Navigation – Plan du site

AccueilNumérosXXXIX-2Construire des bases de donnéesAlimenter des bases de données gr...

Construire des bases de données

Alimenter des bases de données grâce à l’intelligence artificielle

Quelques exemples concrets pour souligner les défis actuels de l’historien
Feeding Databases with Artificial Intelligence: Concrete Examples Highlighting Current Challenges for Historians
Gunnar W. Knutsen
p. 99-116

Résumés

Cet article explore l’impact de l’intelligence artificielle (IA) sur la recherche historique : en revisitant les premières tentatives de numérisation des procès de l’Inquisition espagnole et portugaise, il montre comment les technologies actuelles, en particulier les grands modèles de langage (LLM), ont révolutionné la gestion des bases de données. Grâce à l’IA, les tâches complexes telles que la saisie, le nettoyage et la normalisation des données sont considérablement simplifiées, ce qui marque une nouvelle étape dans l’informatisation des études historiques. L’article souligne également l’importance de former les historiens à ces nouveaux outils pour maximiser leur potentiel tout en minimisant les risques.

Haut de page

Texte intégral

  • 1 Où l’activité principale des utilisateurs, nous disent les anciens, consistait à fumer, en attendan (...)
  • 2 J.-P. Genet, 1986.
  • 3 Ils sont réels. À notre avis, du point de vue de la recherche historique, le principal, et de loin, (...)

1Comme l’ensemble des contributions rassemblées dans ce dossier, cet article fait écho à un texte célèbre de Jean-Philippe Genet, le premier publié par Histoire & Mesure à sa création. Sur la base de l’expérience acquise en matière de bases de données historiques tenues sous mainframe, ces grosses machines qui n’avaient ni écrans, ni claviers, ni moyens de stockage individuels, ni logiciels à l’usage des utilisateurs, et si peu de mémoire, qu’ils obligeaient de surcroît à travailler dans un centre de calcul1, Genet posait la question des usages de l’ordinateur en histoire dans les conditions imposées par la technologie de l’époque2. Nous recueillons pour notre part l’expérience accumulée dans une étape ultérieure de la technologie, celle ouverte par l’apparition des grands ordinateurs centraux (mainframes), suivie par la décentralisation des données via les ordinateurs personnels, laptops et desktops, et la mise en place des grands serveurs, du type Huma-num, qui ont considérablement reculé les limites imposées par les conditions techniques des premières phases d’informatisation. Et voici une quatrième révolution, celle de l’intelligence artificielle (IA). Au cours de la préparation de ce numéro, lorsque le sujet a émergé dans la discussion, à la question « en quelle mesure l’IA permet-elle de faire de l’histoire ? », celui d’entre nous qui connaît le mieux l’instrument numérique a répondu : « Nous n’en savons rien. » Nous avons donc exploré la question. La réponse tomba vite, claire et sans équivoque : elle le permet, et de bien des manières – bien plus qu’on ne pourrait l’imaginer. L’IA facilite à tel point le travail, et spécifiquement le travail sur les bases de données (saisie de données, nettoyage de données, normalisation, recherche de doublons, etc.), que l’on peut considérer qu’elle constitue un saut qualitatif aussi important que l’introduction des outils précédents et qu’elle ouvre une nouvelle étape dans la saga du passage des études historiques à l’informatique. Quel que soit le jugement éthique que l’on porte, ou les dangers que l’on perçoit à son propos3, l’accélération du travail qu’elle procure est telle qu’il est inutile d’espérer en limiter la diffusion. La tâche la plus urgente est de l’explorer, d’en mesurer les avantages, d’en localiser les dangers, de chercher des parades, et de former de toute urgence personnels et étudiants. En tout cas, de ne pas renouveler les errements auxquels a conduit l’usage irréfléchi des outils statistiques que la première révolution informatique mettait à notre disposition, et dont bien peu d’entre nous maîtrisaient les modalités de fonctionnement.

2Nous ne visons ici qu’à donner quelques exemples d’utilisation de l’IA pour la recherche historienne, pour faire toucher du doigt l’ampleur du phénomène. Nous souhaitons ainsi amorcer la prise en main du champ immense qui s’ouvre aux historiens, qu’il leur faut explorer pour valider l’apport et fixer les enveloppes d’usage de l’outil, en inventant des utilisations nouvelles et en testant l’instrument dans chacune d’entre elles. C’est une révolution de plus, qui fait vraisemblablement sauter le goulot d’étranglement que nous avons dénoncé dans toutes nos contributions, à savoir l’ampleur du travail de préparation qu’exigent les sources historiques pour être transformées en données.

1. L’IA au service de la construction d’une base de données des procès d’Inquisition

Un ancien chantier informatique revisité par l’IA

  • 4 G. Henningsen, 1993.

3Dans les années 1970, trois jeunes chercheurs de trois pays différents ont collaboré pour créer la première statistique de l’Inquisition espagnole. Il s’agissait de Gustav Henningsen (Danemark), Jaime Contreras (Espagne) et Jean-Pierre Dedieu (France). Pour ce faire, ils ont dû inventer un système de classification pour les procès inquisitoriaux, ce qui n’était pas une mince affaire. Heureusement, ils disposaient d’une sorte de modèle dans les résumés des cas (relaciones de causas) envoyés par les tribunaux locaux au Conseil central de l’Inquisition à Madrid. Beaucoup de ces rapports regroupaient les procès selon des catégories utilisées par les inquisiteurs eux-mêmes. Elles ont été adoptées et adaptées par les chercheurs4. Cette collecte et la classification sur laquelle elle reposait ont constitué l’épine dorsale de la recherche sur l’Inquisition jusqu’à nos jours.

