Lingua Mundi : la construction d'une carte du sens indépendante de la langue à partir de données lexicales ouvertes

1 · L'intuition : pourquoi les dictionnaires ont la mauvaise forme

Tout apprenant de langues a ressenti cette friction. Vous cherchez cat dans un dictionnaire anglais–espagnol et vous trouvez gato. Vous cherchez gato dans un dictionnaire espagnol–japonais et vous trouvez 猫. Trois dictionnaires plus tard, vous avez passé un après-midi à confirmer ce que vous soupçonniez déjà : la même idée — un petit carnivore domestique qui ronronne — est décrite trois fois, dans trois fichiers distincts, par trois organisations différentes, avec trois identifiants différents, et jamais reliée aux deux autres.

L'intuition derrière Lingua Mundi est que c'est là la mauvaise forme pour des données linguistiques. Le sens n'existe qu'une fois. Les mots existent de nombreuses fois. Une base de données qui stocke les sens comme objets de première classe et traite les mots comme des étiquettes que les différentes langues rattachent à ces sens permettrait à une personne (ou à un programme) de passer de n'importe quelle langue à n'importe quelle autre à travers une seule carte partagée — et permettrait à un apprenant de voir d'un coup d'œil que cat, gato, chat, Katze et 猫 ne sont pas cinq faits à mémoriser, mais un seul fait habillé de cinq manteaux.

Cette intuition n'est pas arrivée comme un éclair. Elle a grandi, sur environ un an, à partir du travail quotidien d'une personne en particulier — et sa trace documentaire la plus ancienne est remarquablement simple.

1.1 Le premier message

Le 3 décembre 2025, l'auteur a ouvert une conversation avec ChatGPT et y a tapé ce qui suit (citée textuellement ; la conversation est restée ouverte quatre mois et demi et a été modifiée pour la dernière fois le 21 avril 2026) [H] :

« Je veux trouver des dictionnaires gratuits similaires à JMDICT et à Kanjidict2 pour les langues suivantes : espagnol, anglais, français, italien, portugais, chinois, coréen et vietnamien. Mon intention est de créer une base de données multilingue unifiée à diverses fins. Je souhaite aussi savoir s'il existe des bases de données similaires pour les langues indigènes du Mexique auxquelles je puisse accéder librement. »

(Journal de session, ChatGPT, conversation "Free multilingual dictionaries", 2025-12-03 ; le fichier source est cité dans l'annexe A.)

Trois choses, dans ce bref message, préfigurent tout ce que le projet allait devenir. Premièrement, les langues nommées — l'espagnol, l'anglais, le français, l'italien, le portugais et, plus tard, le japonais — sont exactement les langues que l'auteur parle et avec lesquelles il travaille comme traducteur et professeur de langues (un ensemble qu'il formaliserait plus tard sous le nom de "Core 6") ; s'y ajoutaient le chinois, le coréen et le vietnamien, qu'il prévoyait d'ajouter ensuite. Deuxièmement, l'expression « une base de données multilingue unifiée » nomme déjà l'objectif : non pas six dictionnaires, mais une seule base de données qui les contienne tous ensemble. Troisièmement, l'auteur pensait aux langues indigènes du Mexique dès le tout premier jour — un fil qui revient sans cesse (une intégration en langue maya pour Lingua Mundi a été explorée en août 2026 [H], et des ressources en langues mayas apparaissent tout au long de ses notes de recherche).

Le contexte derrière ce message compte aussi. L'auteur n'est pas informaticien de formation. C'est un traducteur et un tuteur de langues qui, à l'époque, apprenait aussi le japonais sérieusement et construisait de petits outils pour faciliter cet apprentissage : des jeux d'apprentissage de kanji et de kana, ainsi qu'un pipeline (canal d'importation) de dictionnaire de japonais (un éditeur de furigana pour livres électroniques en japonais rejoindrait cette boîte à outils plus tard, en 2026, comme le projet qui est devenu l'application Shikibu). Son répertoire personnel à la fin de 2025 montre l'archéologie de cet apprentissage : une copie du fichier de dictionnaire de kanji KANJIDIC2 téléchargé le 11 novembre 2025, une liste de kanji jōyō en décembre, puis — poussé par cette conversation du 3 décembre — les données de l'Open Multilingual Wordnet téléchargées le 5 décembre [H] (horodatages des fichiers, /home/rex/ ; voir l'annexe A). La conversation ChatGPT du 3 décembre, autrement dit, est le point de bascule : le moment où « j'ai besoin de données sur le japonais pour mes outils » s'est élargi en « je veux construire une base de données multilingue unifiée, gratuite, pour de nombreuses langues, y compris celles de mon propre pays ».

1.2 Des dictionnaires aux sens : le canal d'importation de décembre 2025

Ce que l'auteur a fait ensuite est visible dans les fichiers qu'il a créés. Entre le 5 décembre et le 16 décembre 2025, il a écrit, avec ChatGPT comme partenaire de programmation, un petit canal d'importation de scripts Python — extract_omw.py, merge_dicts.py, unified_dictionary_pipeline.py, crossref_deterministic.py — qui téléchargeait, analysait et fusionnait des données lexicales provenant de plusieurs sources ouvertes en des formes de plus en plus structurées [H] (scripts et dates dans /home/rex/). La décision de conception la plus importante de cette période est documentée dans les fichiers eux-mêmes : l'étape finale du canal, datée du 16 décembre, divise chaque entrée en quatre types d'objets — concept, sense, lexeme et grapheme (un graphème étant un caractère écrit, comme un kanji) — et les écrit sur disque sous forme de documents JSON Lines. Le schéma est révélateur : un sense est une acception particulière d'un mot particulier dans un dictionnaire particulier ; un concept est l'idée partagée vers laquelle pointent plusieurs sens issus de plusieurs langues ; et le champ concept_id d'un sens peut être vide — ce qui signifie « ce sens de mot n'a pas encore été relié à un concept partagé ». Les notes de l'auteur dans ce code décrivent la méthode comme « zéro heuristique » : pas de conjectures floues, pas d'astuces de similarité statistique pour décider que deux mots veulent dire la même chose ; uniquement des liens explicites et documentés. [H] (code du canal et annotations, /home/rex/, décembre 2025 ; détails dans l'annexe A.)

Ce schéma du 16 décembre est, en miniature, toute l'architecture du projet qui allait s'appeler Lingua Mundi : les mots vivent dans les langues ; les sens vivent dans un espace partagé ; et le problème difficile et honnête — quel mot, dans quelle langue, signifie quel concept — n'est jamais falsifié. Un sens qui n'a pas été relié à un concept est conservé dans la base de données, visiblement non relié, plutôt que d'être silencieusement placé par conjecture. Dix mois plus tard, quand un bug dans un canal d'importation a rendu le mot anglais cat invisible pour son propre concept, l'auteur décrirait le principe en ces termes exacts : mieux vaut montrer un sens orphelin que d'en cacher un ([H] ; voir la section 7).

1.3 La lacune et l'élargissement

Ensuite, la piste documentaire se tait pendant environ cinq mois — de la mi-décembre 2025 à la fin mai 2026, les journaux disponibles ne contiennent aucun travail sur le canal d'importation des dictionnaires [NV]. Cela n'a rien d'inhabituel pour un traducteur en activité avec des élèves à qui enseigner, mais il vaut la peine de le dire clairement : la croissance du projet n'a pas été continue. Elle a avancé par à-coups, séparés par des semaines ou des mois d'autre travail — un rythme qui allait se poursuivre tout au long de 2026.

Quand le fil se renoue, l'ambition s'est élargie. Le 1er mai 2026, l'auteur étudie "OMW v2.0 data coverage" (la couverture des données de la version 2.0 de l'Open Multilingual Wordnet) [H] (titre et contenu de la conversation, ChatGPT, 2026-05-01). Le 27 mai 2026, il ouvre une conversation intitulée "Open Source Language Resources" et demande, en substance, une cartographie systématique de toute ressource lexicale, grammaticale et sémantique gratuite susceptible d'alimenter une base de connaissances multilingue [H] (ChatGPT, 2026-05-27). À ce stade, le projet a un nom et une forme ; la preuve des deux apparaît au chapitre suivant.

1.4 Pourquoi cela importe au-delà du projet d'une seule personne

Le lecteur peut se demander pourquoi un article devrait documenter si longuement l'intuition d'un projet personnel. La réponse est que l'intuition est la contribution. L'idée que ce sont les sens — et non les graphies — qui forment l'unité naturelle des données multilingues a un long pedigree académique (c'est le rêve le plus ancien de la tradition de l'« interlingua » en traduction automatique et le principe organisateur des synsets de Princeton WordNet ; voir la section 2), mais elle est rarement mise en pratique par un individu, sans budget, comme bien public. La plupart des ressources multilingues qui suivent ce principe — l'Open Multilingual Wordnet, BabelNet, le projet Universal Dependencies — sont maintenues par des consortiums universitaires financés par des subventions. Lingua Mundi est la tentative, par un chercheur indépendant qui n'utilise que des données ouvertes et des outils gratuits, de construire lui-même une pièce de cette infrastructure pour son propre travail de traduction et d'enseignement — et de la donner. Que cette tentative aboutisse est une question que le lecteur peut juger à la lumière des éléments du reste de cet article — et les journaux personnels de l'auteur le montrent se posant la même question, avec la même honnêteté, à chaque étape (voir la section 4.3).

2 · Contexte : ce que signifie « une carte du sens »

Pour comprendre ce que Lingua Mundi cherche à construire, et ce qui est réellement nouveau dans ce projet, trois courants de travaux antérieurs comptent : l'idée linguistique que le sens peut être séparé de l'orthographe ; l'idée computationnelle qu'un tel sens peut être stocké sous forme de données et relié entre les langues ; et l'observation moderne qu'une carte structurée du sens complète les modèles de langage neuronaux — plutôt qu'elle n'entre en concurrence avec eux.

