← Retour aux projets
ML15 septembre 2024

Analyse de Sentiments Multilingue

Système d'analyse de sentiments pour le français et les langues africaines

PythonPyTorchTransformersFastAPIDocker

🎯 Objectif du Projet

Développer un système d'analyse de sentiments capable de:

  • Classifier les sentiments en français et langues africaines
  • Fonctionner avec des données limitées (few-shot learning)
  • Être déployable via API REST
  • Supporter plusieurs modèles de langue

🔍 Problématique

L'analyse de sentiments est bien développée pour les langues à ressources riches (anglais, français), mais pose des défis pour les langues africaines en raison du manque de données annotées.

💻 Architecture Technique

Backend

  • Framework: FastAPI pour l'API REST
  • Modèles: BERT multilingue fine-tuné
  • Base de données: PostgreSQL pour les logs
  • Cache: Redis pour les prédictions fréquentes

Frontend (Demo)

  • React.js pour l'interface utilisateur
  • Axios pour les appels API
  • Tailwind CSS pour le design

Déploiement

  • Docker & Docker Compose
  • CI/CD: GitHub Actions
  • Hosting: Heroku / Digital Ocean

📊 Dataset

  • Français: 10 000 tweets annotés
  • Sources: Twitter API, actualités
  • Classes: Positif, Négatif, Neutre
  • Augmentation: Back-translation, paraphrases

🧠 Modèles Utilisés

  1. BERT Multilingue

    • Base: bert-base-multilingual-cased
    • Fine-tuning sur corpus français/africain
    • F1-score: 0.87

  2. CamemBERT (Français)

    • Spécialisé pour le français
    • F1-score: 0.91

  3. Ensemble Model

    • Combinaison des deux modèles
    • Meilleurs résultats globaux

📈 Résultats

| Modèle | Précision | Rappel | F1-Score | |--------|-----------|--------|----------| | BERT Multilingue | 0.85 | 0.84 | 0.87 | | CamemBERT | 0.90 | 0.89 | 0.91 | | Ensemble | 0.91 | 0.90 | 0.92 |

🚀 Fonctionnalités

  • ✅ Analyse de sentiments en temps réel
  • ✅ Support multilingue (FR, EN + langues africaines)
  • ✅ API REST documentée (Swagger)
  • ✅ Interface web de démonstration
  • ✅ Batch processing pour grandes quantités
  • ✅ Export des résultats (CSV, JSON)

💡 Innovation

  • Transfer Learning: utilisation de modèles pré-entraînés
  • Few-shot Learning: apprentissage avec peu de données
  • Adaptation aux langues africaines: techniques spéciales

🔧 Installation & Utilisation

# Cloner le repository
git clone https://github.com/zoom-BT/sentiment-analysis.git

# Installation des dépendances
pip install -r requirements.txt

# Lancer l'API
uvicorn app.main:app --reload

# Utilisation via curl
curl -X POST "http://localhost:8000/predict" \
     -H "Content-Type: application/json" \
     -d '{"text": "Ce film est excellent!"}'

📚 Documentation

Documentation complète disponible sur ReadTheDocs

🎓 Apprentissages

  • Maîtrise de PyTorch et Transformers
  • Architecture d'API REST robuste
  • Déploiement de modèles ML en production
  • Gestion de projets ML end-to-end

🔮 Améliorations Futures

  • [ ] Support de plus de langues africaines
  • [ ] Détection de sarcasme
  • [ ] Analyse d'aspects (aspect-based sentiment)
  • [ ] Interface mobile
  • [ ] API GraphQL

🤝 Contributions

Les contributions sont bienvenues! Voir CONTRIBUTING.md

📄 Licence

MIT License - voir le fichier LICENSE