PARTIE IV : IMPLEMENTATION DU MODELE
DE TRADUCTION AUTOMATIQUE
Nous présenterons dans cette partie ci les
différentes étapes de l'implémentation de la plateforme de
traduction ainsi que les technologies utilisées.
Master Data Science - Big Data 34
I- PRÉSENTATION DU PROCESSUS GLOBALE DE
TRAITEMENT
1- Processus globale de traitement
La mise en place de notre système de traduction se
décline en plusieurs phases tel que présenté ci-dessous
:
Figure 17 : Processus global de la mise en place de
l'outil de traduction
Master Data Science - Big Data 35
2- Prérequis
Nous décrivons dans cette partie les outils qui seront
utilisés pour l'implémentation de la plateforme de traduction.
l Le langage de programmation : Python
Le langage Python a été retenu pour
l'implémentation du système pour plusieurs raisons :
Dispose de plusieurs librairies de Machine Learning utilisables
dans le cadre de notre projet
Des Frameworks basés sur python tels que Django,
Flask facile à prendre en main et utilisables pour le
développement de l'interface web de traduction
Langage par excellence de notre structure d'accueil
l Bibliothèques Python : Keras et
Pytorch
Keras et Pytorch sont deux bibliothèques python
utilisables dans le cadre de la construction de modèles d'apprentissage
automatique basée sur les réseaux de neurones.
l Plateforme Cloud pour la formation du modèle
: Google Colaboratory Google Colab ou Colaboratory est un service
cloud, offert par Google (gratuit), basé sur Jupyter Notebook et
destiné à la formation et à la recherche dans
l'apprentissage automatique. Cette plateforme permet d'entraîner des
modèles de Machine Learning directement dans le cloud. Sans donc avoir
besoin d'installer quoi que ce soit sur votre ordinateur à l'exception
d'un navigateur.
l Plateforme pour le déploiement : Microsoft
Azure
Microsoft Azure est un ensemble de services cloud
destinés à aider les entreprises à relever les
défis auxquels elles sont confrontées. Il vous permet de
construire, de gérer et de déployer des applications sur un
énorme réseau mondial en optant pour des infrastructures et
outils favoris.
Master Data Science - Big Data 36
| 