2.1 Le signe et ses deux faces

La linguistique moderne commence par une observation d'une simplicité trompeuse, généralement attribuée aux cours de Ferdinand de Saussure du début du XXe siècle : un mot est l'appariement d'un son/forme (le « signifiant ») et d'un concept (le « signifié ») (de Saussure, 1916/1983). Deux langues, selon cette conception, ne sont pas deux ensembles de mots qui se traduisent par hasard ; ce sont deux ensembles de signifiants qui se recouvrent partiellement sur un espace partagé de signifiés. Le signifiant anglais cat et le signifiant espagnol gato sont des formes différentes dotées du même signifié. Si une machine pouvait stocker les signifiés une seule fois et leur rattacher les signifiants, la traduction deviendrait une simple recherche dans un intermédiaire partagé — une idée connue en traduction automatique sous le nom d'approche de l'interlingua : au lieu de traduire directement anglais→espagnol, traduire anglais→sens→espagnol.

Le rêve de l'interlingua a une longue histoire dans la recherche en traduction automatique et s'est à plusieurs reprises révélé trop difficile dans toute sa généralité (les langues ne découpent pas le sens en morceaux identiques, et tout traducteur sait que cat l'animal et cat le musicien de jazz sont des signifiés différents portant un seul signifiant). Mais le rêve n'est jamais mort ; il a simplement été resserré pour devenir quelque chose de constructible : le lexique, la partie de la langue qui correspond le mieux à des sens stables et partagés.

2.2 WordNet et le synset

Le resserrement décisif est venu de la psychologie et de la lexicographie. Dans les années 1980 et 1990, George Miller et ses collègues de Princeton ont construit WordNet, une base de données lexicale pour l'anglais, organisée non pas alphabétiquement mais sémantiquement (Miller, 1995 ; Fellbaum, 1998). L'invention centrale de WordNet est le synset (une contraction de "synonym set", c'est-à-dire « ensemble de synonymes ») : un groupe de mots qui peuvent désigner le même sens dans un certain contexte. Le synset {cat, true cat, Felis catus, domestic cat} est un sens ; le synset {cat, kat, guy, hombre} — qui signifie « un terme informel pour désigner un jeune ou un homme » — est un autre sens, tout à fait différent, qui partage par coïncidence le signifiant cat. WordNet consigne aussi des relations entre synsets — surtout la hiérarchie est-un (hyperonymie : un chat domestique est un félin, un félin est un carnivore, un carnivore est un* mammifère…) — ce qui transforme le dictionnaire en graphe, avec les sens comme nœuds et les relations typées comme arêtes.

WordNet compte pour Lingua Mundi pour trois raisons. Premièrement, il a prouvé qu'un lexique lisible par machine et organisé par sens est réalisable et extrêmement utile — les moteurs de recherche modernes, les correcteurs orthographiques et les bibliothèques de traitement du langage naturel s'appuient encore dessus. Deuxièmement, il a donné au monde un système d'identifiants stables pour les sens : Princeton WordNet numérote ses synsets, si bien que 02121620-n désigne sans ambiguïté « chat domestique » et peut être cité entre bases de données. Troisièmement, il est devenu l'ancre d'un projet multilingue : l'Open Multilingual Wordnet (OMW).

2.3 L'Open Multilingual Wordnet : un sens, plusieurs langues

L'OMW, lancé par Francis Bond et Ryan Foster (Bond & Foster, 2013), rassemble des WordNets construits dans de nombreuses langues et les aligne sur le WordNet anglais de Princeton : les synsets de chaque langue participante portent des pointeurs vers le synset anglais auquel ils correspondent. Le résultat est la ressource qui a rendu Lingua Mundi possible : un ensemble de déclarations explicites, sélectionnées par des humains, de la forme « le gato espagnol (sens 1) appartient au même sens que le synset anglais domestic-cat 02121620-n ». Quand l'auteur de Lingua Mundi écrivait, dans sa spécification d'ingénierie de juillet 2026, que le projet serait « centré sur les synsets » (synset-centric) et alignerait les langues via l'OMW [H] (document de spécification, 24 juillet 2026), il se tenait sur les épaules de Bond et Foster — comme l'avaient déjà fait, depuis décembre 2025, les scripts de son canal d'importation, qui analysaient directement les fichiers de données de l'OMW.

2.4 L'écosystème de données ouvertes autour des WordNets

L'OMW n'est qu'un nœud d'un vaste écosystème ouvertement licencié qu'un individu peut combiner légalement et techniquement :

• Wiktionary — le dictionnaire collaboratif

hébergé par la Fondation Wikimedia — offre une couverture lexicale très large dans des centaines de langues, y compris définitions, traductions, flexions et prononciation, sous des licences share-alike (Wikimedia Foundation ; voir aussi Meyer & Gurevych, 2012, sur sa valeur comme rivale des lexiques d'experts).

• Wikidata — la base de connaissances

structurée de Wikimedia — stocke des déclarations assorties d'identifiants lisibles par machine et est publiée sous CC0 (domaine public) (Vrandečić & Krötzsch, 2014).

• Universal Dependencies (UD) — un

projet communautaire qui publie des corpus de phrases annotées syntaxiquement (treebanks) dans plus d'une centaine de langues, sous licences ouvertes (Nivre et al., 2020). L'UD apporte des phrases réelles et des informations sur les catégories grammaticales (part-of-speech) — des preuves de la façon dont les mots sont réellement utilisés.

• [JMdict et KANJIDIC2](https://www.edrdg.org/jmdict/j_jmdict.html) — les fichiers de

dictionnaire japonais et de kanji maintenus par le projet EDRDG de Jim Breen, qui couvrent le japonais de manière très large et avec des traductions vers plusieurs langues (Breen, 2004). Ce furent les points de départ de l'auteur (son tout premier fichier de dictionnaire, téléchargé en novembre 2025, était KANJIDIC2 [H]).

• UniMorph — un dépôt multilingue de

morphologie flexionnelle (des formes de mot telles que run/ran/running, organisées par trait grammatical) (Kirov et al., 2018 ; McCarthy et al., 2020).

• OPUS — une vaste collection de phrases

parallèles (traduites) extraites du web et des sous-titres de films, publiées sous licence ouverte (Tiedemann, 2012).

• Les listes de fréquence de mots, comme [wordfreq](https://github.com/rspeer/wordfreq) (Speer, 2022), qui

classent les mots selon leur fréquence d'apparition dans des corpus réels.

• La norme ISO 639-3, qui attribue à chaque langue humaine un code stable

de trois lettres (par exemple, spa pour l'espagnol, jpn pour le japonais), maintenue par SIL International — la base de données de Lingua Mundi utilise ces codes comme clés de sa table language [H].

Deux propriétés de cet écosystème méritent d'être soulignées parce qu'elles structurent tout le projet. Premièrement, les licences sont réellement ouvertes — permissives ou share-alike — si bien que les combiner dans une base de données dérivée est légal pourvu que l'attribution et les conditions des licences soient respectées (Lingua Mundi consigne la source et la licence de chaque ensemble de données importé dans sa propre table source ; voir la section 6). Deuxièmement, l'écosystème est complémentaire : Wiktionary est large mais peu profond ; les WordNets sont profonds mais étroits ; l'UD traite de l'usage ; UniMorph traite des formes de mot ; les listes de fréquence traitent de la proéminence. Le problème d'ingénierie de Lingua Mundi n'est pas de « trouver des données » — c'est de « fusionner des données qui n'ont jamais été conçues pour être fusionnées, sans mentir sur les jointures ».

2.5 Pourquoi une carte du sens compte encore à l'ère des grands modèles

Une objection légitime doit être posée franchement : si les grands modèles de langage savent déjà traduire, définir et raisonner sur les mots, pourquoi construire un lexique structuré ? La réponse de l'auteur de Lingua Mundi, développée dans son article de recherche de juin 2026 (section 3) et affinée au fil de l'été, comporte trois volets. Premièrement, la vérifiabilité : une base de données structurée peut montrer son travail — chaque lien possède une source, une licence et une date — alors que la connaissance d'un modèle est un mélange statistique opaque qui ne peut être ni audité, ni corrigé, ni cité. Deuxièmement, le coût et l'accès : interroger une base de données locale ne coûte rien et fonctionne hors ligne, alors que chaque requête à un modèle coûte de l'énergie, de l'argent, ou les deux ; la règle de conception permanente de l'auteur est celle des « requêtes de recherche à zéro token » — l'API locale est la surface de recherche [H] (note de projet, 29 août 2026). Troisièmement, la complémentarité : l'article de juin 2026 soutenait — à titre d'hypothèse, avec les audits de trois modèles convergeant vers le même verdict — qu'un modèle compact opérant sur des identifiants de concept plutôt que sur des tokens bruts pourrait être bien plus efficace précisément parce que la carte des concepts accomplit le travail sémantique en dehors du réseau (voir la section 3). Que cette hypothèse survive ou non à l'expérimentation, la carte elle-même reste utile aux modèles : comme une mémoire externe qui peut être interrogée, mise à jour et citée sans réentraînement.

La filiation intellectuelle de Lingua Mundi peut donc se résumer en une seule phrase : c'est le rêve de l'interlingua, resserré sur le lexique par WordNet, rendu multilingue par l'OMW, rendu légal par le mouvement des données ouvertes, et rendu personnel par le besoin qu'a un traducteur d'un dictionnaire qui traite le sens — et non la langue — comme ce qui doit être archivé.

3 · Le nom, la thèse et l'architecture à sept graphes (mai–juin 2026)

3.1 Le nom

Vers la fin de mai 2026, les notes et spécifications de l'auteur utilisaient le titre provisoire "Multilingual Lexical Platform" [H] (document maître de spécification en markdown daté du 23 mai 2026, /home/rex/Descargas/Phone backup/Download/). Le nom Lingua Mundi — « langue du monde » en latin — apparaît pour la première fois dans le registre disponible le 1er juin 2026, comme titre d'un manuscrit de recherche (voir ci-dessous) [H] (journaux de conversation, 1er juin 2026 ; première occurrence vérifiée dans les archives de l'auteur). Le nom est bien choisi : la prétention du projet n'est pas de contenir de nombreuses langues, mais de porter sur l'unique espace de sens que ces langues partagent.