4Cependant, leurs relevés ne comprenaient que peu de détails, omettant les noms, le sexe, l’âge, etc., et se centraient plutôt sur des catégories générales de peines et d’infractions. Le système était brillant par sa simplicité économique : chaque accusé était désigné par un numéro indiquant sa place dans la liste des procès, suivi sur la même ligne d’une seule lettre (J, M, L, etc.) signifiant la classe de l’infraction. Au-dessus de chaque numéro se trouvait un petit signe, comme un point ou une apostrophe, indiquant la classe de la sentence, par exemple la remise au bras séculier pour être brûlé, la réconciliation avec l’Église, etc. Jean-Pierre Dedieu, pour sa part, développa par la suite une base de données plus complète, mais qui ne concernait que l’inquisition de Tolède et qui resta d’usage privé.

  • 5 La différence tient à la présence de nombreux double-comptes, certaines affaires apparaissant dans (...)
  • 6 G. W. Knutsen, 2018.

5En 2013, l’auteur de ce texte et Mauricio Drelichman ont pris l’initiative de procéder à un enregistrement plus détaillé, en utilisant un système de base de données performant, en s’appuyant sur des assistants de recherche salariés, en vue d’enregistrer tous les résumés envoyés par les tribunaux locaux de l’Inquisition espagnole au Conseil de l’Inquisition, en reprenant donc le travail à zéro, et de compléter la liste avec les procès originaux partiellement conservés dans les archives des tribunaux locaux et d’autres documents isolés, dispersés dans la correspondance des tribunaux ou livrés par des répertoires, chaque fois que la documentation était disponible et le travail réalisable. Cela a abouti à la création d’environ 76 000 enregistrements concernant quelque 67 000 procès5. Lorsque nous avons décidé d’y ajouter les procès de l’Inquisition portugaise, nous choisîmes de ne pas en faire un dépouillement complet, mais plutôt d’utiliser le catalogue électronique des Archives nationales de Lisbonne qui contient des informations détaillées sur 32 000 procès. La base de données qui en résulte, appelée EMID (Early Modern Inquisition Database), contient désormais des informations sur plus de 100 000 procès au total6.

6La décision d’utiliser le catalogue des Archives a permis d’économiser beaucoup de travail et d’argent. Elle a également généré quelques problèmes. Le plus important était que les procès espagnols étaient datés par leur année d’achèvement, dans la plupart des cas l’année de la décision finale, alors que le catalogue portugais les datait par leur année de début, généralement celle de l’arrestation du prévenu. Chaque dossier dans le catalogue des Archives nationales de Lisbonne donnait en vrac des informations sur l’infraction, la peine et divers éléments de procédure. Pour économiser du temps et de l’argent, contrairement à ce que nous avions fait pour l’Espagne, nous n’avons pas inséré les données dans des champs particuliers de la base lors de leur chargement, mais nous avons stocké en vrac tous les éléments d’information confondus, dans un champ Notes, forme sous laquelle elles figuraient dans le catalogue. Le défi fut par la suite d’extraire et de classer ces informations à partir du champ Notes, et de les transférer dans les différents champs thématiques d’EMID. Une doctorante brésilienne fut embauchée pour commencer le travail. En deux mois, elle a terminé le codage de l’infraction, de la peine, de la profession de l’accusé, des lieux d’origine et de résidence de la moitié de la base. En 2023, il nous a été possible de traiter l’autre moitié de la base en l’espace de trois jours, pour un coût inférieur à 100 euros, à l’aide d’un « modèle de grande taille de langage » (LLM), alias d’intelligence artificielle.

Un choix à faire, GPT-3, GPT-4, modèles open : un équilibre à trouver entre coûts et efficacité

  • 7 OpenAI fut fondée en tant qu’association à but non lucratif, par un groupe auquel appartenait Elon (...)
  • 8 Le nom « transformer » indique que le produit est basé sur l’architecture neuronale dite « Transfor (...)

7Un « Large Language Model » (LLM), tels que GPT-3 (Generative Pretrained Transformer 3, lancé en version béta en 2020, spécialisé dans le traitement des textes) et GPT-4 (Generative Pretrained Transformer 4, lancé en 2023, capable de traiter à la fois du texte et des images), produits par OpenAI7, est une sorte de modèle de traitement du langage naturel basé sur l’apprentissage profond8. Ces modèles sont entraînés sur d’énormes quantités de texte pour en extraire et mémoriser les modèles présents dans la structure de la langue. Cela leur permet de générer des textes qui semblent être écrits par un humain, de répondre à des questions, de résumer des textes, de traduire entre différentes langues et même d’effectuer certaines tâches plus créatives, comme l’écriture de poèmes ou de contes. Les modèles que nous avons évoqués sont appelés « larges » car ils comportent un très grand nombre de paramètres. Par exemple, GPT-3, le prédécesseur de GPT-4, avait 175 milliards de paramètres. Le nombre de paramètres de GPT-4, quant à lui, reste secret.

8Il existe un débat concernant la nécessité de former les modèles LLM sur un si grand volume de textes, étant donné qu’il est possible d’obtenir des résultats presque comparables avec des modèles entraînés sur des quantités plus modestes de données, et à un bien moindre coût. Ces derniers fleurissent par dizaines sur le Web, en open source (contrairement aux produits d’OpenAI dont les codes sources ne sont pas publiés). Néanmoins, l’ampleur des modèles lourds, tels que ceux d’OpenAI, a pour conséquence qu’ils maîtrisent une multitude de domaines de connaissance et une multitude de langues – pas seulement l’anglais ou une petite dizaine de langues contemporaines. Le GPT-4 peut ainsi interpréter sans aucun problème des textes historiques écrits non seulement dans un large éventail de langues rares, mais aussi rédigés avec une orthographe bien éloignée de celle d’aujourd’hui. Les logiciels à spectre large semblent à ce titre mieux correspondre aux besoins des historiens.

