Table des Matières
Dans les usines algériennes, les procédures sont rédigées en arabe standard moderne, en français ou en anglais, mais les questions arrivent en darija mêlée de termes techniques français, parfois tapée en lettres latines. La plupart des assistants IA sont entraînés et testés sur des langues standard : ils comprennent mal ces messages, ratent le bon document ou répondent dans la mauvaise langue. Il faut concevoir et tester pour ce cas.
Points clés
- La darija algérienne s'écrit en caractères arabes ou en lettres latines (arabizi). En lettres latines, elle n'a pas d'orthographe standard et se mêle fortement au français (Muller et al., 2020).
- Dans un test de 2025 portant sur sept modèles traduisant de l'arabizi, l'algérien arrive dernier des trois dialectes, avec un score BLEU moyen de 4,24 contre 9,65 pour l'égyptien (Al Almaoui et al., 2025).
- Les fiches de modèles citent rarement l'arabe algérien. Qwen3 mentionne l'arabe marocain et tunisien parmi ses variétés, mais pas l'algérien (Qwen).
- Les benchmarks de LLM en arabe n'évaluent toujours pas l'alternance codique, y compris le mélange arabe-français (Alzubaidi et al., 2025).
- La réponse pratique : comprendre la darija en entrée, répondre en arabe standard ou en français, citer les valeurs mot pour mot et tester avec les vrais messages de vos équipes.
Comment les équipes d'usine écrivent-elles et parlent-elles réellement en Algérie ?
La Constitution fait de l'arabe la langue nationale et officielle, et de tamazight également une langue nationale et officielle (Constitution de 2020, articles 3 et 4). Vérifiez avec un juriste la langue qu'un document donné doit utiliser. La langue de travail au quotidien est plus mélangée. Comme le décrit notre guide des documents multilingues, les manuels arrivent souvent en anglais, les procédures internes sont souvent en français, et les formulaires et courriers peuvent être en arabe.
La langue orale et l'écrit informel sont encore autre chose : la darija algérienne, où viennent se glisser des noms d'équipements, des termes de panne et des verbes en français. Des chercheurs qui ont étudié des émissions radiotélévisées maghrébines ont relevé une présence relativement forte d'alternance codique en arabe algérien par rapport au Maroc et à la Tunisie (Amazouz et al., 2017).
Ce registre apparaît partout où les gens écrivent ou parlent librement : notes de relève, demandes d'intervention, messages au chef de poste, et les questions qu'ils taperont dans un assistant. La même idée, « la pompe chauffe, il faut changer le roulement », peut arriver sous la forme :
- Arabe standard : «المضخة ترتفع حرارتها، يجب تغيير المحمل»
- Darija en caractères arabes avec termes français : «الـ pompe راهي تسخن، لازم نبدلو الـ roulement»
- Arabizi : "la pompe rahi tsakhan, lazem nbadlou le roulement"
- Français : « la pompe chauffe, il faut changer le roulement »
Ce sont des exemples d'illustration, pas des citations d'un client. Un assistant testé uniquement sur la première et la dernière forme n'a pas été testé sur les deux autres.
Pourquoi la darija est-elle difficile pour les modèles de langage ?
Peu de données écrites. La darija algérienne est peu présente dans les corpus numériques (Al Almaoui et al., 2025), et les textes que collectent les chercheurs proviennent en grande partie des réseaux sociaux. DziriBERT, un modèle conçu spécifiquement pour le dialecte algérien, a été pré-entraîné sur plus d'un million de tweets algériens, et ses auteurs indiquent qu'il a dépassé les modèles existants, en particulier sur les textes en caractères latins (Abdaoui et al., 2021). Le premier treebank de contenus algériens romanisés produits par les utilisateurs compte environ 1 500 phrases annotées (Seddah et al., 2020). Ce sont de petits volumes comparés aux textes disponibles en arabe standard ou en français.
Pas d'orthographe standard. Les chercheurs décrivent l'arabizi nord-africain comme écrit en caractères latins « with no standard spelling and no standard transliteration of Arabic letters » (sans orthographe standard ni translittération standard des lettres arabes), avec une forte variabilité d'un scripteur à l'autre (Muller et al., 2020). L'arabizi utilise des caractères latins et des chiffres (Al Almaoui et al., 2025), si bien qu'un même mot peut s'écrire de plusieurs façons.