3.2 Une thèse de recherche : le sens, non les tokens

Entre mars et juin 2026 environ, l'auteur a développé — en conversation avec ChatGPT, Claude et DeepSeek — une thèse de recherche sur les raisons pour lesquelles une carte du langage au niveau des concepts pourrait rendre la technologie du langage radicalement plus efficace et plus accessible. La thèse, dans le cadrage de travail que l'auteur a apporté à la conversation (citée textuellement d'après sa demande de faisabilité du 18 juillet 2026, où il avait collé la description pour examen) [H] :

« Créer une carte multilingue, ouverte et lisible par machine du langage humain, qui sépare : 1. le sens · 2. la forme · 3. la structure · 4. l'histoire · 5. l'usage — en graphes interopérables. L'objectif à long terme est de rendre le langage calculable au niveau des concepts plutôt qu'au niveau des tokens. […] Le NLP moderne modélise en grande partie : token → token. Lingua Mundi modélise : concept ↔ langue. »

L'argument sous-jacent, exposé dans le manuscrit de juin, est qu'un modèle de langage dépense l'essentiel de sa capacité en variation de surface — traitant "dog", "perro" et "犬" comme trois choses sans lien alors qu'elles sont une seule chose sous trois habits [H] (manuscrit V4, cité intégralement dans la conversation d'audit du 1er juin 2026). Si un modèle pouvait au contraire lire et écrire des séquences de concepts — la carte des concepts accomplissant le travail multilingue en dehors du réseau —, le modèle pourrait être plus petit, moins cher et exécutable sur des ordinateurs ordinaires.

3.3 Sept versions en une matinée : la méthode de la collaboration antagoniste

Le manuscrit, intitulé Lingua Mundi: A Semantic Infrastructure for Concept-Grounded Language Models, proposait une architecture en sept couches : un graphe de concepts (des sens indépendants de la langue, pour une taille cible d'un milliard de nœuds), un graphe de synsets (qui projette les mots de chaque langue sur des concepts) et des graphes pour la morphologie, la dérivation, l'étymologie, la correspondance entre langues et l'usage — le tout relié par un système d'identifiants commun ; plus une architecture de modèle ancrée dans les concepts (un modèle séquentiel de type Mamba lisant des identifiants de concepts), des plongements hyperboliques (boule de Poincaré) pour le graphe de concepts, une récupération explicite de faits dans le graphe, et un budget audité montrant que l'ensemble tient sur des ordinateurs portables ordinaires [H] (manuscrit, 1er juin 2026).

Ce qui rend cet épisode remarquable comme méthode — et inhabituellement bien documenté — est que l'auteur n'a pas écrit le manuscrit seul. Dans la matinée du 1er juin 2026, il a fait passer le brouillon par sept révisions successives (V1–V7) en moins d'une demi-heure, en utilisant deux modèles de façon antagoniste : DeepSeek rédigeait chaque révision tandis que ChatGPT auditait chaque brouillon avec la rigueur d'un relecteur hostile [H] (journaux de conversation, DeepSeek "Revisión y corrección del proyecto Lingua Mundi" et ChatGPT "Audit Feedback Lingua Mundi", tous deux du 1er juin 2026). Les transcriptions des audits sont conservées textuellement et sont inhabituellement franches sur ce que chaque passage a corrigé :

• l'arithmétique du stockage des plongements INT8 a été corrigée (une erreur

d'un facteur deux dans le budget de stockage) ;

• une affirmation empirique fabriquée ("empirically, we find…") a été

supprimée et remplacée par une hypothèse explicitement étiquetée comme telle et fondée sur des travaux antérieurs ;

• une comparaison avec un modèle futur hypothétique a été remplacée par une

comparaison avec un modèle réel (DeepSeek-V3) ;

• les affirmations de performance du résumé ont été progressivement

restreintes ;

• les affirmations non étayées sur le passage à l'échelle ont été réétiquetées

comme problèmes de recherche ouverts ; et

• le manuscrit a été recadré, pour la V7, d'affirmation empirique en un

document de position honnête — un programme de recherche doté d'un plan d'évaluation explicite et falsifiable (robustesse à la désambiguïsation du sens des mots, ablations, lignes de base).

Les verdicts finaux des audits, conservés dans les journaux, notaient très haut la vision du manuscrit tout en évaluant systématiquement comme faible l'étayage empirique — et la recommandation conclusive du dernier audit était sans détour [H] :

« Si je conseillais le projet, je passerais maintenant de la rédaction d'articles à l'implémentation. Le prochain artefact utile n'est pas V8. C'est Lingua Mundi Prototype 0.1 … avec : 100k–1M concepts, anglais uniquement, tokeniseur de concepts, reconstruction de concepts, une session d'entraînement TinyStories, une comparaison directe avec token-Mamba. Cette expérience répondrait à la question centrale : la compression sémantique préserve-t-elle assez d'information pour justifier le goulot d'étranglement ? »

L'auteur a suivi ce conseil. Trois observations sur cet épisode comptent pour comprendre tout ce qui a suivi. Premièrement, l'idée n'a jamais été le goulot d'étranglement — l'auteur avait, selon ses propres mots, une vision que les audits notaient A− ; le goulot d'étranglement, c'étaient les preuves, et les audits l'ont dit sept fois. Deuxièmement, la méthode de travail de l'auteur — utiliser plusieurs modèles d'IA comme collaborateurs antagonistes, conserver chaque brouillon et chaque audit, et préférer une qualification honnête à une sur-affirmation pleine d'assurance — est devenue la norme permanente du studio, et c'est la même méthode que l'on retrouve dans les conventions de vérification [H]/[O]/[NV] du présent article (annexe A). Troisièmement, l'architecture en sept couches de ce manuscrit de juin n'a pas disparu quand l'auteur est passé à l'implémentation : elle est devenue la feuille de route du projet. Le Lingua Mundi qui existe aujourd'hui (septembre 2026) implémente le graphe de concepts, le graphe de synsets, l'importation de la morphologie, les couches de corpus et une API ; les couches de dérivation, d'étymologie, de correspondance et d'usage sont des phases explicitement mises en file d'attente du même plan (sections 5–6 et 10.3) [H] (feuille de route du projet, 29 août 2026).

4 · La plateforme prend forme (juillet–août 2026)

4.1 Faisabilité : « peut-on y arriver avec des composants open source ? »

Le 18 juillet 2026, l'auteur a demandé à ChatGPT, sans détour, si la vision pouvait être construite à partir de composants gratuits existants et ce dont il aurait besoin pour la développer [H] (conversation "Lingua Mundi Project Feasibility", 2026-07-18, 00:44 UTC — le soir du 17 juillet dans le fuseau horaire du Centre de l'auteur). La conversation — et les semaines qui ont suivi — consignent le virage de l'article de recherche vers le programme d'ingénierie. Le projet a adopté l'énoncé de mission formel qu'il avait collé dans cette conversation pour examen (cité dans la section 3.2), et l'auteur a commencé à échafauder du code réel : des fichiers de schéma du modèle de données existent sur disque, datés du 17 juillet 2026 [H] (instantanés de code, juillet 2026 ; voir l'annexe A).

4.2 La spécification d'ingénierie (24 juillet 2026)

Le 24 juillet 2026, l'auteur a consolidé la conception dans une spécification d'ingénierie de 104 pages, Multilingual Lexical Platform — Engineering Specification, version 2.0, sous-titrée "Revised & Production-Ready" [H] (PDF, /home/rex/, 24 juillet 2026 ; texte extrait pour cet article). La spécification est la constitution du projet, et son contenu explique l'essentiel de ce qui fut construit ensuite :

• Le principe centré sur les synsets. Le document établit que tout objet

lexical doit en dernière instance se rattacher à un synset (un sens) et que la base de données est organisée autour des sens plutôt que des graphies. Son exemple développé est le mot bank, qui doit être une seule forme de surface dotée de plusieurs synsets distincts ("river bank", "financial institution", "to bank on something") — jamais un bloc unique de sens indifférenciés [H].

• Des niveaux de langues. La spécification prévoyait les langues en deux

niveaux : le niveau 1 pour le lancement — l'anglais, l'espagnol, le français, le portugais, le japonais et le chinois mandarin (simplifié et traditionnel) — et le niveau 2 — l'italien, le coréen et le vietnamien [H]. (L'ensemble qui a réellement été livré dans la base de données diffère de deux manières intéressantes, documentées dans la section 10 : les six langues en service sont l'anglais, l'espagnol, le français, l'allemand, le portugais et le japonais — le mandarin et l'italien sont absents, l'allemand est présent. La substitution n'est expliquée nulle part dans les documents survivants [NV], aveu franc d'une question de provenance non résolue.)

• Le modèle de données. Le chapitre 5 de la spécification esquisse le

schéma dans les grandes lignes, et le modèle livré dans la première migration du dépôt est un noyau de onze tables qui correspond à l'intuition à quatre entités du prototype de décembre 2025, désormais formalisée : langues, lexèmes, sens, concepts (synsets), relations, sources, synsets et tables de soutien (voir la section 5).

• Une hiérarchie d'alignement à cinq niveaux. Parce que le lien

automatique et le lien manuel des mots aux concepts diffèrent en fiabilité, la spécification proposait cinq niveaux de confiance d'alignement, des liens explicites déclarés par la source (par exemple, les correspondances de l'OMW) jusqu'aux conjectures heuristiques — avec la règle que chaque lien stocké porte son niveau de confiance. C'est la forme aboutie de la règle de « zéro heuristique » de décembre 2025 : non pas aucun lien automatique, mais un lien étiqueté et honnête [H].

• Une feuille de route par phases avec portes. Phases 0–5, chacune avec un

critère de sortie, du schéma et de l'ETL jusqu'à l'API et aux applications.

• Un registre des risques — comprenant une annexe d'autocritique proposant

des couches d'étymologie et CJKV/Unihan et mettant en garde contre les « faux amis » japonais–chinois (par exemple, 娘 « fille » en japonais, mais « mère » en chinois ; 手紙 « lettre », mais « papier toilette ») [H].

La spécification arrêtait aussi la pile technologique que le projet simplifierait plus tard : FastAPI, PostgreSQL, un moteur de recherche (Meilisearch dans la spécification) et un frontend web (Next.js). À noter : dès le 13 août, l'auteur remettait déjà lui-même cette pile en question (section 4.4).

4.3 Le journal de juillet : penser au système d'exploitation sémantique

À peu près aux mêmes jours, le journal privé de l'auteur (knowledge project.txt, 85 Ko, lu intégralement pour cet article ; horodatage du fichier : 18 juillet 2026, une seule session de travail) consigne un fil connexe et plus personnel : sa tentative de penser de bout en bout un « graphe sémantique universel » — une manière indépendante de la notation de représenter le sens, qui fonctionnerait à travers les langages de programmation, la théorie musicale, la chimie et le langage naturel (un projet séparé qu'il appelait USG) [H] (journal, juillet 2026). Le passage du journal le plus pertinent pour Lingua Mundi (lignes 2563–2587) est sa réflexion sur ce que signifierait de rendre un seul objet sémantique dans trois langues à la fois — la même intuition que cat · gato · 猫, écrite comme un exercice de pensée sur les interfaces plutôt que sur les langues [H]. De manière révélatrice, l'exemple développé que le journal donne lui-même d'un « langage » à expliquer est le schéma LanguageCreate de la base de code de Lingua Mundi — la preuve qu'à la mi-juillet les deux fils (la vision de recherche et le code réel) étaient déjà tissés ensemble dans son esprit [H].

