Comment l’INA utilise l’IA pour faire parler 700 000 heures d’archives

Pendant des décennies, retrouver une séquence précise dans une archive audiovisuelle relevait souvent d’une recherche longue, dépendante de catalogues, de descriptions et de la mémoire des documentalistes. L’Institut national de l’audiovisuel, l’INA, veut changer d’échelle. Avec l’intelligence artificielle, il ne s’agit plus seulement de conserver des émissions : il devient possible d’interroger de vastes ensembles de programmes pour observer comment les médias ont parlé d’un sujet, d’une personne ou d’un phénomène au fil du temps.

Lancée en octobre 2024, la plateforme data.ina.fr propose cette nouvelle porte d’entrée dans les collections de l’institution. Son ambition est considérable : exploiter les données issues de plus de 700 000 heures de contenus audiovisuels analysés par des outils d’IA. Le projet ne remplace pas le travail documentaire et éditorial. Il ajoute une couche d’analyse capable d’identifier, de comparer et de visualiser des tendances dans un volume d’archives qu’aucune consultation manuelle ne pourrait couvrir seule.

Data.ina.fr, une autre manière de parcourir les archives

Une archive audiovisuelle n’est pas uniquement une vidéo ou un enregistrement sonore. Pour pouvoir la retrouver et la comprendre, elle doit être accompagnée d’informations : date, chaîne ou programme d’origine, sujets abordés, personnes citées, mots prononcés, durée, type de séquence. Ces informations sont appelées des métadonnées.

L’apport de l’IA consiste notamment à enrichir ces métadonnées. Elle peut aider à transformer une masse de sons et d’images en données interrogeables, puis à relier entre eux des éléments qui, sans cela, resteraient séparés dans les fonds. L’utilisateur ne se limite donc pas à rechercher un document isolé : il peut suivre une évolution dans le temps, comparer des périodes et faire apparaître des corrélations entre différents contenus médiatiques.

La plateforme met l’accent sur la datavisualisation, c’est-à-dire la représentation graphique de données. Cette approche permet par exemple de visualiser la présence d’un terme dans les archives, ou la fréquence à laquelle certaines personnalités apparaissent dans les médias. Les données peuvent être explorées à plusieurs échelles temporelles, par année, par mois ou par jour.

Cette logique change la nature de la consultation. Une recherche traditionnelle répond d’abord à la question : « Où est tel document ? » Une plateforme fondée sur les données peut aussi répondre à une question plus large : « Comment ce sujet a-t-il été traité dans les médias au cours des années ? » Les deux approches sont complémentaires. La première donne accès à une archive précise, la seconde aide à lire une histoire médiatique à grande échelle.

Quels outils d’IA l’INA mobilise-t-il ?

Le projet s’appuie sur trois outils clés basés sur l’intelligence artificielle. L’un d’eux, INASpeechSegmenter, est conçu pour segmenter la parole et distinguer les locuteurs selon leur genre. Dans un vaste corpus audiovisuel, ce type de traitement sert à mieux caractériser les séquences et à rendre les contenus plus facilement découvrables.

D’autres solutions sont également citées dans le dispositif, notamment Whisper pour la transcription et TextRazor pour l’analyse de texte. Ces outils répondent à une difficulté très concrète : une grande partie de la valeur d’une archive réside dans ce qui est dit. Or la parole n’est pas immédiatement exploitable comme le serait un texte déjà numérisé et indexé. La transcription automatisée permet de faire passer l’audio vers un matériau textuel qui peut ensuite être analysé, recherché et mis en relation avec d’autres données.

L’analyse de texte peut, elle, contribuer à repérer des termes, des noms ou des thématiques. Il faut cependant garder une idée simple en tête : un système automatisé ne « comprend » pas une émission comme un historien, un journaliste ou un documentaliste. Il établit des correspondances et produit des résultats à partir de modèles et de données. Sa force est la vitesse de traitement et le volume couvert. Sa limite est le risque d’erreur, d’ambiguïté ou de biais.

Dans les archives audiovisuelles, ces limites prennent des formes très concrètes. Un nom peut être mal transcrit, une voix peut être difficile à identifier, une formulation ironique peut être interprétée littéralement. Les variations de qualité sonore, les archives anciennes, les voix qui se chevauchent ou les changements de contexte éditorial compliquent également le travail des machines.

Pourquoi analyser 700 000 heures change l’échelle de la recherche

Le chiffre de 700 000 heures donne la mesure du défi. À raison de huit heures de visionnage par jour, il faudrait près de 240 ans à une seule personne pour parcourir un tel volume, sans même compter le temps nécessaire pour prendre des notes, vérifier les références et comparer les résultats. L’IA ne rend pas cette masse d’archives parfaite ni intégralement lisible sans effort, mais elle permet de la parcourir selon des critères impossibles à appliquer manuellement à cette échelle.

Pour les chercheurs, les professionnels des médias ou les citoyens curieux, l’intérêt est de pouvoir formuler des questions transversales. L’évolution de l’usage d’un mot, la place prise par une personnalité dans l’espace médiatique ou la récurrence d’un sujet peuvent être visualisées sur plusieurs années. La plateforme propose notamment des classements de personnalités citées, tels que des top 10 ou des top 20, ainsi que des filtres temporels.