9La controverse actuelle entourant les LLM se concentre principalement sur la question de savoir s’ils constituent véritablement une forme d’intelligence ou s’ils ne sont qu’un autocorrecteur porté à la limite. Nous n’entrerons pas dans ce débat, ni ne tenterons de définir les rapports entre l’intelligence humaine et l’intelligence artificielle. En revanche, nous nous concentrerons sur l’application concrète de cette technologie, telle qu’elle est disponible aujourd’hui, aux méthodes et théories traditionnelles de notre profession.

  • 9 Et le tokenizer qui convertit les mots en jetons.
  • 10 Il en va de même pour les modèles open source, où un nombre plus élevé de jetons implique qu’il fau (...)

10Nous ambitionnons ainsi de montrer combien la génération actuelle – actuelle et non pas future, car le futur est déjà là – de systèmes d’intelligence artificielle peut être un outil de la plus grande utilité pour l’historien. Leur principale limitation à ce jour tient à ce qu’ils excellent surtout dans la manipulation du texte écrit. Cela est moins gênant pour l’histoire que pour d’autres disciplines, car nous traitons principalement des mots écrits, tant pour ce qui est des sources que pour le produit final. Deux autres limitations méritent d’être mentionnées. D’abord le prix, car les meilleurs modèles larges sont assez coûteux à utiliser par rapport aux modèles plus simples ; ensuite la quantité totale de textes que le système peut traiter simultanément à un moment donné. Cette seconde limite est exprimée en « jeton » (token), unité qui correspond à un nombre variable de symboles et de lettres traités, selon la langue9, et détermine le prix de chaque opération. Le nombre de jetons qui peut être traité en une seule opération est donc limité, sauf à accepter de les payer plus cher10. Cela implique que, pour rester dans des ordres de coût raisonnables, et dans l’enveloppe de travail du logiciel, l’information qu’on veut analyser doit être découpée en morceaux de taille réduite, chacun placé dans un fichier particulier en plain text, fichier que l’on traitera ensuite séquentiellement. Le nombre de jetons utilisables pour un même traitement et la qualité des modèles de traitement évoluent rapidement, de nouveaux modèles et des mises à jour apparaissant chaque semaine. Pour le projet sur les procès d’Inquisition, nous avons utilisé les modèles GPT-3 et GPT-4 d’OpenAI.

11La raison de ce choix est double. Tout d’abord, nous avions besoin d’un outil immédiatement opérationnel, plutôt que d’un modèle open source qui devrait être encore exploré et formé par apprentissage au fil du temps. Ensuite, dans la phase d’écriture, les modèles open source sont principalement axés sur l’anglais et ne disposent pas de la capacité qu’ont GPT-3 et GPT-4 de gérer les langues moins répandues. Ce dernier point doit être souligné. Nous avons mené des tests sur des sources primaires en plusieurs langues, telles que l’espagnol, le français, le suédois, le néerlandais et le danois. La machine les a toutes reconnues et lues, y compris avec l’orthographe du xvie siècle. C’est un point capital qui fait sauter un goulot d’étranglement pour les études comparatives.

  • 11 Par exemple, en juin 2023, le prix pour les réponses était de 0,12 $ pour 1 000 jetons pour GPT-4, (...)

12Les deux modèles présentent différentes qualités. Le GPT-3.5-turbo est très rapide et extrêmement économique. Cependant, il ne peut gérer qu’un faible nombre de jetons et nécessite des données relativement propres ou structurées pour donner des résultats adéquats. Le GPT-4, en revanche, accepte un nombre de jetons beaucoup plus élevé et tolère des données bien plus chaotiques. Les points forts du GPT-4 ont un coût : il est 30 à 60 fois plus cher à l’usage que le GPT-311. Le chercheur doit donc trouver un équilibre entre la facilité de l’utilisation de fichiers moins nombreux et plus longs, qui nécessitent moins de nettoyage, et le coût. Par données propres ou « nettoyage » des données, nous entendons la garantie que celles-ci seront correctement formatées et écrites, et ne comporteront pas de lettres, de chiffres ou de signes superflus.

13Prenons par exemple un texte où apparaît l’année 1708. Si le millésime a été écrit par erreur sous la forme « 17o8 », GPT-4 reconnaîtra systématiquement cela comme « 1708 ». GPT-3, en revanche, ne le fera pas toujours. De même, si vous demandez de trouver les dates du début et de la fin du procès dans un texte dense et chargé en informations, GPT-4 les reconnaîtra sans le confondre avec les autres dates figurant dans le texte (date de la torture ou de divers autres actes de procédure, etc.), alors que GPT-3 sortira parfois plus de deux dates, ce qui signifie que vous ne pourrez pas réimporter directement les résultats qu’il fournira dans la base de données, et que vous passerez davantage de temps à contrôler la qualité du résultat.

L’utilisation de GPT-3 à l’épreuve des procès : mode d’emploi

14Pour le chargement des données portugaises, nous avons pris le temps de nettoyer une grande partie des données – nettoyage qui a un coût – pour les utiliser avec GPT-3.5-turbo, car la différence de prix avec GPT-4 – qui n’exigeait pas de nettoyage – devenait significative car nous avions à traiter des dizaines de milliers de procès. Nous avons exporté depuis l’EMID les champs Trial_ID (identifiant du procès) et Trial_remarks (le champ contenant en vrac les données portugaises) pour les 32 000 procès inquisitoriaux portugais que nous voulions intégrer à la base de données. Nous avons ensuite demandé au GPT d’extraire de Trial_remarks la date d’arrestation et la date de l’autodafé et de livrer le résultat sous forme d’un fichier CSV pouvant être réinjecté dans l’EMID. Le texte de l’invite, autrement dit les instructions que nous avons données à OpenAI, contient une combinaison d’instructions concrètes et d’exemples. Nous avons d’abord écrit le cas le plus simple (première ligne de « Example input »). L’invite était, à la lettre :

You will be presented with data containing a year, a trial identifier, and a summary. Write a CSV file in the following format:

<Trial_ID>;<date_of_arrest>;<date_of_auto>

Example input :

1733;0103406T;Data da prisão: 20/09/1733. Sentença: auto-da-fé de 1/09/1737.