4.4 Août : du schéma au système en service

Août 2026 est le moment où Lingua Mundi est devenue un système. Les journaux survivants montrent une séquence dense de décisions, chacune laissant sa trace :

• 1–8 août. L'auteur a exploré les options de graphes et de représentation

des connaissances ("JSON as a Graph", 29 juillet ; idées de monétisation de l'API, 7–12 août) et — de manière décisive pour l'architecture finale — s'est demandé si l'API « a vraiment besoin » d'une pile lourde (section 4.5) [H].

• 11 août. Il a exploré l'intégration des langues mayas dans Lingua

Mundi ("Lingua Mundi Maya integration"), prolongeant l'intérêt pour les langues indigènes du Mexique exprimé pour la première fois dans le message de décembre 2025 [H].

• 13 août. Deux conversations de conception ont arrêté la forme du

produit : "Linguistic API Tech Stack" (voir 4.5) et "Semantic Interaction Layer", qui a esquissé la future interface entre la couche de connaissances et les applications [H].

• 19–25 août. Il a construit la démonstration japonaise : une base de

données compacte hors ligne (SQLite) empaquetant des données de dictionnaires japonais afin que la conception orientée concepts puisse être touchée, interrogée et montrée à d'autres ("Build Japanese Demo" ; les fichiers lingua-mundi-jpn.sqlite qui en résultent sont conservés sur disque) [H]. Le sprint avait une échéance et un public concrets : des représentants de la Japan Foundation devaient arriver dans son université la semaine suivante, et la démonstration (avec l'éditeur de furigana rebaptisé Shikibu dans la même période) a été préparée comme un dossier produit à laisser sur place pour cette visite [H] (journal de conversation, 19–25 août 2026).

• 23 août. Ayant demandé une description du concept en un paragraphe, il a

reçu en retour un résumé qui correspond à ce que les journaux montrent qu'il construisait : « une infrastructure linguistique lisible par machine pour les langues humaines… plutôt que d'être seulement un dictionnaire de japonais ou une application de traduction, Lingua Mundi est destinée à devenir une couche générale d'intelligence linguistique » [H] — et, dans la même conversation, une description technique nommant la pile alors prévue (PostgreSQL, Apache AGE pour les requêtes de graphe, OpenSearch pour la recherche, FastAPI comme API), que les mesures du mois suivant rendraient inutile (section 4.5, section 6) [H].

• À partir du 24 août. La base de code a rejoint sa demeure permanente

comme dépôt en bonne et due forme ("LinguaMundi"), avec la piste quotidienne d'instantanés de sauvegarde sur GitHub commençant le 27 août [H] (instantanés du dépôt ; voir l'annexe A).

4.5 La décision de la pile légère qui a tout façonné

La décision technique la plus lourde de conséquences du mois d'août est conservée textuellement. Le 13 août 2026, l'auteur a collé sa propre pile technologique prévue — FastAPI, Polars, DuckDB, PostgreSQL, Apache AGE (une extension de graphe), OpenSearch, Redis, Celery, React et Docker — et a demandé : « L'API linguistique a-t-elle vraiment besoin de cette pile si elle tourne déjà sur postgres ? » [H] (conversation "Linguistic API Tech Stack", 13 août 2026).

La réponse qu'il a reçue — et adoptée — était que presque rien de tout cela n'était encore nécessaire : PostgreSQL seul pouvait servir des données relationnelles de dictionnaire, les kanji, les lectures, les conjugaisons, les traductions, la recherche en texte intégral et même des requêtes récursives de type graphe, et la règle correcte était « limitation de PostgreSQL → ajouter de la technologie », et non « la phase 3 dit base de données de graphe → installer une base de données de graphe » [H] (même conversation). Le conseil concluait : « L'avantage concurrentiel de votre API n'est pas l'infrastructure : c'est le modèle de données linguistiques et les transformations que vous avez construites par-dessus les données » [H].

Cette décision — une base de données relationnelle, un cadre d'API, et rien d'autre jusqu'à ce qu'un besoin soit mesuré — est l'ancêtre direct de l'architecture de performance décrite dans les sections 6 et 7. Quand, en septembre 2026, la base de données a grandi jusqu'à 1.6 million de sens de mot et que les requêtes naïves ont ralenti jusqu'à prendre des minutes, l'auteur ne s'est pas tourné vers une base de données de graphe ni un moteur de recherche : il s'est tourné vers les vues matérialisées de PostgreSQL — le patron « cuire plutôt que redériver » — et a ramené les requêtes les plus lentes de plus d'une minute à environ une seconde sur du matériel de 2014 (section 7). La décision d'août de rester léger est ce qui a rendu cette optimisation de septembre à la fois nécessaire et possible.

4.6 La méthode de développement humain-IA, en pratique

Tout lecteur de cette histoire aura remarqué que presque chaque jalon s'accompagne d'un journal de conversation : l'auteur pense en dialogue. En août 2026, sa méthode s'était stabilisée en quelque chose qui peut être décrit avec précision à partir du registre :

1. L'humain fixe la direction et possède les données. Chaque demande dans

les journaux est celle de l'auteur ; chaque fichier est sur sa machine ; chaque décision — y compris les revirements comme la question de la pile légère — est la sienne.

1. Les modèles d'IA sont utilisés comme collaborateurs spécialisés.

ChatGPT a été fortement utilisé pour la recherche, la critique d'architecture et l'audit ; DeepSeek pour les cycles de rédaction et de révision et (plus tard) comme le harnais (harness) sous-jacent à l'automatisation propre du studio ; Claude pour la mémoire à long terme et le contexte de projet (la base de connaissances du studio a commencé comme une exportation de la mémoire de Claude).

1. Le registre est conservé. Les conversations sont exportées (les

archives de l'auteur en contiennent des milliers), le code fait l'objet d'instantanés, et — depuis le 26 août 2026 — chaque session de travail est consignée dans une base de connaissances Obsidian avec frontmatter, dates et statut de vérification (section 9). Cet article n'est possible que grâce à cette habitude de consigner.

1. La relecture antagoniste est intégrée. La boucle d'audit V1–V7 du

manuscrit de juin (section 3.3) est devenue une pratique permanente : les brouillons sont audités par un modèle différent de celui qui les a écrits, et les audits sont conservés au dossier.

Qu'on appelle cela « vibe coding », « développement assisté par IA » ou simplement « utiliser les outils », l'étiquette honnête importe pour le registre : Lingua Mundi est un projet de paternité humaine, construit en collaboration délibérée et documentée avec des assistants d'IA, et cet article — lui-même un brouillon généré par IA sous la direction de l'auteur, selon l'avis en tête de document — est un artefact de la même méthode.

5 · Conception : les principes linguistiques et mathématiques du modèle

Cette section explique, en langage simple, les idées qui déterminent la façon dont Lingua Mundi stocke la langue. Les lecteurs qui veulent l'histoire peuvent passer à la section 6 ; ceux qui veulent les formules et le schéma les trouveront ici et dans l'annexe A.

5.1 Quatre types d'objets, un espace de sens

Le modèle de données descend directement des quatre types d'entités du canal d'importation de décembre 2025 (section 1.2) et des onze tables de la spécification de juillet 2026 [H]. Dans sa forme aboutie, il stocke cinq types centraux de choses (vérifiés contre le schéma en service en septembre 2026 [H]) :

• Langue — une ligne par langue humaine, indexée par son code à trois

lettres ISO 639-3 (eng, spa, jpn, …), avec son nom, son autonyme (le nom utilisé par ses locuteurs), sa famille linguistique et son système d'écriture. Ajouter une langue à tout le système est, par conception, ajouter une ligne et des ensembles de données : il n'existe nulle part de tables par langue [H] (code et note de projet, 29 août 2026). Cette propriété « indépendante de la langue » est l'expression, au niveau du schéma, de l'idée d'interlingua (section 2.1).

• Lexème — une forme de mot dans une langue spécifique : la chaîne cat,

la chaîne gato, la chaîne 猫. Un lexème appartient à exactement une langue et porte une catégorie grammaticale.

• Sens — un sens d'un lexème tel que l'enregistre un dictionnaire : le

sens de "cat" l'animal chez WordNet, le sens de "cat" le musicien de jazz chez WordNet, le sens de "cat" la bûche de Noël chez Wiktionary. Un lexème a typiquement de nombreux sens — c'est ainsi que le modèle représente la polysémie (un mot, de nombreux sens) sans jamais fondre les sens ensemble. Un sens peut être ou non encore relié à un concept ; le lien est le champ concept_id, nullable par conception — un sens non relié est conservé et affiché comme un orphelin plutôt que d'être mis en place par conjecture [H] (schéma ; notes du canal d'importation, décembre 2025).

• Concept — un sens partagé entre les langues : le concept « chat

domestique » identifié par l'URI de synset de Princeton WordNet princeton-wordnet:02121620-n [H] (base de données en service). C'est au niveau des concepts que se produit l'alignement multilingue : le gato espagnol (un de ses sens), le cat anglais, le chat français, le Katze allemand et le 猫 japonais peuvent tous pointer vers le même concept — ce sont « une seule étoile » portant de nombreux noms (section 8). La table des concepts est le cœur du système et, dans la base de données actuelle, contient 96,434 lignes [H] (mesure, 6–7 septembre 2026).

• Relation — une connexion typée et dirigée entre deux concepts, par

exemple chat domestique IS_A félin, ou félin IS_A carnivore. Les relations portent un prédicat, une confiance et une source. La base de données actuelle en contient 171,672 [H] (mesure, 6–7 septembre 2026).

Autour de ces cinq types se tient la machinerie de provenance — une table source qui enregistre l'origine de chaque ensemble de données, sa licence et son URL (pour qu'aucune affirmation de la base de données ne soit jamais sans attribution), des tables de synsets servant de pont avec le format de l'OMW, et des tables de soutien pour les kanji et les lectures [H] (schéma, septembre 2026).

