Rendu en langage Facile à Lire et à Comprendre d'un article de journal par Claude (Anthropic) скачать в хорошем качестве

Rendu en langage Facile à Lire et à Comprendre d'un article de journal par Claude (Anthropic)

Cette vidéo présente comment des LLM tels que ChatGPT, Gemini ou Claude peuvent être exploités pour structurer, annoter et adapter un texte complexe, pour différents profils d'utilisateurs. Dans ce tuto/démo, l'annotation des Entités Nommées (Named Entity Recognition, NER) et des chaînes de référence (coreference chains) dans un texte journalistique est réalisée à l'aide de LLM. Le travail d'annotation est complété par la structuration en XML et l'adaptation du contenu structuré dans une démarche de langue FAcile à Lire et à Comprendre (FALC). Pour en savoir plus sur le FALC, voir https://falc.unapei.org/quest-ce-que-... , https://falc.unapei.org/quest-ce-que-..., et https://www.reseau-canope.fr/cap-ecol... dans le contexte de l'enseignement. Pour en savoir plus sur la structuration, l'annotation et l'adaptation de contenus linguistiques, voir la page du Master LIIAN à l'Université de Lille: https://formation.univ-lille.fr/fr/of... Pour en savoir plus sur la linguistique de corpus, la constitution, la structuration, l'annotation de corpus et leur exploitation, voir le site du consortium CORLI: https://corli.huma-num.fr/fr/accueil-... Pour en savoir plus sur le Traitement Automatique des Langues (TAL) voir le site de l'Association pour le Traitement Automatique des Langues (ATALA): https://www.atala.org/ et le site de l'Association for Computational Linguistics (ACL): https://www.aclweb.org/portal/ Pour voir les modèles disponibles pour différentes tâches de TAL et d'IA, voir le site de HuggingFace: https://huggingface.co/models , notamment la rubrique "Natural Language Processing", "Audio" et "Multimodal". Pour évaluer la pertinence et le coût environnemental de plusieurs LLM sur une même tâche, voir le site https://comparia.beta.gouv.fr/