1726;0103436T;Data da prisão: 14/10/1729. Sentença: auto-da-fé. Confisco de bens, abjuração em form, cárcere e hábito perpétuo, penitências.

1753;0103408T;Data da prisão: 14/02/1754. Sentença: auto-da-fé de 23/12/1759, na igreja do Real Mosteiro de Santa Cruz de Coimbra. Abjuração de leve, açoutado publicamente, 10 anos de degredo para as galés, penitências espirituais. No Brasil, o réu casou segunda vez com Maria Vieira, terceira vez com Maria das Neves, quarta vez com Maria da Conceição, quinta vez com Rosa Maria da Conceição e sexta vez com Ana de Sousa, em 1751, sendo viva a sua primeira mulher. Foi também acusado de fuga dos cárceres aproveitando o terramoto de 1755.

Example output :

0103406T;1733=09=20;1737=09=01;

0103436T;1729=10=14;;

0103408T;1754=02=14;1759=12=23;

15Nous avons observé ensuite quels types de données entraînaient des erreurs dans les résultats, et nous avons inclus ces cas dans les exemples donnés par la suite, élargissant notre gamme d’exemples jusqu’à obtenir des résultats satisfaisants. Deux facteurs sont à prendre en compte ici : le premier étant que GPT-3 nécessite plus d’exemples que GPT-4, qui est plus performant pour suivre des instructions abstraites. Il faudra donc davantage de temps et d’efforts pour développer une invite fiable pour GPT-3 que pour GPT-4. Le second étant que plus on fournit d’exemples dans l’invite, plus cela coûte cher et moins l’on peut saisir de données à la fois, ce qui implique une hausse importante du nombre de fichiers et du temps de travail.

16Après avoir développé et testé l’invite, restait à l’appliquer aux données que nous avions exportées de la base issue des Archives nationales de Lisbonne. Pour gérer des dizaines de milliers d’enregistrements, nous avons utilisé un script Python qui a divisé le fichier téléchargé en morceaux gérables. Les données provenant de 32 000 procès ont été réparties en 1 000 fichiers, assez petits pour être acceptés par GPT-3. Un autre script Python a ensuite envoyé ces fichiers l’un après l’autre, avec l’invite, à la LLM via son API (Interface de programmation d’applications), qui a renvoyé des résultats que le script Python a écrits dans un seul fichier CSV. Ce fichier a ensuite été utilisé pour mettre à jour l’EMID en réimportant les données. La même procédure a été suivie pour les infractions et les condamnations. En utilisant GPT-3, nous avons dû corriger manuellement 0,3 % des dates des procès, pour lesquelles le modèle avait mal interprété les données. Il ne savait, par exemple, que faire des dates écrites dans des formats tels que : « ?/?/1579 » ou « 21/[11]/1590 ». Un nettoyage des données plus poussé avant l’analyse aurait pu éliminer ce problème. GPT-4 quant à lui l’aurait fait automatiquement.

17Parce que chaque procès inquisitorial a une unique date de commencement et une unique date de fin, mais que plusieurs des prévenus ont été accusés de multiples délits et ont été condamnés à des peines composites (prison plus amende, par exemple), nous n’avons pas classé toutes les données en une seule opération. Les trois catégories (dates, délits, éléments de la sentence) ont été classifiées séparément par le LLM, en générant trois fichiers CSV distincts pour la mise à jour de la base de données.

18Cela implique de réélaborer et de nettoyer les mêmes données de l’EMID pour les utiliser dans les différentes classifications. Avec GPT-4, il aurait été possible d’utiliser les mêmes fichiers pour les trois opérations, mais à un coût trop élevé, car cela aurait nécessité d’insérer toutes les données non nécessaires 3 fois dans un modèle 60 fois plus coûteux.

2. D’autres tests de l’IA pour alimenter des bases de données

De l’Europe du sud à l’Europe du nord : deux tests sur des langues confidentielles

  • 12 Sur Fichoz, voir entre autres J.-P. Dedieu & Á. Chaparro, 2013.

19L’EMID est basé sur le modèle Fichoz, développé par Jean-Pierre Dedieu12. C’est aussi le cas de deux autres bases de données que nous utilisons. Nordiske folk (NoFo) est une base de données sur les acteurs historiques des pays nordiques dans les années 1500-1814, et TRD est une base de procès de sorcellerie au Danemark et en Norvège. Pour les retravailler elles aussi, nous avons utilisé GPT-3 et GPT-4. Un des grands mérites du LLM d’OpenAI – insistons là-dessus car le problème des langues est crucial dans la gestion des bases de données – est sa capacité à interpréter parfaitement le danois de l’époque moderne (xvie-xviiie siècles). Il s’agit d’une langue écrite, utilisée dans des royaumes dont la population totale se situe à l’époque entre un et deux millions d’habitants, autrement dit, d’une langue confidentielle. Même dans ces conditions extrêmes, il est possible d’utiliser GPT-3 et GPT-4 pour, par exemple, dénombrer tous les acteurs intervenant dans un procès criminel, en déterminant directement leur rôle dans le procès, en tant qu’accusé, témoin, juge, ou greffier. Le LLM est parfaitement capable de comprendre la complexité d’un procès de sorcellerie dans la Norvège du xviie siècle, rédigé par un greffier norvégien, danois ou allemand, dans un danois très éloigné du danois d’aujourd’hui. Nous chargeons dans le LLM un texte décrivant le procès. Nous écrivons dans notre invite :

You are a Danish academic research assistant. Please write all the actors in the trial transcript as a CSV file in the following manner:

<Name>;<Role in this trial>;<Place>;<Date>

  • 13 J.-L. Pinol, 1991.