Beaucoup de français. Dans les données d'entraînement annotées en arabizi algérien utilisées dans cette étude, le français représentait 33,84 % des tokens (Muller et al., 2020). Il s'agissait de textes de réseaux sociaux ; dans une usine, le vocabulaire technique a encore plus de chances d'être en français.
Deux écritures et une grammaire mixte. Une revue de la littérature sur le TAL arabe en alternance codique note que la romanisation n'est pas standardisée et que l'orthographe non normalisée complique l'évaluation (Hamed et al., 2025). Les verbes français peuvent aussi prendre la grammaire de la darija, ce pour quoi les analyseurs standard de l'arabe et du français ne sont pas conçus.
| Phénomène | Exemple d'illustration | Ce qui casse | Que faire |
|---|---|---|---|
| Darija en caractères arabes avec termes français | «الـ pompe راهي تسخن» | La recherche par mot-clé sur le terme standard مضخة ne la trouve pas ; les racinisateurs arabes déforment le mélange | Expansion par glossaire ; embeddings multilingues |
| Arabizi | "la pompe rahi tsakhan" | Les analyseurs pour l'écriture arabe ne le voient jamais ; un détecteur de langue peut le classer en français ou en inconnu | Le détecter explicitement ; le tester comme une langue à part |
| Mots français avec grammaire darija | "ydémarri" (il démarre) | Racinisation et correspondance avec le glossaire | Ajouter les formes conjuguées au glossaire |
| Variantes orthographiques | roulement, roulman, رولمان | Correspondance exacte | Recherche approximative et liste de variantes |
| Repères et codes dans la phrase | "P-201 dkhel f défaut" | Découpage en tokens ; repères coupés ou altérés | Garder les repères comme tokens exacts ; les citer mot pour mot |
| Messages vocaux | Darija et français dans la même phrase | Erreurs de reconnaissance vocale sur les termes techniques | Tester avec vos propres enregistrements |
Que dit la recherche sur les LLM et la darija algérienne ?
La preuve la plus directe vient d'une étude de 2025 qui a demandé à sept modèles, dont GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro, Llama 3.3 70B, Mistral Large et Jais, de traduire de l'arabizi libanais, égyptien et algérien. L'algérien arrive troisième, avec un BLEU moyen de 4,24 et un chrF de 23,21, contre 9,65 et 34,64 pour l'égyptien. Les auteurs l'expliquent par la forte alternance codique avec le berbère, le français et l'espagnol, et par la faible présence du dialecte dans les corpus numériques. Leur conclusion : « Models struggle significantly with Arabizi » (les modèles ont beaucoup de mal avec l'arabizi), même si les modèles prêts à l'emploi restaient utilisables pour saisir l'idée générale (Al Almaoui et al., 2025).
Saisir l'idée générale ne suffit pas quand le message contient un couple de serrage ou une étape de consignation.
Les benchmarks ne comblent pas encore ce manque :
- DialectalArabicMMLU, accepté à LREC 2026, couvre les dialectes syrien, égyptien, émirien, saoudien et marocain, pas l'algérien (Altakrori et al., 2025).
- Une revue de 2025 des benchmarks de LLM en arabe classe l'évaluation de l'alternance codique, y compris le mélange arabe-français, parmi les lacunes critiques (Alzubaidi et al., 2025).
- La paire algérien-français est l'une des paires d'alternance codique les plus étudiées dans les publications scientifiques (Hamed et al., 2025), mais les ressources sont maigres : un corpus vocal d'alternance arabe algérien-français totalise environ quatre heures, enregistrées par huit locuteurs (Amazouz et al., 2017).
Les fiches de modèles sont tout aussi vagues. Au moment de la rédaction, la fiche de Llama 4 indique « Arabic » sans préciser de dialecte (Meta), et Qwen3 cite l'arabe standard, marocain, tunisien et d'autres variétés, mais pas l'algérien (Qwen). Notre article sur le choix d'un LLM open-weight traite des autres critères de sélection.
Un entraînement spécifique au dialecte peut aider. Atlas-Chat, une famille de modèles fine-tunés pour la darija marocaine, rapporte un gain de performance de 13 % de son modèle 9B sur un modèle plus grand de 13B sur son benchmark DarijaMMLU (Shang et al., 2024). Les darijas marocaine et algérienne sont proches mais pas identiques : ces résultats ne se transposent pas automatiquement.
