partage intercommunautaire particulièrement précieux.

Feinholz a décrit la coalition comme réunissant gouvernements, monde académique, communautés, experts techniques, organisations internationales et secteur privé, tous siégeant ensemble au sein du même groupe . Elle a souligné que cela s'est avéré très utile en raison de l'important partage d'expériences, et que ce qui fonctionne pour une communauté peut souvent fonctionner pour une autre .

Feinholz présente le projet de la coalition visant à constituer un répertoire de bonnes pratiques en matière d'inclusion linguistique et culturelle portée par les communautés dans l'IA, afin de rendre ces connaissances accessibles aux praticiens qui ne savent pas toujours où les trouver. Un questionnaire co-créé, élaboré avec l'ensemble des parties prenantes, est en cours de conception pour systématiser la collecte d'informations pertinentes issues des projets de manière méthodologiquement cohérente. Le répertoire est conçu comme une ressource vivante, enrichie en continu, qui alimentera à terme des orientations politiques sur la diversité linguistique dans l'IA.

Feinholz a décrit le projet de constitution d'un répertoire de bonnes pratiques, précisant que l'objectif est d'y recenser les pratiques ayant fait leurs preuves et de rendre ces connaissances accessibles . Elle a expliqué qu'un questionnaire est co-créé entre toutes les parties prenantes et l'UNESCO afin de déterminer quelles informations pertinentes doivent être collectées pour chaque projet, les parties prenantes étant associées à ce processus car elles connaissent mieux que quiconque leurs propres projets . Elle a indiqué que les résultats contribueront à éclairer les orientations politiques sur la diversité linguistique et l'IA, domaine identifié comme prioritaire par de nombreux États membres .

Le membre du public, qui collabore avec Meta sur le développement de grands modèles de langage axés sur l'internationalisation, identifie un problème de double coût dans le développement de l'IA linguistique pour les langues à faibles ressources. Le premier coût est la dépense financière liée à la création de modèles dans ces langues, et le second est le défi de trouver des personnes disposant d'une expertise linguistique suffisante pour contribuer de manière significative, notamment lorsqu'il n'existe pas de forme écrite canonique. Ce problème est aggravé par le fait que même les langues bien dotées en ressources se heurtent à des difficultés liées aux nuances culturelles, comme les plus de 80 pronoms en vietnamien qui véhiculent une signification relationnelle précise.

Le membre du public a décrit le problème du double coût comme étant soit de se battre pour obtenir un modèle dans une langue, soit de se battre pour trouver des personnes qui connaissent suffisamment bien cette langue, soulignant qu'il s'agit là d'une question de privilège . Il a donné l'exemple du vietnamien, qui compte plus de 80 pronoms porteurs d'une signification relationnelle précise, illustrant ainsi la profondeur des connaissances culturelles requises . Il a également souligné le défi posé par les scripts romanisés pour des langues comme le télougou ou le tamoul, pour lesquels il n'existe pas de version canonique totalement correcte en toutes circonstances .

Le Speaker soutient que l'approche fondamentale pour construire des modèles de langage destinés aux langues à faibles ressources doit partir de la communauté et des données, plutôt que de la technologie ou de considérations commerciales. L'objectif devrait être de démocratiser l'accès à la connaissance, et pas seulement aux données, en veillant à ce que les bénéfices de l'IA linguistique reviennent aux communautés qui y ont contribué. L'élaboration d'une structure orthographique standardisée avec des linguistes et des membres de la communauté, potentiellement approuvée par des organismes tels que l'IEEE ou l'UNESCO, est proposée comme moyen de préserver les nuances et le contexte dans la transcription.

Le Speaker a décrit l'approche consistant à élaborer une structure orthographique standardisée avec des linguistes experts de la langue, potentiellement normalisée par l'IEEE ou l'UNESCO, afin de s'assurer que les nuances et le contexte ne soient pas perdus lors de la transcription . Il a affirmé que la méthode de construction doit impliquer la communauté, et que l'objectif est de partir des données, de partir des personnes, de construire avec elles et pour elles, et de démocratiser l'accès à la connaissance et pas seulement aux données .