20Nous obtenons la liste des acteurs intervenant dans un procès, chacun décrit par son rôle. Nous pouvons partir de cette liste pour retrouver ces mêmes acteurs dans d’autres affaires et d’autres documents, soit comme intervenants dans des procès, soit dans d’autres rôles. Et ce, quels que soient les acteurs, officiers royaux concussionnaires ou paysans jugés pour s’être trop impliqués dans des violences locales. Le suivi des officiers royaux dans les procès de première instance, classés chronologiquement, nous en apprendra beaucoup sur la mobilité et les déplacements de population dans le territoire, un grand inconnu dans l’histoire de la Norvège. On imagine aisément ce que la même approche pourrait donner sur les registres de recensements quinquennaux de la France du xixe siècle pour le suivi des individus d’un quartier à l’autre, d’un ménage à l’autre d’une même ville13. La puissance de l’instrument est telle que l’intelligence artificielle ouvre à nouveau l’ère des études sérielles, totalement renouvelées par l’immense augmentation de productivité qui en découle. La base de données avait dans ce domaine représenté une étape importante. L’IA en ouvre une autre, encore plus spectaculaire.

Alimenter des bases de données à partir des répertoires existants : un test sur le Maitron

21Nous pouvons utiliser la même technique pour traiter d’autres sources, primaires et secondaires. Nous l’utilisons notamment pour récupérer l’information contenue dans les dictionnaires biographiques danois, norvégiens, et suédois. Nous donnerons cependant un exemple français de ce type de traitement, tiré du Maitron14, pour permettre au lecteur francophone de suivre plus facilement les résultats.

22Il s’agit de transcrire une entrée de dictionnaire, fournie en texte libre, au format de Fichoz, sous la forme d’un enregistrement pour chaque action ; autrement dit de transformer des données fournies sous forme « littéraire » par le Dictionnaire en une base de données qui permet de croiser les informations sur les individus, les types d’actions et les lieux, les rendant ainsi directement exploitables pour la recherche. Nous présenterons d’abord une entrée du Dictionnaire, puis l’invite que nous indiquons à OpenAI et enfin, le résultat.

23La notice du Maitron :

« Jean Baptiste Loubet

Né le 29 avril 1899 à Couladère (Haute-Garonne), mort le 14 septembre 1988 à Paris (XVIIIe arr.) ; instituteur ; militant syndicaliste en Tunisie ; militant socialiste SFIO, Conseiller de l’Union française.

Fils de cultivateurs (père terrassier selon l’état civil), Jean Loubet reçut les premiers sacrements catholiques. Après avoir obtenu le brevet élémentaire au cours complémentaire de Cazères (Haute-Garonne), il entra à l’École normale d’instituteurs de Tunis en octobre 1915. Mobilisé au début de 1918, il exerça comme instituteur à Tunis de 1920 à 1934.

Syndiqué en juin 1921, il devint secrétaire adjoint, et peut-être secrétaire général, de la section du Syndicat national (CGT) de 1930 à 1934. Il participa aux réunions du conseil national du SNI en 1932 et en 1934 et fut responsable de l’Union départementale de la Fédération des fonctionnaires en 1933 et 1934.

Socialiste SFIO depuis 1921, franc-maçon (Grand Orient de France à partir de juin 1924), Jean Loubet participa au congrès d’Amsterdam en août 1932. En 1934, il prit une part active à la lutte contre la répression organisée par le résident général Peyrouton. Aussi fit-il partie des fonctionnaires mis à la disposition du gouvernement en juillet 1934. Il fut alors nommé au cours complémentaire de Saint-Ouen (Seine) à partir d’octobre 1934.

Militant de la section du SNI de la Seine, Jean Loubet fut nommé en 1936 au secrétariat de la présidence du Conseil et ensuite, fut détaché aux côtés de Charles-André Julien, comme secrétaire-adjoint du Haut Comité méditerranéen. Il dut réintégrer la section départementale du syndicat puisqu’il fut élu, bien que n’étant pas en fonctions, à son conseil, en janvier 1939, avec 2 079 voix sur 2 858 votants, sur la liste “de l’unité et de la paix”. De 1934 à 1939, il représenta de façon permanente la Fédération socialiste SFIO de Tunisie au conseil national du parti.

Officier de réserve, mobilisé en septembre 1939, Jean Loubet fut fait prisonnier en juin 1940, et libéré en août 1941. Révoqué pour appartenance à la franc-maçonnerie, il rejoignit la Résistance (“Ceux de la Résistance”).

  • 15 Notice « LOUBET Jean, Baptiste », par Jacques Girault, Le Maitron. Dictionnaire biographique du mou (...)

Après la guerre, réintégré, Loubet fit partie des cabinets des ministres de l’Éducation nationale de septembre 1944 à février 1948. Il en était chef-adjoint en mai 1946. Il suivit alors Marcel-Edmond Nægelen en Algérie et quitta définitivement l’enseignement pour être intégré au secrétariat du groupe socialiste SFIO de l’assemblée de l’Union française où il demeura jusqu’à la fin de la Quatrième République15. »

24L’invite :

Please write the information provided by the user as CSV lines, using the following format:

<Name>;<Event>;<Place>;<Year>=<Month>=<Day>;<Ending year if this is a period and not an event>=<Month>=<Day>

Write 00 for missing days or months, eg. 1920=00=00, or 1905=02=00

25Le résultat se présente sous la forme d’un fichier CSV qui peut être importé dans une base de données :

Jean Baptiste Loubet;Naissance;Couladère (Haute-Garonne);1899=04=29;;

Jean Baptiste Loubet;Décès;Paris (XVIIIe arr.);1988=09=14;;