5.2 Le problème de l'alignement, et pourquoi il n'est pas falsifié

Le problème intellectuel central d'une carte multilingue du sens est l'alignement : décider que ce sens de ce mot dans cette langue est le même sens que tel sens de tel mot dans telle langue. La réponse de Lingua Mundi, héritée de la conception de l'OMW, est de ne pas le décider à neuf : l'OMW déclare déjà, langue par langue, lesquels de ses synsets correspondent à des synsets de Princeton WordNet, si bien que la base de données importe ces correspondances explicites comme sa couche d'alignement primaire [H] (Bond & Foster, 2013 ; code d'importation). Là où aucune correspondance explicite n'existe, le système applique sa hiérarchie de confiance à cinq niveaux (issue de la spécification de juillet 2026) : les liens explicitement déclarés par la source occupent le rang le plus élevé ; les liens inférés occupent le rang le plus bas et sont stockés avec leur niveau — jamais promus silencieusement au rang de « fait » [H] (spécification, 24 juillet 2026). C'est la forme aboutie de la règle de décembre que l'auteur avait griffonnée dans son code de canal d'importation : « zéro heuristique ». Il ne s'agit pas de dire que le système ne devine jamais ; il s'agit de dire que les conjectures sont étiquetées comme conjectures, et c'est ce qui rend la base de données assez honnête pour grandir : une mauvaise conjecture marquée comme conjecture peut être trouvée et corrigée ; une mauvaise conjecture stockée comme fait empoisonne tout ce qui se trouve en aval.

La même philosophie régit la granularité des langues. L'ISO 639-3 distingue de vraies langues, non des frontières politiques ou des variantes de systèmes d'écriture. L'auteur a signalé un cas réellement difficile pour l'avenir : le coréen, dont l'unique code ISO kor couvre à la fois la norme de la République de Corée et celle de la République populaire démocratique de Corée. Les documents survivants montrent que cela a été signalé comme une décision de modélisation ouverte [H] (journal de session, 7 septembre 2026) — un exemple du principe du schéma, qui stocke des langues, non des variantes locales, et un rappel que les données linguistiques du monde réel résistent aux cases bien nettes d'une ligne par langue.

5.3 Le graphe : taxonomies, voisinages et longue traîne

Une fois les sens alignés sur les concepts et les relations reliant les concepts entre eux, la base de données est un graphe : 96,434 nœuds-sens reliés par 171,672 arêtes typées, dont la plus grande composante est la taxonomie est-un héritée de WordNet (mammifère → carnivore → félin → chat domestique), enrichie par des relations instance-de, partie-de et interlangues [H] (mesure, septembre 2026 ; schéma). Trois faits mathématiques sur de tels graphes façonnent l'interface utilisateur et l'ingénierie :

1. Les taxonomies sont des arbres de sens. Comme les parents de chaque

concept sont connus, le système peut répondre à « de quoi est-ce une sorte ? » (monter) et à « quelles sont les sortes de ceci ? » (descendre) — les opérations derrière la lentille de taxonomie de l'interface (section 8).

1. Les distributions de degré sont zipfiennes. Les graphes linguistiques

réels sont plus ou moins sans échelle : quelques concepts (comme « animal », « personne », « chose ») ont d'immenses voisinages, tandis que la plupart des concepts n'ont qu'une poignée de voisins. Cette « longue traîne » est la même forme statistique que Zipf a rendue célèbre en la mesurant dans les fréquences de mots (Zipf, 1949) : un petit nombre de mots rend compte de l'essentiel de l'usage. Deux conséquences de conception s'ensuivent : il faut un classement (on ne peut pas montrer 30,000 sens pour une requête), et ce classement doit être significatif — l'interface classe donc les concepts par leur luminosité céleste, un indicateur de l'« importance » d'un sens ou de sa bonne connexion (section 5.5).

1. Les plus courts chemins sont la voie naturelle de la traduction. Étant

donné deux concepts, le graphe peut être parcouru à la recherche d'un chemin qui les relie — l'opération derrière l'outil sextant de l'interface (section 8.4), implémentée comme une recherche bidirectionnelle en largeur bornée sur la taxonomie (≤ 10 sauts, 25 voisins par nœud, réponse en millisecondes) [H] (code, mesure en direct, septembre 2026).

5.4 Zipf et la forme des dictionnaires

La loi de Zipf mérite une mention explicite parce qu'elle explique en silence toute l'architecture de performance. Si les fréquences des mots suivent une loi de puissance, alors tout dictionnaire est dominé par une courte tête de mots courants et une traîne astronomiquement longue de mots rares. Le manuscrit de juin 2026 a même dérivé un calcul de couverture fondé sur Zipf pour les vocabulaires de concepts [H] (audit du manuscrit V7, 1er juin 2026). Pour la base de données, la longue traîne signifie : la plupart des lignes sont des mots rares, la plupart des requêtes portent sur des mots courants, et toute requête qui doit parcourir toute la table — y compris tous les mots rares — est catastrophiquement plus lente qu'une requête qui peut partir d'un classement précalculé. Le patron de vue matérialisée de la section 7 est, au fond, une façon de transformer la loi de Zipf d'ennemie de la performance en outil de conception : matérialiser la tête (le classement, les mots dominants par concept) une fois pour toutes, et laisser la traîne dans les tables relationnelles pour les rares consultations qui en ont réellement besoin.

5.5 La luminosité céleste : un classement pour gouverner la carte

La métaphore organisatrice de l'interface est une carte des étoiles (section 8), et la métaphore est adossée à un calcul réel. Chaque concept reçoit une luminosité — une magnitude numérique servant à trier le ciel — dérivée de sa position dans le graphe multilingue : combien de langues ont des mots attachés, combien ces ensembles de mots sont riches, et combien le concept est proéminent dans la taxonomie. La base de données matérialise cela sous la forme de concept_sky_rank, un ordre précalculé des 96,000+ concepts, afin que « donne-moi le ciel » n'exige jamais de trier un million de lignes au moment de la requête [H] (scripts et mesure, 6 septembre 2026). Deux vues compagnes — concept_lang_rank (les classements par langue) et concept_word_rank (les quatre premiers mots par concept et par langue, précalculés pour que garnir une étoile de ses mots soit une consultation, et non une jointure sur 1.6 million de sens) — complètent le système de classement [H] (scripts, 6 septembre 2026 ; nombre de lignes dans l'annexe A).

5.6 Travail borné : la discipline du concepteur de jeux vidéo appliquée à une base de données

Le dernier principe de conception est emprunté aux jeux vidéo. Un jeu rend une image en 16 millisecondes, quelle que soit la taille du monde : il budgète le travail par image. Lingua Mundi applique la même discipline — un travail borné par requête sur un espace de données non borné — parce que son matériel l'exige (un ordinateur portable de l'ère 2014 ; section 9). Aucune requête ne peut parcourir tout le corpus ; chaque requête doit partir d'un index ou d'une vue matérialisée ; l'interface ne doit rendre une image que lorsque l'utilisateur fait quelque chose (CPU au repos ≈ 0 %) ; et les résultats sont paginés avec des fenêtres stables. Les sections 6 et 7 montrent les trois murs de performance contre lesquels cette discipline s'est heurtée et comment chacun a été surmonté avec le même patron : cuire plutôt que redériver.

6 · Architecture : importer le monde, servir la carte

6.1 Le canal d'importation : un registre, plus de vingt importateurs

Chaque ensemble de données entre dans Lingua Mundi par un importateur — un programme qui sait lire un format externe et l'écrire dans le schéma canonique. La liste unique et faisant autorité des importateurs vit dans un seul fichier, le registre des importateurs ; en septembre 2026, il contenait plus de vingt plugins enregistrés couvrant : Princeton WordNet et le WordNet anglais, l'Open Multilingual Wordnet (OMW), Wiktionary et son dérivé lisible par machine kaikki, Wikidata, UniMorph et J-UniMorph (morphologie), les treebanks de Universal Dependencies (UD), OpenThesaurus (synonymes allemands), le dictionnaire de prononciation CMU, les décompositions de caractères IDS, les données translinguistiques de CLICS, les listes de fréquence de mots et la famille japonaise — JMdict, EJDict, KANJIDIC2 [H] (registre des importateurs et notes de projet, consultés les 6 et 7 septembre 2026). (Une réserve, par souci de précision : un dossier pour les corpus parallèles d'OPUS existe dans le répertoire des importateurs, mais c'est un stub vide et non enregistré qui attend la couche de phrases de la feuille de route — il est listé ici par honnêteté, non comme une source livrée [H] (inventaire du code, 6–7 septembre 2026)). Chaque importateur enregistre ses langues cibles contre les mêmes codes ISO, et c'est ce qui maintient le schéma indépendant de la langue en pratique, et pas seulement en théorie [H] (code).

Les importations sont supervisées par un canal d'importation qui exécute chaque source, enregistre le travail d'importation et — de façon cruciale pour la section 7 — rend compte du succès. Après chaque importation, il rafraîchit les vues de classement (section 5.5) afin que le « ciel » reflète toujours les données les plus fraîches [H] (scripts, septembre 2026).

6.2 Le corpus aujourd'hui (mesuré)

Mesure SQL directe de la base de données en service le 6 septembre 2026 à 23:02, heure du Centre, re-vérifiée le 7 septembre 2026 (les deux comptages sont identiques) [H] :

Poids lexical par langue (audit d'enrichissement, 6 septembre 2026 [H]) :

Deux réserves honnêtes doivent accompagner ces chiffres. Premièrement, les chiffres par langue sont approximatifs (arrondis d'après l'audit) ; les comptages SQL au niveau de la table sont exacts à l'instant de leur mesure. Deuxièmement, le corpus est en couches : certains ensembles de données (kaikki Wiktionary et les listes de fréquence de mots) ont été délibérément plafonnés à 50,000 lignes par exécution d'importation, une couverture plus profonde étant fournie par d'autres sources, et ce plafond est documenté plutôt que caché [H] (audit, 6 septembre 2026). La section 7 montre ce qui arrive quand un plafond comparable n'a pas été documenté comme un risque.

