AccueilSociétéKomor-IA publie le premier corpus numérique pour le shikomori
Société

Komor-IA publie le premier corpus numérique pour le shikomori

C'est une première aux Comores. La start-up Komor-IA vient de publier le Shikomori Dataset : Français–Shingazidja v1.0, un corpus parallèle de 1 568 paires de phrases alignées entre le français et le shingazidja, l'un...

Km-News

Écrit par

Km-News

24 juillet 2026
398 vues
Partager :
Komor-IA publie le premier corpus numérique pour le shikomori
Image publiée avec l'article KM-News

C'est une première aux Comores. La start-up Komor-IA vient de publier le Shikomori Dataset : Français–Shingazidja v1.0, un corpus parallèle de 1 568 paires de phrases alignées entre le français et le shingazidja, l'un des quatre dialectes du shikomori. Une ressource modeste en volume, mais inédite : jusqu'ici, aucune base de données numérique standardisée n'existait pour entraîner des modèles de traitement automatique du langage dans une langue comorienne.

Nous avons rencontré Soilahoudine Mohamed, CEO de Komor-IA, pour revenir sur cette publication et sur les ambitions du projet.

Un corpus construit avec la diaspora et les locuteurs comoriens

Le shikomori se décline en quatre dialectes principaux : shingazidja, shindzuani, shimwali et shimaore. Komor-IA a choisi de commencer par le shingazidja, parlé en Grande Comore, pour une raison avant tout pratique. « Nous travaillons en réalité sur les quatre principaux dialectes comoriens. Sur notre plateforme de collecte, chaque contributeur peut choisir le dialecte dans lequel il souhaite traduire. Cependant, la grande majorité des contributions que nous recevons aujourd'hui sont en shingazidja », explique Soilahoudine Mohamed. « Nous avons donc choisi de commencer par ce dialecte afin de publier rapidement un premier jeu de données de qualité. »

Le corpus a été constitué par crowdsourcing sur la plateforme de Komor-IA, à partir des contributions de locuteurs volontaires, avant d'être relu et validé par une équipe de linguistes. Il couvre neuf catégories thématiques, vie quotidienne, presse, éducation, santé, administration, culture et proverbes, entre autres... pensées pour représenter des registres de langue variés, jusqu'à des phrases expressives destinées à la synthèse vocale.

Un soin particulier a été apporté au traitement phonologique : chaque occurrence des consonnes implosives b/ɓ et d/ɗ, souvent confondues faute de convention orthographique stabilisée, a fait l'objet d'une vérification et d'une correction manuelles. Une étape jugée déterminante par l'équipe, dans la mesure où une ambiguïté non résolue à ce stade se répercuterait sur l'ensemble des futurs modèles vocaux entraînés à partir de ce corpus.

Une base pour la traduction automatique, avant la voix

Le dataset est pensé comme une brique de base pour plusieurs usages : entraînement de systèmes de traduction automatique français-shingazidja, travaux de linguistique comparative, ressources pédagogiques, et amorçage de futurs projets de reconnaissance et de synthèse vocales.

« Il s'agit d'une collection de phrases parallèles en français et en shikomori. Plus précisément, ce premier dataset contient, pour chaque phrase en français, son équivalent en shingazidja », résume le CEO. « Il permettra notamment de développer des systèmes de traduction automatique, mais aussi, à terme, des modèles vocaux comme la reconnaissance automatique de la parole ou la synthèse vocale. »

La suite est déjà en préparation. « Nous sommes actuellement en train de constituer les tout premiers jeux de données vocaux en shikomori, qui seront eux aussi ouverts à la recherche scientifique », précise Soilahoudine Mohamed, qui évoque une campagne de collecte en plein essor : « Nous recevons de plus en plus de contributions chaque semaine. De nombreuses personnes s'inscrivent sur notre plateforme pour participer à la traduction de phrases et à l'enregistrement de leur voix. »

Diffusion sous licence ouverte, mais accès encore restreint

Le dataset est publié sous licence CC BY-NC, destinée à favoriser la recherche non commerciale en traitement automatique des langues et en linguistique africaine. Mais dans l'immédiat, il n'est pas encore téléchargeable. « Notre objectif est de rendre nos datasets accessibles aux chercheurs en intelligence artificielle et en linguistique africaine (...) afin de favoriser la recherche et le développement de technologies pour les langues africaines », précise le CEO. « En revanche, le premier dataset Français–Shingazidja v1.0 n'est pas encore téléchargeable, car nous sommes toujours en train de l'enrichir et de le valider afin d'en garantir la qualité. »

Les trois autres dialectes comoriens : shindzuani, shimwali et shimaore, feront l'objet de publications similaires dans les mois à venir.

« On ne construit jamais l'avenir avec le pessimisme »

Au-delà des aspects techniques, Soilahoudine Mohamed inscrit le projet dans une réflexion plus large sur la place de l'Afrique dans les révolutions technologiques. Interrogé sur le scepticisme qui entoure parfois l'idée même d'une intelligence artificielle comorienne, il répond sans détour : « Je pense qu'on ne construit jamais l'avenir avec le pessimisme. Si l'Afrique accuse aujourd'hui un retard technologique, c'est aussi parce qu'elle est trop souvent restée spectatrice des grandes révolutions scientifiques et industrielles. »

« Chez Komor-IA, nous avons fait le choix d'agir plutôt que d'attendre, poursuit-il. Bien sûr, nous allons rencontrer des difficultés. Nous allons certainement nous tromper, apprendre, recommencer. Mais si nous échouons, nous aurons au moins essayé et ouvert la voie à ceux qui viendront après nous. »

Sur ses ambitions pour l'avenir, le CEO se veut à la fois humble et déterminé : « Notre ambition est de faire de Komor-IA l'un des pionniers de l'intelligence artificielle aux Comores. Nous faisons partie des toutes premières initiatives du pays dans ce domaine. » Il évoque les nombreux messages de soutien reçus depuis le lancement du projet comme un signe encourageant : « Beaucoup de Comoriens croient en cette vision. »

Et de conclure sur une note qui dépasse le cadre de l'entreprise : « Au-delà de Komor-IA, ce qui compte avant tout, c'est l'avenir des Comores et, plus largement, celui de l'Afrique. Si nous réussissons à faire émerger une intelligence artificielle conçue pour nos langues et nos réalités, c'est tout notre continent qui en bénéficiera. »

Poser une question à Press-IA

Connectez-vous pour interroger l'assistant sur cet article et vérifier les points clés.

Se connecter