Nous présentons une pipeline pour le traitement et l’enrichissement de documents basée sur les dernières méthodes d’apprentissage neuronal. Notamment, pour le français, notre pipeline est entrainée sur le corpus de très grande taille OSCAR (https://oscar-corpus.com) et construite à partir des représentations de mots contextualisés comme FrELMo (https://pjortiz.com/publication/2020/lrec/ner/) et CamemBERT (https://camembert-model.fr).
Le but de la pipeline est de permettre la spécification et le fine-tuning de ces modèles pour la structuration de documents, l’extraction d’informations, la reconnaissance d’entités nommées, l’étiquetage morphosyntaxique, les tâches de questions-réponses, etc. Notre but est de pouvoir
traiter n’importe quel type de document, quel que soit son domaine ou l’époque à laquelle il a été écrit.