6.3 La surface de l'API

Le système expose une petite API HTTP délibérément figée (FastAPI), dont la surface de la phase 0 est documentée comme ne devant jamais casser à mesure que de nouvelles phases arrivent [H] (note de projet, 29 août 2026). Les points d'accès, vérifiés en direct en septembre 2026 [H] :

• /languages — liste les langues en service et leurs métadonnées ;
• /lexemes et /concepts — requêtes de listage paginées (limit/offset,

plafonnées à 1,000 par page après qu'un audit d'août–septembre les a trouvées non bornées) ;

• /analyze — analyse morphologique/lexicale d'un mot ;
• /kanji et /lookup — les consultations japonaises de kanji et de

dictionnaire ;

• /graph/sky — le flux de la carte des étoiles : concepts classés par

luminosité céleste, avec des paramètres pour la recherche (query, lang), la profondeur (skip/tier), l'attache ou non des mots membres (words), et une lentille de taxonomie (anchor, lens=up|down) qui monte ou descend l'arbre est-un depuis un concept donné ;

• /graph/star/{id} — une étoile en entier : ses mots membres par langue et

ses concepts voisins, les deux paginés ;

• /graph/path — la recherche bornée dans le graphe (section 5.3) entre deux

concepts ;

• /graph/word — la « lentille de mot » : étant donné un mot et une langue,

les concepts auxquels ses sens renvoient actuellement.

Toutes les réponses sont compressées (gzip), et chaque requête est conçue pour partir d'un index ou d'une vue matérialisée — la règle du « travail borné » de la section 5.6 [H] (code et en-têtes en direct, septembre 2026).

6.4 Pourquoi la conception est indépendante de la langue dans la base de données, et pas seulement sur le papier

Le lecteur peut maintenant voir la boucle complète. Une nouvelle langue arrive comme une ligne language (disons le mandarin, code cmn) accompagnée d'ensembles de données enregistrés (le wordnet mandarin de l'OMW, un treebank mandarin de l'UD). Les importateurs écrivent ses lexèmes, ses sens et — là où l'OMW ou d'autres correspondances explicites existent — ses liens sens→concept. Les vues de classement se recalculent ; le ciel gagne une nouvelle langue ; aucune table ne change ; aucune migration ; aucun cas particulier dans l'API. La prochaine famille prévue le long de ce chemin exact — le mandarin, le cantonais, le coréen et le vietnamien — est décrite dans la section 10.3, où est consignée la reconnaissance de disponibilité des données qui décidera de son calendrier [H] (journal de session, 7 septembre 2026). La promesse de la conception — « ajouter des langues indéfiniment » — n'est donc pas du marketing : c'est la conséquence directe du schéma.

7 · Deux leçons d'infrastructure : cuire plutôt que redériver, et échouer bruyamment

Tout projet de base de données finit par rencontrer ses murs de performance. Lingua Mundi en a rencontré trois en une seule semaine — puis a découvert que le problème le plus intéressant n'était pas la vitesse, mais le silence. Cette section raconte ces deux histoires, car ensemble elles constituent les leçons d'ingénierie les plus transférables du projet.

7.1 Le patron : cuire plutôt que redériver

La règle qui a résolu les trois murs de performance est assez simple pour tenir en une phrase : quand de nombreuses requêtes ont besoin du même calcul coûteux, calculez-le une fois, stockez le résultat et gardez-le frais — ne le recalculez pas pour chaque requête. En termes de base de données, Lingua Mundi utilise les vues matérialisées de PostgreSQL : des tables précalculées qui agissent comme des index remplis de réponses.

• Mur 1 — classer le ciel. À l'origine, demander la carte des étoiles par

défaut forçait la base de données à reclasser tout le corpus à chaque requête : environ 8.6 secondes à chaque fois sur l'ordinateur portable de l'ère 2014 du projet. Le correctif a matérialisé le classement dans concept_sky_rank et concept_lang_rank (94,498 et 218,120 lignes précalculées), après quoi le ciel par défaut répondait en ~0.25 s et les requêtes plus profondes en dizaines de millisecondes [H] (mesuré, 6 septembre 2026).

• Mur 2 — nommer les étoiles. Demander le ciel avec ses mots attachés

(les premiers mots par concept et par langue) exigeait une jointure sur 1.6 million de sens à chaque requête ; à 1,000 étoiles, la requête prenait plus d'une minute — un cas pathologique. Le correctif a matérialisé les mots eux-mêmes : concept_word_rank précalcule les quatre premiers mots par concept et par langue (338,378 lignes à la création), transformant une jointure de plus d'une minute en une consultation de ~1.1 s, et la vue par défaut en ~0.25 s [H] (mesuré, 6 septembre 2026).

• Mur 3 — hiérarchie et pagination. Monter et descendre dans la taxonomie

(lentille haut/bas) et paginer des fenêtres stables d'étoiles ont été résolus avec des prédicats canoniques, un ordre par index et des fenêtres de pagination stables (des requêtes de type DISTINCT ON) plutôt qu'avec une base de données de graphe — le fruit de la décision d'août de la « pile légère » (section 4.5) [H] (code et mesures, 6 septembre 2026).

Après chaque importation, les vues se rafraîchissent automatiquement, de sorte que « cuit » ne signifie jamais « rassis » [H] (scripts). Tout le patron est une instance native de base de données de ce que les développeurs de jeux appellent le budget : le travail coûteux a lieu une seule fois, hors du chemin critique, et la requête de l'utilisateur ne fait que lire des réponses précalculées.

7.2 Le troncage silencieux qui a caché cat

Fin août 2026, la couche anglaise du corpus a été importée avec un plafond de lignes que personne n'avait l'intention de voir servir de plafond. Le script d'importation superviseur a limité l'importation de l'Open Multilingual Wordnet anglais à 50,000 candidats — puis a signalé un succès [H] (journal de session, 6 septembre 2026, entrée de cause racine). Le cat anglais est le candidat numéro 52,195 dans l'ordre alphabétique du fichier. Il a été coupé. Environ 21,830 des 117,659 synsets anglais n'ont jamais été créés ; pour ces sens, des sens anglais existaient comme entrées de dictionnaire brutes, mais n'ont jamais été reliés à des concepts. Le mot cat ne manquait pas dans la base de données — il était invisible pour la carte : une recherche de son sens ne pouvait pas le trouver, parce que le nœud-sens vers lequel ses sens auraient dû pointer n'avait jamais été construit [H] (même source).

Pendant environ six jours, personne ne le sut. La démonstration qui comptait pour l'auteur — cat · gato · 猫 sur une seule étoile — fonctionnait en espagnol et en japonais, mais ressortait vide en anglais, et le résultat vide ressemblait à une lacune de données — comme si l'anglais manquait du mot. (Une note de calendrier tirée du registre : le ciel multilingue lui-même n'est arrivé que lorsque integrate_core6.py a fini de relier les langues importées vers la fin de la passe d'importation d'août–septembre — avant cela, le ciel de repli était une petite vue monolingue —, ce qui explique que le trou anglais ne soit remonté à la surface qu'au début de septembre, une fois la vue des concepts partagés réellement en service [H] (journal de session, 6 septembre 2026).) L'insistance de l'auteur lui-même, consignée dans le journal de session, était que c'était « pas une lacune de données — de l'infrastructure » [H] (journal de session, 6 septembre 2026). Il avait raison. La défaillance n'était pas dans les données, mais dans l'honnêteté du canal d'importation : une importation tronquée avait signalé un succès, et rien dans le système n'était conçu pour remarquer que ce « succès », avec un plafond de 50,000 lignes, signifiait un échec pour le candidat 52,195.

7.3 Le correctif : une chaîne de réparation sans plafond et idempotente

La réparation — conçue et lancée les 6 et 7 septembre 2026 et vérifiée comme complète le 8 septembre 2026 (voir la section 10.1) — est un modèle de la manière de réparer un canal de données sans perdre ni données ni confiance [H] (scripts et journal de session, 6–7 septembre 2026) :

1. Réimporter le WordNet anglais sans le plafond — de façon idempotente,

pour qu'une passe interrompue puisse simplement être relancée sans dupliquer de lignes ;

1. réexécuter les relations synset-à-synset pour les synsets nouvellement

créés ;

1. intégrer : promouvoir les nouveaux synsets en concepts, relier les

champs concept_id des sens membres et ré-exprimer les relations de concepts ;

1. rafraîchir les vues matérialisées pour que la carte reflète le corpus

réparé ; et

1. vérifier de bout en bout avec un script d'acceptation qui prouve, depuis

la base de données et à travers l'API en service, que le cat anglais atteint le concept chat domestique princeton-wordnet:02121620-n avec ses membres multilingues — gato, chat, Katze, 猫 — et que le concept a des parents dans la taxonomie. Le contrôle d'acceptation est conçu pour pouvoir être réexécuté à tout moment et pour se terminer par un PASS ou un FAIL retentissant.

Comme chaque étape a été écrite pour être idempotente (get-or-create, skip-if-exists), un plantage de la machine en pleine réparation ne coûte que du temps : la chaîne peut être relancée et finira le travail. La même propriété protège la base de données en service des états partiels.

7.4 La leçon : échouer bruyamment ou échouer en silence

L'épisode cat est un cas d'école du problème que redoute tout ingénieur de données : un canal d'importation qui échoue en silence et signale un succès. La leçon méthodologique — qu'un plafond de lignes n'est pas un critère de succès, et que les importateurs doivent vérifier la complétude, pas seulement l'achèvement — mérite d'être énoncée comme principe général pour l'infrastructure de données ouvertes, où les ensembles de données arrivent sans garanties et où les canaux d'importation sont assemblés à la main. La réponse de Lingua Mundi s'est institutionnalisée sous deux formes : le script d'acceptation que toute future chaîne d'importation peut exécuter, et la règle permanente du studio selon laquelle les affirmations non vérifiées sont étiquetées comme non vérifiées — dans la base de données (les sens orphelins restant visibles, des niveaux de confiance sur les liens) et dans chaque document écrit (la convention [H]/[O]/[NV] du présent article, annexe A). Un système qui peut montrer ses orphelins est un système dont les lacunes peuvent être trouvées. Un système qui les cache est un système dont les lacunes seront trouvées — tôt ou tard, par la pire personne possible : un utilisateur qui cherche cat.

