L’Afrique compte plus de 2000 langues, mais moins de 5% sont suffisamment représentées dans les technologies linguistiques. Une startup veut changer la donne.

Depuis sa création en 2020, African Languages Lab a entrepris un pari ambitieux : rassembler la plus grande collection de données linguistiques africaines au monde. Plus de 70 langues sont désormais couvertes, dont l’amharique, le haoussa, le zoulou, le twi, l’igbo et le yoruba. Cette semaine, la startup a franchi une nouvelle étape en lançant Mansa, une plateforme multilingue et multimodale intégrant près de 30 de ces langues.

Un défi de taille : la rareté des données linguistiques africaines

Sheriff Issaka, fondateur d’African Languages Lab, a rapidement constaté un problème majeur : le manque criant de données pour entraîner des systèmes d’IA capables de comprendre les langues africaines. Les modèles actuels peinent à maintenir des conversations complètes dans ces langues, et les coûts de traitement sont souvent bien plus élevés qu’en anglais. Par exemple, générer un token en yoruba peut coûter quatre fois plus cher qu’en anglais.

Des implications au-delà de la simple traduction

Le manque de données affecte également la sécurité des modèles. Les systèmes d’IA sont moins capables de détecter et bloquer les contenus dangereux dans les langues africaines sous-représentées. Issaka souligne que les utilisateurs sont au moins 10 fois plus susceptibles de recevoir des réponses erronées ou dangereuses dans ces langues que dans celles mieux documentées.

Une décennie de collecte de données

Pour pallier ce manque, African Languages Lab a passé près d’une décennie à collecter des données directement auprès des communautés. La startup utilise des datasets libres de droits, mais aussi des contributions locales payées. Le résultat ? Plus de 100 milliards de tokens textuels et plus de 19 000 heures d’enregistrements vocaux validés par des experts linguistiques.

Innovation technologique : All Voices, une plateforme sans intermédiaire linguistique

Un autre défi rencontré par les chercheurs était la nécessité d’utiliser l’anglais comme langue de pont pour collecter des données entre langues africaines. Pour résoudre ce problème, African Languages Lab a développé All Voices il y a six ans. Cette plateforme permet aux contributeurs de collecter et valider des données directement entre langues africaines, sans passer par une langue intermédiaire. Les contributeurs peuvent même gagner de l’argent en fournissant ou validant des données.

Un écosystème en pleine expansion

African Languages Lab n’est pas seul dans cette quête. Google a étendu ses recherches en IA à plusieurs langues africaines, tandis que des startups nigérianes comme Intron et Spitch développent des systèmes de reconnaissance vocale et de synthèse textuelle pour ces langues.

Conclusion : vers une meilleure représentation des langues africaines dans l’IA

Le lancement de Mansa marque une étape importante dans la démocratisation des technologies linguistiques pour les langues africaines. En intégrant ces langues dans des systèmes d’IA performants, African Languages Lab contribue à réduire les inégalités numériques et à offrir un accès équitable aux technologies de pointe pour des millions de locuteurs africains.