L'assistant doit-il répondre en darija ?
Dans la plupart des usines, non. Un partage raisonnable :
- Comprendre la darija en entrée, en caractères arabes et en arabizi, y compris les termes français et les repères.
- Répondre en arabe standard ou en français, selon le choix de l'utilisateur, et le préciser dans les instructions données au modèle. Les modèles de langage répondent parfois dans la mauvaise langue, plus souvent avec des prompts complexes et des températures d'échantillonnage élevées (Marchisio et al., 2024).
- Citer mot pour mot les valeurs, étapes et consignes de sécurité du document approuvé, dans sa langue d'origine. La darija n'ayant pas d'orthographe standard, une procédure reformulée en darija ne peut être vérifiée par rapport à rien.
Le document maîtrisé reste ainsi la référence, selon le même principe que dans notre article sur les assistants opérateurs et instructions de travail.
Deux effets secondaires sont à vérifier. Le nombre de tokens pour un même contenu peut varier jusqu'à 15 fois d'une langue à l'autre (Petrov et al., 2023) : mesurez des échantillons de vos propres messages mixtes et romanisés avec le tokenizer de chaque candidat avant de dimensionner le matériel. La parole demande son propre test : la documentation de Whisper indique que ses « performance varies widely depending on the language » (performances varient fortement selon la langue) (OpenAI Whisper).
Comment tester un assistant sur la darija et le français technique ?
Les benchmarks publics ne vous le diront pas : construisez votre propre test. Notre guide pour évaluer un LLM sur vos propres documents traite de la notation ; les étapes propres à la darija sont :
- Recueillir de vrais messages. Prenez des questions et des notes que vos techniciens ont réellement écrites ou dites, sous toutes les formes qu'ils utilisent : arabe standard, français, darija en caractères arabes, arabizi et voix. Supprimez les noms et données personnelles.
- Construire un glossaire des termes. Pour chaque équipement et chaque panne importants, listez le terme en arabe standard, le terme français et les formes darija dans les deux écritures, avec les variantes orthographiques courantes.
- Rédiger les réponses de référence. Pour chaque question, un ingénieur indique le bon document, la révision et le passage, ainsi que la langue de réponse attendue.
- Noter chaque forme écrite séparément. Mesurez la recherche et l'exactitude des réponses pour les questions en arabe standard, en français, en darija en caractères arabes et en arabizi, chacune à part, pas dans une moyenne unique.
- Vérifier la langue de réponse et les valeurs citées. Chaque réponse doit être dans la langue demandée, avec des repères, unités et valeurs strictement identiques à la source.
- Tester la saisie vocale sur site. Enregistrez les opérateurs en conditions réelles et vérifiez la transcription des termes techniques et des repères.
- Faire relire par des ingénieurs qui parlent la darija. Une personne qui parle la darija et connaît le procédé lit un échantillon de réponses.
- Relancer le test après chaque modification du modèle, du prompt, du glossaire ou de l'index.
Si un modèle échoue sur les lignes darija en caractères arabes et arabizi mais réussit en arabe standard et en français, commencez par le glossaire et la recherche avant de changer de modèle. Notre guide pour mesurer les hallucinations traite des réponses qui semblent justes mais ne le sont pas.
Ce que nous avons constaté chez KABAS AI
DALILE, notre assistant IA de connaissances, fonctionne sur les propres serveurs du client sans accès à Internet, organise les documents en bibliothèques de connaissances consultables et répond aux questions en citant les sources exactes. C'est important ici : les vrais messages en darija, les échantillons vocaux et le glossaire construit à partir d'eux reflètent le fonctionnement d'un site, et avec DALILE ils restent sur site, à côté des documents.
Nous n'avons pas publié de résultats sur la darija. Notre conseil pratique : commencer par un inventaire linguistique des canaux informels autant que des documents, c'est-à-dire les cahiers de quart, les demandes d'intervention et les questions que les gens posent déjà à leurs collègues. Cet inventaire montre combien de darija et d'arabizi l'assistant rencontrera, et il fournit le premier jeu de test. Il en va de même pour les rapports de poste et notes de relève, où ce sont les mots des opérateurs eux-mêmes qui servent d'entrée.
Pour comprendre pourquoi le vocabulaire industriel arabe demande une attention particulière, voir notre article sur les LLM et la terminologie industrielle arabe. Notre équipe IA agentique déploie DALILE et le connecte à vos systèmes de gestion documentaire et à vos bases de données.
