Contributions de l’intelligence artificielle à l’étude des archives de Mari
L’utilisation des outils d’intelligence machine dans une démarche archivistique et de recherche s’avère pertinente pour plusieurs raisons. L’intelligence artificielle pourrait permettre d’étudier de nombreuses archives de manière efficace, rendant accessible des informations difficiles à extraire manuellement. Elle pourrait aussi réaliser des liens entre les artefacts et les différentes archives.
Utilisation de l’intelligence machine pour la transcription du carnet de fouille et l’extraction d’informations
Nous avons testé deux outils d’intelligence artificielle, Transkribus (https://www.transkribus.org/) et ChatGPT 4o (https://openai.com/chatgpt/), afin de transcrire automatiquement un corpus de neuf pages du carnet de fouille du site de Mari. Transkribus est un outil spécialement conçu pour la reconnaissance de l’écriture manuscrite, également connu sous le nom de HTR (Handwritten Text Recognition). L’HTR utilise des modèles d’apprentissage automatique entraînés à reconnaître les variations de l’écriture manuscrite. ChatGPT 4o est un modèle multimodal capable de traiter et de générer du texte en se basant sur une base de données.
La transcription de Transkribus (Fig.1) contient de nombreuses erreurs. Nous avons utilisé le modèle « Transkribus French Model 1 » car il a été conçu spécifiquement pour la transcription en français et présentait le meilleur taux de réussite parmi les modèles disponibles. L’outil propose « Ser Er jacasse sud » au lieu de « Sur le carré sud ». La transcription n’est pas claire en raison des erreurs de reconnaissance de caractères, rendant le texte difficile à suivre. Bien que nous eussions choisi la langue française pour la transcription, le modèle a transcrit « Füre 119 » au lieu de « Fouilles » et « Meiendi – 31118 » à la place de « Mercredi – 3 Mars ». Les modèles proposés par Transkribus ne sont pas adaptés aux données d’un carnet de fouille. Ces résultats soulignent la nécessité de réentraîner un modèle avec des échantillons de pages de carnets pour améliorer sa précision.

Fig.1 – Transcription de Transkribus.
La transcription de ChatGPT 4o est assez fidèle au texte original (Fig.2). De plus, les sections sont bien définies (Fig.3). Toutes les informations importantes sont correctement transcrites.
Contrairement à Transkribus, ChatGPT 4o ne nécessite pas de réentraînement spécifique pour s’adapter à un nouveau corpus. Lors de notre test, ChatGPT 4o a produit des résultats très satisfaisants, bien que quelques erreurs et informations inventées par le modèle aient été observées. ChatGPT 4o, malgré son approche généraliste, a montré une efficacité supérieure au modèle spécifiquement dédié à l’HTR.

Fig.2 – Texte original.


Fig.3 – Transcription de ChatGPT 4o.
Nous avons réalisé de l’extraction d’informations (dates, descriptions, personnes, lieux) avec ChatGPT 4o. Le modèle a généré un tableau avec les informations contenues par le carnet. En tant que large modèle de langage (LLM), ChatGPT 4o ne se limite pas à la transcription, il permet simultanément d’extraire des informations de manière structurée. Il a commis une erreur dans la description du 31 décembre 1936 en indiquant une température de 10° alors qu’elle était de 1° (Fig.4). Néanmoins, cette information n’est pas essentielle pour l’étude du carnet de fouille et les informations extraites par ChatGPT 4o sont exactes pour les autres jours.