Jean Baptiste Loubet;École normale d’instituteurs de Tunis;Tunis;1915=10=00;;

Jean Baptiste Loubet;Mobilisation;--;1918=00=00;;

Jean Baptiste Loubet;Instituteur à Tunis;Tunis;1920=00=00;1934=00=00;;

Jean Baptiste Loubet;Adhésion au Syndicat national;--;1921=06=00;;

Jean Baptiste Loubet;Secrétaire adjoint du Syndicat national;--;1930=00=00;1934=00=00;;

Jean Baptiste Loubet;Congrès d’Amsterdam;Amsterdam;1932=08=00;;

Jean Baptiste Loubet;Nomination au cours complémentaire de Saint-Ouen;Saint-Ouen (Seine);1934=10=00;;

Jean Baptiste Loubet;Seconde Guerre mondiale - mobilisation;--;1939=09=00;;

Jean Baptiste Loubet;Prisonnier de guerre;--;1940=06=00;;

Jean Baptiste Loubet;Libération des prisonniers de guerre;--;1941=08=00;;

Jean Baptiste Loubet;Résistance dans "Ceux de la Résistance";--;1941=00=00;;

Jean Baptiste Loubet;Réintégration après guerre;--;1944=09=00;;

Jean Baptiste Loubet;Cabinets des ministres de l’Éducation nationale;--;1944=09=00;1948=02=00;;

Jean Baptiste Loubet;Adjoint au secrétariat du groupe socialiste SFIO de l’assemblée de l’Union française;--;1946=05=00;;

26Toutes les données ont été découpées et structurées conformément au schéma Who, What, Where et When qui régit le système Fichoz. Il est aisé de modifier cette approche pour y inclure des éléments tels que « With whom », un partenaire dans une action, par exemple dans le cas d’un mariage. Le résultat n’est pas parfait. Certaines actions sont passées entre les mailles du filet. Une formulation plus précise de l’invite permettrait sans doute de corriger la plupart de ces soucis. Il faudrait également préciser dans la base que le « Syndicat national » est celui des instituteurs. Malgré ces insuffisances, nous avons obtenu en quelques minutes un schéma fiable et directement utilisable, que nous n’avons plus qu’à compléter.

Des usages multiples de l’IA : produire des graphes et extrapoler des concepts

  • 16 S. Hart, 1976.

27Mentionnons d’abord un service nouveau, directement utile à l’historien, lui aussi, qui illustre bien le bouillonnement actuel : la possibilité – initialement offerte par l’entreprise Noteable, et maintenant proposée pour OpenAI comme un service complémentaire dans ChatGPT – de faire écrire le code par LLM (par exemple SQL, Python et R) et produire des visualisations interactives en utilisant Python. Le LLM interagit ainsi avec l’utilisateur sur le mode conversationnel et fonctionne donc comme un programmeur au service de l’utilisateur. Grâce à lui, il est désormais possible d’utiliser ChatGPT comme assistant dans l’analyse statistique des fichiers en format Excel ou CSV produits à partir de bases de données historiques. Nous présentons ci-dessous un graphe que nous avons réalisé en quelques minutes à partir des données produites par Simon Hart, ancien archiviste du Stadsarchief Amsterdam et publiées il y a presque cinquante ans16. Hart a dépouillé les registres des mariages d’Amsterdam à l’époque moderne. Nous avons pu produire un graphique rendant compte des mariages de Norvégiens (et plusieurs autres graphes dans la foulée) avec la simple invite « Please generate python code to analyse the data in the Amsterdam marriages file and produce some data analysis and visualizations » (Figure 1). Le graphique est généré non par le LLM, mais par le code python écrit par le LLM. Donc, le procès de génération du graphique est parfaitement transparent et fiable. Une vérification rapide a permis de constater que les données du graphique sont correctes.

Figure 1. Quinquennial flow of Norwegian marriages in Amsterdam (1580-1810) (Exploitation_Doc01)

Figure 1. Quinquennial flow of Norwegian marriages in Amsterdam (1580-1810) (Exploitation_Doc01)
  • 17 Publié par J. de Clercq, 1880-1917, p. 512-518.

28Un dernier exemple portera sur l’analyse textuelle. OpenAI permet l’analyse thématique des textes, fondée non plus sur les chaînes de caractères que représentent les mots, mais sur les concepts qu’elles sous-tendent. La possibilité d’utiliser l’IA pour repérer des concepts dans un corpus – même lorsque le terme exact n’est pas utilisé – ouvre des perspectives vertigineuses pour l’analyse sérielle de corpus textuels cohérents, comme ceux des traités bilatéraux du xixe siècle. Elle permet notamment un gain de temps considérable dans la phase d’extraction des informations pertinentes. Nous explorerons ce champ en analysant le traité du 9 octobre 1858 entre le Japon (Bakufu) et la France17.

29Considéré comme le premier instrument diplomatique entre les deux pays, le traité franco-japonais de 1858 garantit la protection réciproque des personnes et des biens, autorise la présence d’un agent diplomatique français à Yedo et de consuls dans une série de ports japonais qu’il ouvre au commerce français, autorise la pratique du christianisme, fixe les droits de douanes réciproques, et régule le régime juridique des Français au Japon. Les traités signés à cette époque entre les puissances occidentales et le Japon sont connus comme « traités inégaux », car ils prévoient, outre une asymétrie dans les clauses commerciales, que les sujets européens jouiront du privilège d’extraterritorialité, régime par lequel les ressortissants d’un pays (en l’occurrence ici la France) résidant dans un autre (le Japon) ne relèvent pas des juridictions du pays d’accueil, mais de celles de leur pays d’origine. Or, à aucun moment le mot d’« extraterritorialité » n’est présent dans le texte du traité. Est-ce que cela revient toutefois à dire que la notion y est absente ? Demandons-le à GPT-4.

