Determinative Detection in Egyptian Hieroglyphic Sequences: A Sequence-Labelling Benchmark and Multi-Agent LLM Baseline

Pendant plus de trois mille ans, les anciens Égyptiens ont écrit leur histoire, leurs prières et leurs lois à l'aide d'un système d'images qui ressemble, pour l'œil moderne, à une galerie d'oiseaux, de jambes et de formes géométriques. Mais ce système d'écriture était bien plus qu'une simple liste de sons. C'était un code hybride où une seule image pouvait remplir trois fonctions différentes à la fois : elle pouvait représenter un son, elle pouvait signifier un mot entier, ou elle pouvait agir comme une étiquette silencieuse. Cette troisième fonction, assurée par un signe appelé déterminatif, est la clé pour comprendre le texte. Un déterminatif est un marqueur silencieux placé à la fin d'un mot pour indiquer au lecteur de quel type de chose il s'agit. Il peut signaler que le mot se rapporte à une personne, un animal, un dieu ou un type d'action. Comme ces signes sont silencieux et ressemblent souvent aux autres images de la phrase, déterminer lesquels sont de simples sons et lesquels sont les étiquettes silencieuses est un puzzle difficile. Sans la résolution de ce puzzle, les ordinateurs ne peuvent pas traduire correctement l'égyptien ancien, car ils ne peuvent pas distinguer où un mot finit et où le suivant commence, ni comprendre le sens des mots qu'ils trouvent.

Pendant des décennies, des érudits ont étudié ces étiquettes silencieuses à la main, mais le volume de textes rend impossible pour les humains de tout traiter seuls. Récemment, des chercheurs ont tenté d'apprendre aux ordinateurs à lire ces écritures anciennes, mais la majeure partie de ce travail s'est concentrée sur la simple reconnaissance des images elles-mêmes, comme identifier un dessin d'oiseau ou de jambe. Très peu d'attention a été accordée à la tâche plus difficile de déterminer quels dessins agissent comme des étiquettes silencieuses. Une nouvelle étude menée par des chercheurs du Brésil et d'Espagne s'attaque directement à cette lacune. Ils ont créé un système informatique conçu spécifiquement pour trouver ces étiquettes silencieuses dans des séquences d'écriture égyptienne ancienne. Au lieu de simplement deviner, le système utilise une équipe d'agents d'intelligence artificielle qui travaillent ensemble, examinant le texte sous différents angles pour parvenir à une conclusion qui soit à la fois intelligente et fiable.

Les chercheurs ont commencé par construire une bibliothèque de connaissances spécialisée. Ils ont rassemblé des informations sur plus de quatre-vingts signes différents pouvant servir d'étiquettes silencieuses, en les organisant en catégories telles que les personnes, les animaux, les dieux et la nature. Ils ont ensuite créé un ensemble de test de quatre-vingt-dix-neuf courtes séquences d'écriture ancienne, qui avaient été soigneusement vérifiées et étiquetées par des experts humains. Cet ensemble sert de référence, un test standard pour voir comment un programme informatique peut accomplir la tâche. L'objectif était de voir si une machine pouvait examiner une chaîne de symboles et identifier correctement lesquels étaient les étiquettes silencieuses et lesquels n'étaient que des sons ou des parties du mot lui-même.

Pour résoudre cela, l'équipe a construit un système qui agit comme un petit comité d'experts. Ils ont utilisé des modèles de langage étendus, qui sont des programmes informatiques puissants entraînés sur de vastes quantités de texte, mais ils ne les ont pas laissés travailler seuls. Au lieu de cela, ils ont mis en place deux agents indépendants pour analyser chaque séquence d'écriture. Un agent examinait le sens des signes, posant des questions telles que : « Cette image correspond-elle à l'idée d'un dieu ou d'une personne ? ». L'autre agent examinait strictement la structure et la position des signes, demandant : « Ce signe est-il à la fin du mot, là où les étiquettes silencieuses se trouvent habituellement ? ». Crucialement, ces deux agents ne se parlaient pas pendant qu'ils travaillaient. Ils devaient former leurs propres opinions de manière indépendante. Cette conception garantit que si les deux agents sont d'accord sur une étiquette, c'est un signe fort qu'ils ont raison, plutôt que de simplement copier les erreurs de l'autre.

Une fois que les deux agents ont terminé leur analyse, un troisième agent agissait comme un synthétiseur, regroupant leurs conclusions. Il cherchait les points d'accord et de désaccord entre les deux. Enfin, un ensemble de règles strictes et immuables agissait comme un arbitre. Cet arbitre vérifiait les suggestions par rapport à la base de connaissances construite par les chercheurs. Il appliquait des règles spécifiques, telles que : « un signe signifiant un récipient ne peut être une étiquette silencieuse que si le texte traite de liquides ou d'offrandes ». Si le contexte ne correspondait pas, la règle rejetait la suggestion, même si les agents d'intelligence artificielle pensaient qu'elle était correcte. Cette combinaison de pensée flexible de l'IA et de règles rigides de l'arbitre a permis de créer un système capable de gérer la complexité de la langue ancienne sans faire de suppositions sauvages.

