Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages

Le Mur Invisible dans la Machine

Imaginez l'internet comme une bibliothèque géante et animée où chaque livre, vidéo et conversation jamais enregistrée est stocké. C'est la « donnée d'entraînement » que l'Intelligence Artificielle (IA) utilise pour apprendre à parler, écrire et résoudre des problèmes. Pendant longtemps, cette bibliothèque était presque entièrement remplie de livres écrits en anglais. Parce que l'IA n'avait que des livres en anglais à lire, elle est devenue experte en anglais mais a eu du mal à comprendre toute autre chose. C'est le problème central des « langues à faibles ressources » : si une langue n'est pas bien représentée dans le monde numérique, l'IA construite pour aider les personnes utilisant cette langue naît avec un handicap.

Pour comprendre pourquoi cela importe, nous devons examiner deux idées simples. Premièrement, la Charge Cognitive est comme un sac à dos que votre cerveau transporte. Quand vous apprenez quelque chose de nouveau, votre sac à dos devient plus lourd. Si vous devez apprendre un concept mathématique difficile et le traduire d'une langue que vous ne maîtrisez pas bien en même temps, votre sac à dos devient si lourd qu'il éclate, et vous ne pouvez plus apprendre les mathématiques. Deuxièmement, la Tokenisation est la façon dont les ordinateurs découpent les mots en minuscules morceaux pour les comprendre. Voyez cela comme un puzzle : si les pièces du puzzle pour une langue sont coupées parfaitement, l'image est claire. Si les pièces d'une autre langue sont coupées en petits fragments désordonnés, l'ordinateur doit travailler beaucoup plus dur pour reconstituer l'image.

Pourquoi est-ce que cela devrait intéresser quelqu'un ? Parce que l'IA est vendue comme un tuteur magique capable d'enseigner à n'importe qui, n'importe où, comment coder ou résoudre des problèmes. Mais si ce tuteur a été entraîné uniquement sur des livres en anglais, parle uniquement anglais et ne fonctionne que lorsque vous avez une connexion internet ultra-rapide, il échoue auprès de ceux qui en ont le plus besoin : les étudiants des zones rurales parlant des langues comme le bengali. Ce document examine pourquoi ce tuteur « magique » est en réalité défaillant pour eux, non pas parce que la technologie est mauvaise, mais parce que la fondation sur laquelle elle a été bâtie n'a jamais été conçue pour eux.

---

L'Échec Silencieux : Pourquoi l'IA Ignore les Locuteurs du Bengali

Ce document, intitulé « Silence Structurel », raconte comment l'infrastructure de l'IA construit accidentellement un mur autour des locuteurs de langues sous-représentées, en utilisant le bengali comme étude de cas. Le bengali est une langue massive, parlée par environ 285 millions de personnes — soit environ 4 % de la population mondiale totale. Elle possède une histoire de plus de 1 400 ans et est une langue officielle dans deux pays. On pourrait penser qu'une langue aussi grande serait une superstar dans le monde de l'IA. Mais les auteurs ont découvert qu'au lieu d'être une star, le bengali est « réduit au silence » par quatre échecs structurels spécifiques qui s'empilent comme un château de cartes.

1. L'Étagère Vide (Le Fossé de la Présence Web)

Imaginez essayer d'apprendre à un robot à parler bengali en lui donnant une bibliothèque à lire. Le problème est que la bibliothèque est presque vide. Même si les locuteurs du bengali représentent 4 % du monde, la langue ne compte pour moins de 0,5 % de tout le contenu sur internet. En revanche, l'anglais, qui a un nombre similaire de locuteurs natifs, représente environ 49,5 % du web.

Les modèles d'IA sont entraînés en « parcourant » le web pour saisir du texte. Comme il y a si peu de texte en bengali en ligne, l'IA s'entraîne très peu. C'est comme essayer d'apprendre à jouer du violon en écoutant une seule chanson, tandis que votre ami anglophone peut en écouter un million. Les auteurs soulignent que ce n'est pas seulement une question d'accès à internet ; c'est une question de savoir qui a écrit et publié du contenu en ligne pendant des décennies. Résultat ? L'IA commence son entraînement avec un désavantage massif avant même d'avoir appris un seul mot.

2. La Famine de Données (Le Déficit de Tokens d'Entraînement)

Parce qu'il y a si peu de bengali sur le web, l'IA est affamée de « tokens ». Les tokens sont les minuscules morceaux de texte que l'ordinateur utilise pour apprendre. Le document met en évidence un écart choquant : dans les principaux ensembles de données d'entraînement, il y a 67 tokens anglais pour chaque token bengali.

Voyez cela comme un régime alimentaire. Si l'anglais a droit à un festin de 67 assiettes de nourriture, le bengali n'a droit qu'à une miette. Les auteurs notent que même lorsque le bengali est inclus dans des modèles « multilingues » (des modèles qui tentent d'apprendre de nombreuses langues), il est toujours bien moins performant que l'anglais. Les données ne sont pas seulement rares ; elles sont si rares que l'IA n'a tout simplement pas vu assez d'exemples pour apprendre correctement les règles de la langue.

3. Les Pièces de Puzzle Cassées (La Pénalité de Tokenisation)

C'est ici que les choses se compliquent. Même si vous donniez à l'IA la même quantité de texte en bengali qu'en anglais, elle aurait toujours des difficultés. Pourquoi ? À cause de la façon dont l'ordinateur découpe les mots.