Sources
- Constitution de l'Algérie, 2020 (Constitute Project)
- Amazouz, Adda-Decker et Lamel, Addressing Code-Switching in French/Algerian Arabic Speech, Interspeech 2017
- Muller, Sagot et Seddah, Can Multilingual Language Models Transfer to an Unseen Dialect? A Case Study on North African Arabizi (arXiv 2005.00318, 2020)
- Seddah et al., Building a User-Generated Content North-African Arabizi Treebank: Tackling Hell, ACL 2020
- Abdaoui et al., DziriBERT: a Pre-trained Language Model for the Algerian Dialect (arXiv 2109.12346, 2021)
- Hamed et al., A Survey of Code-switched Arabic NLP: Progress, Challenges, and Future Directions, COLING 2025 (arXiv 2501.13419)
- Al Almaoui, Bouillon et Hengchen, Arabizi vs LLMs: Can the Genie Understand the Language of Aladdin? (arXiv 2502.20973, 2025)
- Altakrori et al., DialectalArabicMMLU: Benchmarking Dialectal Capabilities in Arabic and Multilingual Language Models (arXiv 2510.27543, 2025)
- Alzubaidi et al., Evaluating Arabic Large Language Models: A Survey of Benchmarks, Methods, and Gaps (arXiv 2510.13430, 2025)
- Qwen Team, Qwen3: Think Deeper, Act Faster
- Meta, fiche du modèle Llama 4 Scout 17B-16E Instruct (Hugging Face)
- Shang et al., Atlas-Chat: Adapting Large Language Models for Low-Resource Moroccan Arabic Dialect (arXiv 2409.17912, 2024)
- Marchisio et al., Understanding and Mitigating Language Confusion in LLMs (arXiv 2406.20052, 2024)
- Petrov et al., Language Model Tokenizers Introduce Unfairness Between Languages (arXiv 2305.15425, 2023)
- OpenAI, Whisper (GitHub)
Questions fréquentes
Les assistants IA généralistes comprennent-ils la darija algérienne ?
En partie. Dans une étude de 2025, sept modèles connus ont moins bien traduit l'arabizi algérien que l'égyptien ou le libanais, et les auteurs concluent que les modèles ont beaucoup de mal avec l'arabizi, tout en les jugeant utilisables pour saisir l'idée générale. Testez tout modèle candidat sur de vrais échantillons des messages de vos équipes avant de vous y fier.
Qu'est-ce que l'arabizi et pourquoi est-ce important pour un assistant d'usine ?
L'arabizi, c'est de l'arabe, souvent dialectal, écrit en lettres latines et en chiffres. Beaucoup de gens l'utilisent dans leurs messages et conversations en ligne. Un index de recherche ou un modèle de langage réglé pour l'écriture arabe peut ne pas le reconnaître, et comme il n'existe pas d'orthographe standard, un même mot apparaît sous plusieurs formes.
L'assistant doit-il répondre en darija ?
En général, non. Faites en sorte que l'assistant comprenne les questions en darija, en écriture arabe ou en lettres latines, et qu'il réponde dans la langue choisie par l'utilisateur, le plus souvent l'arabe standard moderne ou le français. La darija n'a pas d'orthographe standard, et les valeurs, étapes et consignes de sécurité doivent être citées du document approuvé, dans sa langue d'origine.
Faut-il fine-tuner un modèle sur la darija ?
Pas dans un premier temps. Commencez par un glossaire des termes français et darija qu'emploient vos équipes, une recherche multilingue et un jeu de test construit à partir de vrais messages. Un entraînement spécifique au dialecte a donné des résultats ailleurs, comme Atlas-Chat pour la darija marocaine, mais il demande ses propres données et sa propre évaluation ; ne l'envisagez que si les tests montrent que la recherche et les instructions ne suffisent pas.
La saisie vocale fonctionne-t-elle avec la darija mêlée de français ?
Testez-la avant de la promettre. La documentation de Whisper indique elle-même que ses performances varient fortement selon la langue, et les corpus vocaux publiés en alternance arabe algérien et français sont de petite taille. Enregistrez de vrais échantillons de vos opérateurs, avec le bruit de l'atelier, et mesurez les erreurs de transcription sur les termes techniques et les repères d'équipement.