30Nous avons chargé dans GPT-4 le texte du traité, qui nous est fourni par une base de données de type Fichoz. Nous utilisons l’invite : « What does this treaty say about extraterritoriality? Reply in French. » Réponse :

« Ce traité parle de l’extraterritorialité dans les articles suivants :
Article V : Tous les différends qui pourraient s’élever entre Français au sujet de leurs droits, de leurs propriétés ou de leurs personnes, dans les domaines de Sa Majesté l’Empereur du Japon, seront soumis à la juridiction des autorités françaises constituées dans le pays.
Article VI : Les sujets français qui se rendraient coupables de quelque crime contre les Japonais, ou contre des individus appartenant à d’autres nations, seront traduits devant le consul français, et punis conformément aux lois de l’Empire français. La justice sera équitablement et impartialement administrée de part et d’autre. »

31Ces résumés sont exacts, proches de ce que n’importe quel historien bien formé aurait produit. D’autres essais, sur d’autres types de textes, ont donné des résultats de la même qualité. Il est possible de retrouver ainsi des concepts prégnants, mais évanescents. On pourrait imaginer rechercher, par exemple, le concept de réciprocité. L’histoire des relations entre l’Occident et le Japon en serait bouleversée. On pourrait de la même façon passer à la moulinette tous les traités, les uns après les autres, et créer une base de données formée des résumés ainsi obtenus, qui servirait de métadonnées pour la recherche de conclusions.

Conclusions

32Il convient de souligner deux points. Premièrement, ce que nous avons écrit et décrit ici ne concerne pas le futur : nous sommes déjà en plein dedans. De plus, nous nous trouvons à un moment où cette technologie évolue littéralement d’une semaine à l’autre. Nous avons ainsi constaté un changement de capacité du modèle GPT-4 lors d’une pause déjeuner. À notre retour, nous avons remarqué une amélioration notable de la performance du modèle utilisé en tant qu’assistant scientifique.

33Ce qui nous conduit au second point : il est urgent de repenser notre manière de travailler. Non pas notre manière de faire de l’histoire en tant que telle, car la machine l’aborde de la même manière que nous lorsque nous lui présentons des sources et que nous lui demandons de les analyser : pour preuve, l’analyse du traité avec le Japon, dont le rapport final n’aurait pas été différent s’il avait été produit par un auteur humain et historien. Mais nous sommes confrontés ici, en tant qu’historiens, à deux défis majeurs : nous adapter aux changements brusques dans les outils et, en les utilisant, développer de nouvelles méthodes pour travailler avec eux. Mois après mois, ces outils acquièrent plus de capacités, ils deviennent plus intelligents, capables de traiter un plus grand nombre de jetons à la fois, d’utiliser des techniques plus variées, d’analyser des images, etc.

34D’une certaine façon, l’IA ouvre en perspective la possibilité d’un renouveau majeur de l’histoire sérielle (sous l’égide probable du big data), notamment en synergie avec la transcription automatique de textes manuscrits, rendue désormais performante par des systèmes tels que Transkribus. Les domaines à explorer sont multiples, ils évoluent très rapidement, et nous avons ainsi tout intérêt à nourrir une démarche autoréflexive sur nos pratiques et à éduquer les nouvelles générations aux protocoles de vérification des résultats générés par l’IA.

  • 18 D. Patel & A. Afzal, 2023.
  • 19 Les modèles LLaMa-2, Mistral et Mixtral, publiés après la rédaction initiale de cet article, se sit (...)

35Le premier défi implique d’être au courant des évolutions dans le champ, sans se perdre dans une chasse permanente de nouveaux modèles et logiciels. Il est clair que les modèles open source vont évoluer rapidement, comme le pressentent entre autres les employés de Google (voir le document filtré intitulé « We have no moat »)18. Mais jusqu’en avril 2024 ces modèles étaient moins puissants que les versions plus récentes de GPT-4 et Opus de Claude 319, et leur capacité linguistique reste limitée en comparaison avec les modèles à spectre large, dont OpenAI est le plus important. Il est certain cependant que nous travaillerons avec un autre modèle dans deux ans, voire probable dès l’année prochaine. Mais nous savons aussi que nous pouvons facilement perdre des semaines à installer, entraîner, et tester les modèles open source sans cesse renouvelés. Trouver un équilibre, et savoir quand changer d’instrument, sera un enjeu clef.

36Le second défi est encore plus important. Il nous faut apprendre à travailler avec ces outils, en comprendre les possibilités et limites, inventer des usages nouveaux. Savoir organiser le travail pour mieux utiliser la technologie sera un autre enjeu capital, pour la raison que nous avons exprimée plus haut. À notre sens, ce n’est pas seulement le plus important, mais aussi le plus intéressant.

Haut de page

Bibliographie

Sources imprimées

de Clercq, Jules (dir.), Recueil des traités de la France publié sous les auspices du Ministère des Affaires étrangères par M. Jules de Clerq, consul de France [de 1713 à 1906], t. VII : 1856-1859, Paris, A. Pedone, 1880-1917.

Travaux

Dedieu, Jean-Pierre & Chaparro, Álvaro, « De la base au réseau. L’apport des bases de données à l’étude des réseaux », Les cahiers de Framespa, no 12, 2013.
DOI : https://doi.org/10.4000/framespa.2173

Genet, Jean-Philippe, « Histoire, informatique, mesure », Histoire & Mesure, vol. 1, no 1, 1986, p. 7-18.
DOI : https://doi.org/10.3406/hism.1986.904

Hart, Simon, Geschrift en Getal. Een keuze uit de demographisch-, economisch- en sociaal-historische studien op grond von Amsterdamse en Zaanse archivalia, 1600-1800, Dordrecht, Historische Vereniging Holland, 1976.

