Sellam-Med/amazigh-low-resource-mt

Low-resource NLP project for Amazigh (Tifinagh) machine translation to Arabic and French. README.md # amazigh-low-resource-mt Low-resource NLP project for Amazigh (Tifinagh) machine translation to Arabic and French. # Constitution d'un corpus trilingue amazigh–arabe–français + système hybride de traduction > Mémoire de fin d'études — Master Sciences des Données et Ingénierie > Université Mohammed V de Rabat — Année 2025–2026 > Auteur : **Mohamed Sellam** ## Résumé Ce projet vise à construire un corpus trilingue **amazigh (tifinagh) – arabe – français** et à développer un système hybride de traduction automatique de l'amazigh vers l'arabe et le français, dans un contexte de langue peu dotée (low-resource NLP). L'approche combine trois méthodes complémentaires : 1. **Baseline lexicale** : traduction mot-à-mot par dictionnaire trilingue 2. **NLLB-200 zero-shot** : évaluation directe du modèle multilingue de Meta sur la paire `tzm_Tfng → {fra_Latn, arb_Arab}` 3. **NLLB-200 fine-tuné** : fine-tuning ciblé du modèle distillé 600M sur le corpus parallèle constitué L'évaluation s'appuie sur les métriques standards **BLEU** et **chrF** (via `sacrebleu`), complétées par une analyse qualitative d'erreurs. --- ## Variété de langue ciblée Le projet cible le **tamazight standard marocain** (norme IRCAM), techniquement traité via le code FLORES-200 `tzm_Tfng` (Central Atlas Tamazight, script tifinagh) pour assurer la compatibilité avec NLLB-200. --- ## Sources de données | Source | Hugging Face | Type | Pertinence | |---|---|---|---| | FLORES+ | `openlanguagedata/flores_plus` | Test set parallèle | TEST PRINCIPAL | | Awal | `collectivat/amazic` (config `Awal`) | Corpus communautaire | Train principal | | DGLAi | `Tamazight-NLP/DGLAI` | Dictionnaire IRCAM trilingue | Lexique | | NLLB-Seed | `facebook/nllb-seed` | Données seed humaines | Si tzm dispo | | MADLAD-400 | `allenai/MADLAD-400` | Corpus monolingue | Données mono complémentaires | --- ## Structure du dépôt ``` projet_amazigh/ ├── data/ │ ├── raw/ # Données brutes téléchargées (JA …