L'anglais utilise l'alphabet latin, qui est relativement simple pour les ordinateurs à découper. Le bengali utilise un script « alphasyllabique », où les lettres se combinent avec de petits signes (diacritiques) et se rejoignent de manières complexes. Les outils informatiques standards, conçus pour l'anglais, découpent les mots bengalis en fragments minuscules et désordonnés. Les auteurs appellent cela une « pénalité de tokenisation ».

Imaginez que vous essayez d'assembler un puzzle. Pour l'anglais, les pièces sont de grandes formes claires. Pour le bengali, la même image est découpée en milliers de petits éclats dentelés. L'ordinateur doit travailler beaucoup plus dur pour comprendre comment les éclats s'emboîtent. Cela signifie que l'IA doit « manger » encore plus de données pour comprendre la même quantité de sens. Le document suggère que pour obtenir la même performance que l'anglais, les modèles de bengali ont besoin de substantiellement plus de données, juste pour surmonter ce problème de découpage désordonné.

4. Le Piège du Cloud (L'Exclusion par la Connectivité)

Le dernier échec ne concerne pas le cerveau de l'IA ; il concerne le corps de l'IA. La plupart des outils d'IA actuels vivent dans le « cloud ». Cela signifie que vous devez envoyer votre question via internet à un serveur géant, qui réfléchit à la question et renvoie la réponse.

Le document souligne une réalité brutale : dans les zones rurales du Bangladesh, où vivent de nombreux locuteurs du bengali, la pénétration d'internet par individu n'est que de 36,5 %, contre 71,4 % dans les villes. De plus, seulement 9,2 % des ménages possèdent un ordinateur. Si un tuteur d'IA nécessite une connexion internet constante et rapide pour fonctionner, il est fonctionnellement invisible pour l'étudiant rural. C'est comme concevoir une bibliothèque qui ne s'ouvre que si vous possédez un jet privé pour vous y rendre. Les auteurs soutiennent que ce n'est pas seulement un inconvénient ; c'est un choix de conception qui suppose que tout le monde est déjà connecté, excluant de fait les personnes qui en ont le plus besoin.

Le Double Fardeau : Un Sac à Dos Pesant

Lorsque vous combinez ces quatre échecs, le résultat est un « double fardeau » pour l'apprenant. Imaginez un étudiant dans un village rural essayant d'apprendre la programmation informatique.

1. La Barrière Linguistique : Le tuteur d'IA explique le code en anglais (parce qu'il a été principalement entraîné sur l'anglais). L'étudiant doit traduire l'explication anglaise dans sa tête tout en essayant de comprendre le concept de programmation complexe.
2. La Surcharge Cognitive : Son cerveau essaie de faire deux tâches difficiles à la fois : traduire la langue et apprendre les mathématiques. Son « sac à dos » (mémoire de travail) devient trop lourd, et il cesse de comprendre.

Le document cite des recherches montrant que lorsque les étudiants apprennent des concepts techniques dans une seconde langue sans soutien, ils apprennent moins et retiennent moins. Pour un locuteur du bengali, un tuteur d'IA qui parle anglais n'est pas seulement moins pratique ; il est souvent impossible à utiliser efficacement.

Ce que le Document Préconise

Les auteurs précisent avec prudence qu'il ne s'agit pas seulement d'un problème de « correction de code ». Ils soutiennent que nous ne pouvons pas simplement ajuster légèrement l'IA pour qu'elle fonctionne. Toute la fondation est construite sur des suppositions qui excluent les non-anglophones.

• Arrêter de traiter les données comme un projet secondaire : Le document suggère que la construction de jeux de données pour des langues comme le bengali ne devrait pas être vue comme un « travail préliminaire ». Elle devrait être reconnue comme une contribution scientifique majeure, tout aussi importante que l'invention d'un nouveau modèle d'IA.
• Privilégier le mode « Hors-ligne » : Au lieu de supposer que tout le monde a accès à internet, nous devrions concevoir des outils d'IA qui fonctionnent sur un téléphone ou un ordinateur sans avoir besoin d'une connexion. Ce n'est pas une version « moindre » de l'IA ; c'est la seule version qui fonctionne pour la majorité du monde.
• Écouter les Linguistes : Le document appelle les linguistes à intervenir pour expliquer pourquoi les outils informatiques standards échouent face à des langues comme le bengali. Ils possèdent le vocabulaire nécessaire pour repérer ces failles structurelles que les ingénieurs pourraient manquer.

L'Essentiel

Ce document ne prétend pas avoir construit une IA parfaite pour les locuteurs du bengali. Au contraire, il agit comme un détective, pointant les quatre raisons structurelles pour lesquelles le système actuel les fait défaut. Il suggère que l'écart de performance n'est pas dû au fait que le bengali est une langue « difficile » ou que les étudiants ne sont pas intelligents. C'est parce que l'infrastructure de l'IA a été construite avec l'anglais à l'esprit, des livres qu'elle a lus à la manière dont elle découpe les mots, et enfin, à l'hypothèse que tout le monde possède une connexion internet rapide. Tant que nous ne corrigerons pas ces silences structurels, la promesse de l'IA en tant qu'enseignant universel restera une promesse tenue pour quelques privilégiés seulement.