8 · L'interface : une carte des étoiles du sens

Les données seules ne sont pas un produit. La question qui a façonné l'interface de Lingua Mundi était simple : à quoi devrait ressembler le fait de regarder une carte du sens ? La réponse de l'auteur, développée durant la première semaine de septembre 2026, était que cela devrait ressembler au fait de regarder un ciel — et, précisément, à la carte d'une planète au trésor fictive : une carte de papier navigable d'un univers où chaque étoile est une idée, et où les langues sont les télescopes à travers lesquels vous choisissez de la regarder [H] (journaux de session, 1–7 septembre 2026). Cette section décrit l'interface qui en a résulté : sa métaphore pédagogique, son langage visuel, ses instruments, et la discipline d'ingénierie qui permet à tout cela de fonctionner sur un ordinateur portable de 2014.

8.1 De la page de dictionnaire au ciel : nommer le produit

L'interface est passée par trois identités en deux semaines, et les noms suivent l'évolution du produit [H] (journaux de session, 31 août – 6 septembre 2026). Elle a commencé comme une page de dictionnaire ordinaire ("/gui/", appelée l'Observatoire le 31 août), est devenue le Planétarium le 1er septembre, quand les importations de données se sont achevées et qu'une visualisation de champ d'étoiles est apparue, puis — après que l'auteur eut regardé le résultat et déclaré que les étoiles étaient « un échafaudage, pas le produit » — a pivoté, dans la nuit du 6 septembre, vers un explorateur de graphe sémantique : le même ciel, mais désormais le propos était le sens, avec des nœuds qui sont des concepts étiquetés dans les langues que vous activez, des arêtes colorées par famille de relations et une recherche qui désambiguïse les sens. L'ancienne vue du ciel a été conservée mais non reliée ; l'explorateur est devenu le visage par défaut de Lingua Mundi [H] (journal de session, 6 septembre 2026).

8.2 La métaphore pédagogique : un instrument, pas un tableau de bord

Chaque élément de l'interface correspond un à un à un concept de l'astronomie et du projet de langues lui-même — une conception pédagogique délibérée (la table des métaphores est la documentation interne du produit) [H] (journaux de session, 6–7 septembre 2026) :

Rien de tout cela n'est décoratif ; le cahier des charges (design brief) que l'auteur a écrit pour l'outil est cité dans les registres et vaut la peine d'être répété : l'interface doit être « un véritable outil de découverte, pas un jouet » — une carte de toutes les langues qu'un apprenant ou un chercheur peut réellement explorer — et ses sources doivent se comporter comme une carte de papier navigable, pas comme un tableau de bord [H] (journaux de session, 6 septembre 2026). Dans le même esprit, les panneaux d'instruments sont délibérément squeuomorphes : des cadrans de pose à boutons de laiton, des mesures de sextant, des routes tracées, un tampon d'époque — l'esthétique d'un vieux observatoire, choisie pour enseigner par le ressenti plutôt que par les libellés de menus.

8.3 Ce qu'il y a à l'écran

L'explorateur, vérifié de bout en bout en septembre 2026 [H], offre :

• Recherche avec désambiguïsation des sens. Taper gato (espagnol)

renvoie des étoiles-sens ; chaque résultat peut montrer quels mots, dans quelles langues, partagent le sens — le panneau de l'étoile chat domestique affiche ses membres du synset multilingue, par exemple le cat et le grimalkin anglais, le Katze allemand, le 猫 japonais (section 8.5).

• Voyage. Cliquez sur une étoile (ou Maj+clic / appuyez sur la touche de

mesure) pour en faire le foyer ; le ciel se recentre sur elle et son voisinage apparaît.

• Le panneau de l'étoile. Les membres par langue de l'étoile focalisée, sa

définition et ses voisins — avec pagination pour les grands voisinages.

• La lentille de taxonomie. Monter vers les parents d'une étoile (« de quoi

est-ce une sorte ? ») ou descendre vers ses enfants (« quelles sortes de ceci existent ? ») le long des prédicats canoniques de la famille est-un.

• Les instruments (tous en service, vérifiés) : le cadran de pose

élargit le champ de l'étoile focalisée par paliers (90 → 180 → 360 → 720 → 1,000 étoiles), fusionnant le ciel élargi sans avoir à voyager de nouveau ; le sextant mesure un chemin borné dans le graphe entre deux étoiles (la recherche /graph/path de la section 5.3), traçant un cap doré en pointillés à travers le ciel et consignant chaque étape ; les marques du ciel épinglent des étoiles (persistées localement, pour que votre propre mini-constellation survive aux rechargements) ; la boussole de mots entoure l'étoile focalisée de pastilles de mots — une par langue activée, cliquables pour changer la langue de recherche ; et le journal de bord, le relèvement de retour, le tampon d'époque et le réticule vous gardent orienté [H] (journal de session, 7 septembre 2026).

• Le dispositif de soutien. Un contrôle "✦ support" ouvre la modale de don

(section 10).

8.4 L'ingénierie du ciel sur du matériel de 2014

La beauté de l'interface est subordonnée à une contrainte dure : elle doit tourner avec fluidité sur une machine dotée d'un processeur de l'ère 2014, de 8 Go de RAM et d'un disque à plateaux — la même machine qui héberge la base de données. L'ingénierie qui rend cela possible vaut la peine d'être documentée parce que c'est la même discipline de travail borné que dans la section 7, appliquée aux pixels [H] (journaux d'audit et de session, 6–7 septembre 2026) :

• La page ne rend que sur entrée. L'utilisation du CPU au repos est de

~0 % ; rien ne s'anime sauf si l'utilisateur fait quelque chose. Il n'y a pas d'animation perpétuelle — un choix délibéré sous le « budget de la pomme de terre » (section 9).

• La nébuleuse est précalculée. Le fond décoratif (fleurs et poussière en

violet/turquoise/rose) est peint une fois par changement de taille puis mis en cache, avec une parallaxe de caméra au redessin, au lieu d'être recalculé à chaque image.

• Les étiquettes sont rationnées. Seulement ~24 étiquettes d'étoiles sont

dessinées par image — un budget d'étiquettes — ce qui maintient les redessins bon marché et le texte lisible [H] (le code de l'interface borne les placements avec MAX_LABELS = 24 ; gui/planetarium-v1.html).

• Les requêtes sont protégées. Des jetons de réponse périmée et des

contrôles d'annulation annulent les requêtes en vol quand l'utilisateur passe à autre chose ; les doubles-clics diffèrent les actions du simple clic afin qu'aucune récupération (fetch) inutile ne parte ; les redimensionnements sont anti-rebond (debounce) et le ratio de pixels du canvas est plafonné (réduisant la mémoire d'un redimensionnement de ~24 Mo à ~11 Mo en 1080p).

• L'accessibilité est explicite : les rôles du canvas et les libellés aria,

le support du mouvement réduit et la navigation au clavier ont été ajoutés dans la même passe que le polissage visuel [H] (journal de session, 7 septembre 2026).

8.5 La démonstration qui fait le lien

La démonstration permanente du projet est le mot cat — ou plutôt le concept auquel il appartient. Cherchez gato en espagnol dans l'explorateur, voyagez jusqu'à l'étoile, et le panneau affichera le synset princeton-wordnet:02121620-n avec ses membres dans les langues en service. Le sous-ensemble réellement vérifié de bout en bout dans les contrôles sans tête (headless) des 6 et 7 septembre 2026 est consigné dans le journal de test — le cat, grimalkin et felis silvestris catus anglais (le nom scientifique que WordNet stocke), le Katze allemand, le gato espagnol, le 猫 japonais — et les listes de membres plus larges que la base de données stocke pour ce synset (par exemple, en anglais housecat, mouser, puss, tomcat ; en français chat, chatte ; en allemand Kater ; en japonais ネコ ; en portugais gato, bichano) proviennent de l'appartenance wordnet importée, et non du journal de bout en bout ; un lecteur qui veut l'énumération complète actuelle peut réexécuter la requête d'acceptation de la section 7.3 [H avec [NV] sur la traîne non testée] (journal E2E sans tête et base de données en service, 6–7 septembre 2026). Une étoile, six langues, un sens : l'intuition de décembre 2025, visible à l'écran. Le côté anglais de cette démonstration est exactement ce que le bug de la section 7.2 a brièvement cassé : une recherche gato menée depuis l'espagnol a atteint l'étoile tout du long, tandis qu'une recherche cat menée depuis l'anglais ne fonctionne qu'après la réparation de la couverture, et le script d'acceptation de la section 7.3 existe précisément pour prouver, à la demande, que cat · gato · 猫 partagent leur étoile.

9 · L'atelier : outils, flux de travail et la machine « pomme de terre »

L'histoire d'un projet est incomplète sans l'atelier sur lequel il a été construit. L'atelier de Lingua Mundi est inhabituel, et les contraintes qu'il a imposées ont façonné presque chaque décision d'ingénierie de cet article.

9.1 La pomme de terre

La machine qui héberge la base de données, l'API, l'interface et l'environnement de développement est un unique ordinateur portable grand public : une ASUS X751MA équipée d'un Intel Pentium N3540 (Bay-Trail, quatre cœurs, sans AVX2), 8 Go de RAM (7.6 Gio utilisables), un disque dur à 5400 tr/min et un lien montant internet d'environ 47 Ko/s — saisi en direct pour cet article le 7 septembre 2026 ([H], lscpu//proc/meminfo sur la machine elle-même). Les notes du projet décrivent cette même machine tantôt comme un Atom Z36xx/Z37xx, tantôt comme un Pentium N3540 — la même famille de silicium Bay-Trail sous des noms différents [O] ; des journaux de chat antérieurs de 2026 mentionnent aussi un profil différent (une machine Intel Jasper Lake "N5105"), que la section 10.2 liste comme un conflit non résolu des registres matériels. Le studio appelle la machine en service, avec affection, la pomme de terre — et a posé une règle qui apparaît dans tous les registres : une seule opération lourde à la fois, des enveloppes protégées en mémoire, pas d'animation perpétuelle, pas d'infrastructure prématurée (section 4.5), et chaque travail lourd exécuté comme un script détaché qui s'alerte de lui-même une fois terminé, au lieu d'être sondé [H] (journaux de session et outils, septembre 2026). Le patron « cuire plutôt que redériver » (section 7), l'interface pilotée uniquement par les entrées (section 8.4) et la surface de recherche à zéro token de LLM (section 9.4) sont tous, au fond, des conséquences de la pomme de terre — la preuve qu'un budget serré peut être une vertu de conception plutôt qu'une limite.