Les chercheurs ont testé leur système à l'aide d'une méthode rigoureuse conçue pour garantir que les résultats n'étaient pas de simples coups de chance. Ils ont divisé leurs quatre-vingt-dix-neuf séquences de test en cinq groupes différents. À chaque cycle de test, ils utilisaient quatre groupes pour entraîner le système et le cinquième groupe pour le tester, répétant ce processus jusqu'à ce que chaque séquence ait été testée exactement une fois. Cette approche leur a donné une image claire de la performance du système sur du nouveau texte non vu. Les résultats ont montré que le système était très efficace. Il identifiait correctement les étiquettes silencieuses dans la grande majorité des cas, atteignant un taux de réussite d'environ quatre-vingt-deux pour cent lorsqu'il considérait tous les types d'étiquettes de manière égale, et d'environ quatre-vingt-huit pour cent lorsqu'il regardait le nombre total d'étiquettes trouvées. La cohérence de ces résultats à travers les différents groupes de test a montré que le système était robuste et n'était pas dépendant d'un ensemble spécifique d'exemples.

L'une des découvertes les plus intéressantes fut la manière dont le système gérait les cas difficiles. Les chercheurs ont découvert que le système fonctionnait mieux lorsque le texte était riche en informations, contenant trois étiquettes silencieuses ou plus. Dans ces séquences complexes, les différents indices de sens et de structure se renforçaient mutuellement, rendant la réponse correcte évidente. Cependant, le système éprouvait plus de difficultés avec les séquences très courtes qui ne contenaient aucune étiquette silencieuse, ou seulement une seule. Dans ces cas de rareté, le manque d'indices environnants rendait plus difficile pour le système d'être certain, entraînant davantage d'erreurs. Cela suggère que le système est très bon pour trouver des modèles lorsqu'il y a beaucoup de preuves, mais qu'il a besoin de plus d'aide lorsque le texte est très simple.

Une autre innovation majeure de ce travail est la manière dont il présente ses réponses. Au lieu de donner une réponse unique et finale comme une boîte noire, le système propose une liste classée de possibilités. Il offre une interprétation principale, qui est la plus probable, mais il liste également jusqu'à trois interprétations alternatives. Pour chaque alternative, le système explique exactement quelles preuves supplémentaires seraient nécessaires pour que cette alternative devienne la bonne. Par exemple, il pourrait dire : « Nous pensons que ce signe est une étiquette pour un dieu, mais si le texte concernait un temple, il pourrait aussi être une étiquette pour un bâtiment ». Cette transparence transforme l'ordinateur en un outil collaboratif pour les chercheurs humains. Il ne remplace pas l'expert ; au contraire, il expose les options et le raisonnement, permettant à l'humain de prendre la décision finale basée sur sa connaissance plus approfondie.

L'étude a également mis en évidence des défis spécifiques qui subsistent. Le système confondait parfois des signes ayant deux fonctions très différentes, comme un dessin de jambes en marche qui peut signifier « marcher » ou agir comme une étiquette silencieuse pour « action ». Comme l'ordinateur s'appuie sur le contexte pour décider de la fonction du signe, il commettait occasionnellement des erreurs lorsque le contexte était ambigu. Les chercheurs ont noté que ces erreurs n'étaient pas dues à un défaut de logique du système, mais plutôt à une limitation de la base de connaissances actuelle. En ajoutant plus d'exemples et en affinant les règles pour ces signes délicats, le système pourrait probablement s'améliorer davantage.

En fin de compte, ce travail établit une nouvelle norme pour la façon dont les ordinateurs peuvent interagir avec les systèmes d'écriture anciens. Il prouve qu'une approche hybride, combinant le raisonnement flexible de l'intelligence artificielle moderne et les règles strictes de l'érudition humaine, peut résoudre des problèmes qu'aucun des deux ne pourrait résoudre seul. Le système ne produit pas seulement une traduction ; il produit un argument structuré qui peut être vérifié, questionné et amélioré. En rendant le raisonnement visible et les alternatives claires, les chercheurs ont créé un outil qui respecte la complexité de la langue ancienne tout en ouvrant la porte à une analyse plus rapide et plus précise des milliers de textes qui restent à lire. Ce n'est pas une solution magique qui résout tout instantanément, mais c'est une étape significative, fournissant une base fiable pour les recherches futures et une nouvelle façon pour les machines et les humains de travailler ensemble pour comprendre le passé.