Cette profondeur historique est particulièrement précieuse pour éviter les lectures trop immédiates de l’actualité. Un sujet qui semble nouveau peut avoir connu plusieurs cycles de médiatisation. À l’inverse, une forte présence médiatique à une période donnée ne dit pas, à elle seule, tout de son importance sociale ou politique. Les visualisations constituent donc un point de départ pour enquêter et contextualiser, non un verdict définitif sur la réalité.

L’IA ne remplace pas la vérification humaine

L’INA ne présente pas l’automatisation comme une vérité brute. Camille Pettineo, responsable éditoriale, insiste sur le rôle de la vérification humaine après la phase d’analyse. Ce contrôle est indispensable : à cette échelle, même un faible taux d’erreur peut représenter un nombre important de résultats inexacts.

La méthode décrite repose sur un travail de validation rigoureux. Xavier Lemarchand, directeur de mission à l’INA, évoque la constitution d’un corpus d’archives représentatif servant de référence pour comparer les résultats générés par les outils d’IA. Cette « vérité terrain » permet de confronter ce que détecte la machine avec des données validées par des humains.

L’INA organise cette évaluation autour de trois dimensions :

• la vérification terrain, afin de comparer les résultats automatisés à un corpus de référence ;
• l’exhaustivité des traitements, pour s’assurer que l’analyse couvre bien le périmètre attendu ;
• le contrôle de pertinence, qui évalue si les données produites répondent effectivement à l’usage envisagé.

Ce protocole répond à une exigence essentielle pour un organisme patrimonial. Une erreur isolée dans une recherche ponctuelle peut être rectifiée rapidement. Une erreur qui se répète dans une base de données de très grande taille peut, elle, fausser une tendance, un classement ou une interprétation historique. La qualité d’une plateforme de données ne dépend donc pas seulement de la puissance de calcul, mais aussi de la façon dont elle mesure ses incertitudes.

Des biais signalés plutôt que masqués

Toute analyse algorithmique comporte des biais possibles. Ils peuvent venir des données elles-mêmes, de leur qualité technique, des choix de classement ou du fonctionnement des modèles employés. Dans une archive audiovisuelle, les corpus ne reflètent pas mécaniquement toute la société : ils reflètent aussi les choix des médias, les époques, les formats de programme et les conditions de conservation des documents.

L’INA a fait le choix de signaler les biais identifiés sans chercher à les corriger. Cette position vise à éviter d’ajouter une intervention humaine qui introduirait à son tour ses propres biais dans les résultats. Elle implique aussi une responsabilité pour le public : lire les données avec prudence, comprendre leur périmètre et ne pas confondre visibilité médiatique et réalité complète d’un phénomène.

Par exemple, constater qu’une personnalité est souvent citée ne suffit pas à déterminer la tonalité des mentions, leur contexte ou leur influence réelle. De même, la fréquence d’un mot peut témoigner d’une forte couverture médiatique, mais elle ne résume ni la diversité des opinions ni le contenu précis des discours. L’outil permet de repérer des pistes solides. L’interprétation demande ensuite une mise en contexte.

Cette transparence méthodologique est d’autant plus importante que les représentations graphiques peuvent donner une impression de précision absolue. Or un graphique ne vaut que par les données qui l’alimentent, les critères retenus et les limites qui l’accompagnent. Afficher ces limites est une condition pour faire de l’IA un outil utile à la connaissance, plutôt qu’une boîte noire qui imposerait ses résultats.

Un projet inscrit dans la transformation numérique de l’INA

Data.ina.fr s’inscrit dans une évolution plus large de l’INA, qui développe ses services numériques et ses modes de valorisation des collections. La plateforme madelen et des initiatives comme INA Hip Hop illustrent cette volonté de rendre les patrimoines audiovisuels accessibles par des formats et des usages adaptés au numérique.

L’enjeu dépasse la seule conservation. Préserver une archive est une première étape, mais une archive difficile à chercher reste en partie invisible. L’IA peut contribuer à faire émerger des documents, des voix, des thématiques et des continuités historiques que le volume des collections tendait à dissimuler.

L’INA mène également des réflexions sur l’exploitation des données collectées dans le cadre du dépôt légal du web. Ce chantier soulève toutefois une difficulté d’homogénéité des données. Les contenus du web, leurs formats, leurs métadonnées et leurs conditions de collecte ne présentent pas le même degré de stabilité que les archives audiovisuelles traditionnelles. Les méthodes développées pour les images et les sons pourraient néanmoins nourrir, à terme, de nouvelles manières d’explorer cette mémoire numérique.

Ce qu’il faut surveiller

La promesse de data.ina.fr repose autant sur son enrichissement futur que sur son lancement. L’INA prévoit d’ajouter de nouvelles données tous les six mois, afin d’accroître progressivement la profondeur historique disponible. L’intérêt de la plateforme dépendra donc de l’élargissement de son corpus, de la clarté des informations méthodologiques et de la capacité des visiteurs à s’approprier ses visualisations.

Le défi sera aussi de maintenir un équilibre entre automatisation et exigence documentaire. Plus les corpus grandissent, plus l’IA devient nécessaire pour explorer les archives. Mais plus les résultats circulent facilement, plus il faut expliciter ce qu’ils mesurent réellement, ce qu’ils ne mesurent pas et la marge d’erreur qui peut les affecter.

Pour le grand public, cette initiative ouvre une perspective stimulante : accéder non seulement aux images et aux sons du passé, mais aussi aux traces chiffrées de leur circulation dans les médias. À condition de conserver ce regard critique, l’intelligence artificielle peut transformer les archives en un espace vivant de recherche, de mémoire et de compréhension de notre histoire médiatique.