Henningsen, Gustav, « The Database of the Spanish Inquisition », Vorträge zur Justizforschung, Geschichte und Theorie, vol. 2, 1993, p. 43-85.

Knutsen, Gunnar W., « EMID-The Early Modern Inquisition Database », Revista de la Inquisición. Intolerancia y Derechos Humanos, vol. 22, 2018, p. 151-158.

Patel, Dylan & Afzal, Ahmad, « Google “We have no Moat, and Neither does OpenAI” » (en ligne), billet du 4 mai, SemiAnalysis, 2023.
URL : https://semianalysis.com/2023/05/04/google-we-have-no-moat-and-neither/#and-neither-does-openai

Pinol, Jean-Luc, Les mobilités de la grande ville. Lyon, fin xixe-début xxe siècle, Paris, Presses de la Fondation nationale des sciences politiques, 1991.

Vaswani, Ashish, Shazeer, Noam M., Parmar, Niki, Uszkoreit, Jakob, Jones, Llion, Gomez, Aidan N., Kaiser, Lukasz & Polosukhin, Illia, « Attention is All you Need », document déposé en ligne, 31st Conference on Neural Information Processing Systems (NIPS), Long Beach, 2017.
DOI : https://doi.org/10.48550/arXiv.1706.03762

Haut de page

Notes

1 Où l’activité principale des utilisateurs, nous disent les anciens, consistait à fumer, en attendant le résultat du calcul demandé, lequel, étant donné le nombre d’usagers qui se partageaient l’instrument, arrivait avec une sage lenteur. Cela laissait le temps de réfléchir. Nombre d’utilisateurs des vieux mainframes n’ont jamais pu s’adapter à la vivacité qu’exige à l’inverse l’ordinateur personnel.

2 J.-P. Genet, 1986.

3 Ils sont réels. À notre avis, du point de vue de la recherche historique, le principal, et de loin, serait l’assimilation par le logiciel, au cours de son apprentissage sémantique, de schémas inadaptés à la matière historique qu’on lui donne à analyser, ce qui l’amènerait à livrer des résultats erronés, dans la plus parfaite opacité et sans que l’utilisateur n’ait les moyens de contrôler cet apprentissage.

4 G. Henningsen, 1993.

5 La différence tient à la présence de nombreux double-comptes, certaines affaires apparaissant dans plusieurs des documents dépouillés.

6 G. W. Knutsen, 2018.

7 OpenAI fut fondée en tant qu’association à but non lucratif, par un groupe auquel appartenait Elon Musk, qui abandonna la compagnie en 2018. Elle se donne pour but le développement d’instruments d’intelligence artificielle (IA) qui présentent la garantie de ne pouvoir s’auto-améliorer, échappant ainsi au contrôle de leur concepteur. OpenAI fut transformée en entreprise à but lucratif plafonné en 2019. Depuis cette date, elle a un accord de coopération étroit avec Microsoft pour aider à intégrer l’IA aux produits de cette firme.

8 Le nom « transformer » indique que le produit est basé sur l’architecture neuronale dite « Transformer », développée par Google, qui repose sur un mécanisme d’attention. Voir l’article séminal pour cette technologie : A. Vaswani et al., 2017.

9 Et le tokenizer qui convertit les mots en jetons.

10 Il en va de même pour les modèles open source, où un nombre plus élevé de jetons implique qu’il faut utiliser un ordinateur plus coûteux.

11 Par exemple, en juin 2023, le prix pour les réponses était de 0,12 $ pour 1 000 jetons pour GPT-4, et de 0,002 $ pour 1 000 jetons de GPT-3.5-turbo : dans les deux cas, c’est beaucoup moins cher qu’un assistant humain.

12 Sur Fichoz, voir entre autres J.-P. Dedieu & Á. Chaparro, 2013.

13 J.-L. Pinol, 1991.

14 Le Maitron. Dictionnaire biographique de mouvement ouvrier (URL : https://maitron.fr/).

15 Notice « LOUBET Jean, Baptiste », par Jacques Girault, Le Maitron. Dictionnaire biographique du mouvement ouvrier (URL : https://maitron.fr/spip.php?article139568, version mise en ligne le 6 février 2012, dernière modification le 2 mai 2021).

16 S. Hart, 1976.

17 Publié par J. de Clercq, 1880-1917, p. 512-518.

18 D. Patel & A. Afzal, 2023.

19 Les modèles LLaMa-2, Mistral et Mixtral, publiés après la rédaction initiale de cet article, se situent approximativement au même niveau que GPT-3.5 en termes de performances, mais présentent une plus grande complexité en matière d’exploitation. Le modèle LLama-3-70B publié en avril 2024 se situe au même niveau que GPT-4 quand ce modèle fut publié il y a un an.

Haut de page

Table des illustrations

Titre Figure 1. Quinquennial flow of Norwegian marriages in Amsterdam (1580-1810) (Exploitation_Doc01)
URL http://journals.openedition.org/histoiremesure/docannexe/image/21657/img-1.jpg
Fichier image/jpeg, 318k
Haut de page

Pour citer cet article

Référence papier

Gunnar W. Knutsen, « Alimenter des bases de données grâce à l’intelligence artificielle »Histoire & mesure, XXXIX-2 | 2024, 99-116.

Référence électronique

Gunnar W. Knutsen, « Alimenter des bases de données grâce à l’intelligence artificielle »Histoire & mesure [En ligne], XXXIX-2 | 2024, mis en ligne le 01 mai 2025, consulté le 19 juin 2025. URL : http://journals.openedition.org/histoiremesure/21657 ; DOI : https://doi.org/10.4000/140kk

Haut de page

Auteur

Gunnar W. Knutsen

Université de Bergen
gunnar.knutsen@uib.no

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Search OpenEdition Search

You will be redirected to OpenEdition Search