Le créole haïtien face à l'IA : pourquoi les modèles se trompent

Demandez à un assistant IA de traduire une phrase en créole haïtien. Le résultat est souvent compréhensible, mais un locuteur natif le remarque tout de suite : la phrase « sonne » français, un mot est mal écrit, ou une expression n’existe tout simplement pas.

Le créole est parlé par plus de dix millions de personnes et il est langue officielle d’Haïti depuis 1987. Pourtant, face à l’IA, il reste une langue de second rang. Voici pourquoi.

Peu de textes en ligne

Un modèle d’IA apprend à partir des textes publiés sur Internet. Or le créole est d’abord une langue orale. L’école, l’administration et une grande partie de la presse écrite fonctionnent encore surtout en français.

Résultat : il existe beaucoup moins de textes en créole qu’en français ou en anglais. En traitement automatique des langues, on parle de langue peu dotée. Ce n’est pas une question de nombre de locuteurs, mais de données disponibles.

Une orthographe peu appliquée

Le créole a une orthographe officielle depuis la fin des années 1970. Mais beaucoup d’Haïtiens ont appris à écrire en français, et l’écrit en ligne mélange les deux systèmes. Le modèle voit donc plusieurs formes pour un même mot :

• mwen, m, mouin

• kounye a, konnya, kounya

Pour nous, c’est évident. Pour un modèle, ce sont des mots différents, chacun avec encore moins d’exemples.

Le piège du français

L’essentiel du vocabulaire créole vient du français, et c’est justement ce qui piège les modèles. Ils ont vu des milliards de phrases en français et seulement quelques fragments en créole. Quand ils hésitent, ils tirent vers le français, alors que la grammaire est très différente :

• Le déterminant se place après le nom : liv la, machin nan, pitit mwen an.

• Le verbe ne se conjugue pas : de petites particules indiquent le temps, comme dans mwen te manje, m ap manje, m pral manje.

• li ne marque pas le genre : il veut dire « il » ou « elle », et le modèle doit deviner en traduisant.

La confusion entre les créoles

Le créole haïtien n’est pas le seul créole à base française. Il y a aussi ceux de la Guadeloupe, de la Martinique, de la Réunion ou de Maurice. Les modèles les mélangent parfois et produisent une phrase qui n’est correcte dans aucun d’eux.

Un coût caché

Un modèle ne lit pas des mots, mais des tokens, c’est-à-dire des morceaux de mots appris surtout sur les langues dominantes. Un mot créole est souvent découpé en plus de morceaux qu’un mot anglais. La même phrase coûte donc plus cher à traiter, et chaque morceau porte moins de sens.

Ce que nous pouvons faire

Les grandes entreprises ne régleront pas le problème seules. La qualité des modèles dépend aussi de ce que nous produisons.

1. Écrire en créole en ligne, dans l’orthographe officielle.

2. Créer des jeux de données ouverts, par exemple des textes créole–français vérifiés par des locuteurs.

3. Signaler les erreurs aux outils d’IA que nous utilisons.

4. Former des développeurs haïtiens au traitement des langues.

Une IA ne parle bien que les langues dans lesquelles on a beaucoup écrit. Si le créole est mal servi aujourd’hui, c’est un manque de données, et les données, ça se construit.