Fig.4 – Erreur de ChatGPT 4o dans le tableau.
Les résultats montrent que ChatGPT 4o est plus adapté pour la transcription du carnet de fouille de Mari que Transkribus. De plus, les tests dévoilent une grande habileté de la part du premier modèle pour l’extraction d’informations.
Utilisation de l’intelligence artificielle pour la description de photographies du site de Mari et leur segmentation
L’un des enjeux de l’application de l’intelligence machine sur des images d’archives est l’extraction d’informations directement à partir des photographies. Cela permet d’enrichir les bases de données existantes. L’objectif est d’identifier les entités présentes sur les images grâce à une reconnaissance d’objets et de motifs, de réaliser des catégories, puis une classification. Cela rendrait possible une comparaison de photographies et d’artefacts.
Dans cette optique, nous avons demandé à ChatGPT 4o d’utiliser trois thésaurus pour identifier les éléments présents sur cinq images de Mari. Nous avons tout d’abord testé ChatGPT 4o avec le thésaurus Iconclass, qui fonctionne avec des codes (https://iconclass.org/). L’ambition de ce test est de décrire les contenus graphiques grâce à des thésaurus spécifiques à certaines disciplines, comme l’histoire de l’art, l’archéologie ou l’archivistique. L’intelligence artificielle pourrait ainsi être utilisée pour aligner les descriptions générées automatiquement avec des référentiels existants, ce qui faciliterait une classification des images dans les bases de données.
Nous allons vous présenter nos résultats sur une photographie (Fig.5). Le modèle n’a pas réussi à décrire cette photographie en se fondant sur les codes Iconclass (Fig.6). En effet, 42E312 n’est pas un code utilisé pour représenter un sarcophage, une tombe ou d’autres formes de sépulture. Ce code est attribué aux épitaphes. ChatGPT 4o a voulu décrire des ossements dans une tombe et leur a affecté le code 44B42. Cependant, celui-ci est associé aux négociations et aux conférences diplomatiques dans le thésaurus. Enfin, le modèle a attribué le code 41A311 pour les objets en céramique trouvés lors de fouilles archéologiques mais il permet de décrire une façade avant avec Iconclass. Tous les codes sont faux pour cette image.

Fig.5 – Photographie de test / Archives de la MSH Mondes, AP5367.

Fig.6 – Description ChatGPT 4o avec Iconclass.
Nous avons également testé ChatGPT 4o avec le thésaurus
RAMEAU (https://rameau.bnf.fr/) qui est en format PDF. Sur la même photographie, le modèle a réalisé quatre fautes sur cinq (Fig.7). Le seul terme correct est « photographie ». ChatGPT 4o n’est pas plus efficace avec un thésaurus sous format PDF, comme RAMEAU.

Fig.7 – Description avec RAMEAU.
Nous avons aussi sollicité ChatGPT 4o pour décrire la photographie en utilisant le thésaurus PACTOLS (https://pactols.frantiq.fr/opentheso/) (Fig.8). Les résultats sont meilleurs que précédemment. ChatGPT 4o a trouvé trois termes corrects sur sept. « Fouille », « sépulture » et « site archéologique » sont présents dans PACTOLS.

Fig.8 – Description avec PACTOLS.
Nous avons ensuite testé ChatGPT 4o pour segmenter un autre corpus de cinq photographies du site de Mari. La segmentation des images consiste à les diviser en plusieurs régions ou zones d’intérêt distinctes afin de repérer des objets précis. Cela permet une analyse détaillée et ciblée du contenu visuel. ChatGPT 4o a décrit les photographies et a tenté de réaliser des rectangles de différentes couleurs (Fig.9). Le modèle ne propose pas une segmentation précise pour les données de Mari mais il parvient à identifier les visages.

Fig.9 – Segmentation avec ChatGPT 4o / Archives de la MSH Mondes, AP6684.
ChatGPT 4o parvient à décrire en détail des photographies. Néanmoins, il n’est pas très efficace quand nous lui demandons de se baser sur des thésaurus et il ne sait pas segmenter correctement des images.
ChatGPT 4o pourrait être une aide précieuse pour l’étude du carnet de fouille. Il transcrit convenablement les écritures manuscrites et parvient à extraire des informations. Il est également efficace quand il s’agit de décrire des photographies. Cependant, nous ne pouvons pas lui demander d’utiliser des thésaurus ni de segmenter des photographies.
Cela soulève plusieurs questions de recherche, notamment celle de l’intégration de nos utilisations dans les protocoles scientifiques, ainsi que l’optimisation des performances de l’intelligence artificielle en fonction des exigences des disciplines concernées. Par ailleurs, la dépendance à un modèle payant et propriétaire tel que ChatGPT pose des problématiques liées à l’accessibilité, à la transparence des algorithmes et à la souveraineté des outils dans la recherche académique.
Nos études futures seront consacrées à la recherche d’outils permettant la mise en réseau des photographies du site et de leurs métadonnées, des plans disponibles et du carnet de fouille. Il pourrait être intéressant d’annoter automatiquement les images et le texte ainsi que de connecter les données entre elles. Nous réfléchissons à un moyen d’automatiser l’alignement des données.
OpenEdition vous propose de citer ce billet de la manière suivante :
Marie Manceau (4 janvier 2025). Contributions de l’intelligence artificielle à l’étude des archives de Mari. Consortium-HN pictorIA. Consulté le 20 mai 2026 à l’adresse https://pictoria.hypotheses.org/3510