9.2 La pile logicielle

Le système en fonctionnement (vérifié en direct, septembre 2026 [H]) : PostgreSQL 16 comme magasin de données unique (section 4.5), FastAPI (Python) comme couche d'API, SQLAlchemy + Alembic pour les modèles et les migrations, des scripts Python pour les importateurs et la gestion des vues matérialisées, et une petite interface web sans dépendance (HTML/CSS/JavaScript) servie depuis la même origine. La machinerie auxiliaire comprend des services utilisateur systemd qui maintiennent en vie l'API et le gardien mémoire/thermique (section 9.5), une sauvegarde GitHub quotidienne de la base de code, une base de connaissances Obsidian comme mémoire du projet (section 9.3), des contrôles de bout en bout avec Chromium sans tête pour l'interface, et les outils detach-run + notify du studio pour les travaux d'arrière-plan qui s'alertent eux-mêmes [H] (inventaire des services et des outils, septembre 2026).

9.3 La base de connaissances : une mémoire de projet auditable

Depuis le 26 août 2026, l'auteur et ses agents tiennent une base de connaissances structurée (un coffre Obsidian) dans laquelle chaque session de travail est consignée : le travail accompli, les décisions prises, les prochaines actions et le fichier d'où vient chaque fait, avec un frontmatter consignant la provenance et un indicateur verified: true/false [H] (conventions du coffre, août–septembre 2026). Le coffre est la raison pour laquelle cet article peut citer des dates et des citations : quand ce brouillon dit « journal de session, 6 septembre 2026 », il pointe vers un fichier qui existe, qui a été écrit ce jour-là et qui porte ses propres notes de source. Deux conventions de ce coffre méritent d'être mentionnées comme méthode : chaque affirmation est censée déclarer sa source, et l'histoire n'est jamais inventée — le matériau non confirmé est conservé, mais marqué comme non vérifié [H] (conventions du coffre). Ces conventions sont celles du présent article (annexe A).

9.4 La recherche à zéro token et la règle local-first

La règle permanente de l'auteur — visible dans la note de projet du 29 août 2026 — est que l'API locale est la surface de recherche : /lexemes, /concepts, /analyze répondent aux questions sur le corpus avec zéro token de LLM dépensé [H]. Le même instinct local-first régit les données (tout est auto-hébergé ; rien ne dépend d'un fournisseur), l'argent (uniquement des paliers gratuits et des données ouvertes ; section 10) et la vie privée (les secrets ne quittent jamais la machine ; la base de connaissances est privée) [H] (journaux de session, septembre 2026).

9.5 Des garde-fous sur une machine fragile

Comme la pomme de terre n'a aucune marge, le studio a construit des garde-fous qui font eux-mêmes partie de l'histoire de l'ingénierie : un gardien mémoire/thermique (tools/mem-manager.sh, v2, en service le 7 septembre 2026) qui avertit sous 900 Mio de mémoire disponible ou 80 °C et décharge les unités d'arrière-plan facultatives sous 500 Mio ou 88 °C, plus un early-oom killer au niveau du système (earlyoom -m 8 -s 5, c'est-à-dire qu'il agit quand la mémoire libre s'effondre sous 8 %, avec une cadence de 5 secondes) [H] (configuration en service : seuils de mem-manager.sh et /etc/default/earlyoom, lus le 7 septembre 2026). Les règles d'exploitation du studio évitent que ces garde-fous n'aient jamais à agir : une seule opération lourde à la fois, des enveloppes protégées en mémoire et des travaux détachés qui s'alertent eux-mêmes pour tout ce qui est de longue durée. Les réparations longues sont écrites pour être idempotentes (get-or-create, skip-if-exists), afin que toute interruption — un redémarrage, une coupure de courant, un déclenchement du garde-fou — ne coûte que du temps : la réparation peut simplement être relancée et finira le travail (section 7.3). La même discipline traite la concurrence elle-même comme une ressource à budgéter, au même titre que la mémoire ou le disque.

9.6 Gouvernance : licences, attribution et la décision du « gratuit pour toujours »

Chaque ensemble de données est entré dans Lingua Mundi avec sa licence consignée (l'inventaire docs/DATA_LICENSES.md du dépôt ; la table source de la base de données en service) [H] : WordNet (permissive), l'Open Multilingual Wordnet (licences par langue, principalement CC BY-SA et CC BY), Wiktionary et kaikki (CC BY-SA, avec les conditions GFDL héritées), Wikidata (CC0), UniMorph (CC BY-SA 3.0), Universal Dependencies (CC BY-SA 4.0), JMdict/KANJIDIC2 et la famille EDRDG (permissives, avec attribution), OPUS (par ensemble de données), CLICS et les listes de fréquence de mots (par source), et ainsi de suite [H] (inventaire des licences, consulté en septembre 2026). Le projet rend la pareille : ses propres sorties sont prévues pour être elles aussi gratuites.

Le modèle de financement a évolué publiquement sur neuf jours entre fin août et début septembre 2026, et le registre montre chaque étape [H] (journaux de session et calendrier, 29 août – 7 septembre 2026) : un plan initial, le 29 août, de vendre une application de dictionnaire hors ligne du Core 6 (Texupan, $29 ou $9/mois) ; une fiche de boutique avec des liens de paiement sur le hub de la boutique le 1er septembre ; et — le 7 septembre — une décision de rendre Lingua Mundi gratuit pour toujours, financé par des dons volontaires, avec le produit Stripe littéralement nommé "Lingua Mundi — keep it free forever", des prix uniques de €5/€15/€50 et des mensualités de €3/€9/€25, et un objectif annuel honnête de €2,400 pour couvrir l'infrastructure et le travail de données de la prochaine langue [H] (journal de session, 7 septembre 2026). Le compte a été délibérément configuré dormant — les dons désactivés jusqu'à ce que l'auteur termine la vérification d'identité du prestataire de paiement — afin que « gratuit pour toujours » soit, dans le cadrage de l'auteur, une affirmation vérifiable, non un slogan [H] (journal de session, 7 septembre 2026). Le texte destiné au public suit la règle de la voix du studio (avis en tête de document) et la règle de la copie honnête : pas d'emballement, pas de sur-affirmation — la même discipline qui régit la base de données et le présent article.

10 · Où en est le projet (7 septembre 2026), ses limites honnêtes et la route à venir

10.1 État actuel du système

Mesuré directement contre le système en service les 6 et 7 septembre 2026 [H] (voir l'annexe A pour les requêtes exactes) :

• Corpus (état avant réparation, 6–7 septembre 2026) : 96,434 concepts · 1,238,383 lexèmes · 1,608,018 sens ·

171,672 relations, dans six langues en service (anglais, espagnol, français, allemand, portugais, japonais) — les comptages SQL reproduits à l'identique aux deux dates de mesure.

• Corpus (état après réparation, 8 septembre 2026) : 125,980 concepts / 125,980 synsets / 352,333 lexèmes anglais, comme consigné dans le rapport de réparation (lm-en-coverage-REPORT-2026-09-08.txt, RESULT: PASS) ; les membres multilingues de l'étoile cat princeton-wordnet:02121620-n couvrent l'anglais, l'espagnol, le japonais, l'allemand et le portugais (cat, gato, 猫, Katze, Gato doméstico).
• Vues de classement : concept_sky_rank 94,498 lignes ;

concept_lang_rank 218,120 lignes ; concept_word_rank 338,378 lignes à la création (un recomptage en service a été refusé au rôle standard de la base de données ; signalé [NV]).

• Performance : ciel par défaut ≈ 0.25 s à chaud (8.6 s avant les vues de

classement) ; requête profonde de 1,000 étoiles avec mots ≈ 1.1 s (>60 s avant la vue des mots) ; recherches de chemins dans le graphe en millisecondes ; recherche ≈ 0.5 s à chaud / ≈ 10 s à froid sur le cache de pages du disque dur.

• Interface : explorateur de graphe sémantique en service à l'origine web

de l'API, avec tous les instruments (cadran de pose, sextant, marques du ciel, boussole de mots, journal de bord, tampon d'époque) vérifiés par 23/23 contrôles de bout en bout en navigateur sans tête les 6 et 7 septembre 2026.

• Réparation de la couverture anglaise : la chaîne de réimportation sans

plafond du WordNet anglais — relations, intégration, rafraîchissement des vues et vérification de bout en bout (section 7.3) — a été lancée le matin du 7 septembre 2026 et a couru jusqu'à son terme le 8 septembre 2026 à 22:19 (2026-09-08 22:19:12). Sa porte d'acceptation a été franchie : le rapport propre à la chaîne (lm-en-coverage-REPORT-2026-09-08.txt, RESULT: PASS) consigne le sens anglais de cat relié au concept sur princeton-wordnet:02121620-n, dont les membres multilingues incluent cat, gato, 猫, Katze, Gato doméstico [H] (rapport, 8 septembre 2026).

• Gouvernance : canal de dons en service mais volontairement dormant en

attendant la vérification de l'auteur auprès du prestataire de paiement ; base de code sauvegardée chaque jour ; base de connaissances à jour.

10.2 Ce qui, honnêtement, n'est pas connu, et ce qui reste non résolu

Les conventions de vérification du studio exigent que cet article dise clairement ce qu'il n'a pas pu vérifier et qu'il consigne les contradictions entre sources. Les principales :

1. La discordance du "Core 6". L'ensemble personnel de langues de l'auteur

(consigné le 29 août 2026) est l'espagnol, l'anglais, le japonais, le français, l'italien et le portugais. Les six langues de la base de données en service sont l'anglais, l'espagnol, le français, l'allemand, le portugais et le japonais. L'allemand a remplacé l'italien dans la base de données sans aucune explication écrite survivante ; la ligne de l'italien et ses ensembles de données avaient été enregistrés plus tôt, mais la table en service contient l'allemand [H] avec la raison [NV] (voir aussi la section 4.2 sur les niveaux de la spécification, qui incluaient le mandarin et l'italien mais pas l'allemand — trois ensembles de langues publiés différents en trois mois).

1. La dérive des comptages du corpus en une seule journée. Un dossier

technique rédigé le 6 septembre 2026 rapporte 1,146,066 lexèmes / 1,595,537 sens, tandis que le SQL direct du même soir rapporte 1,238,383 / 1,608,018 (concepts et relations identiques : 96,434 / 171,672) ; le journal de session de ce même soir porte une troisième valeur, intermédiaire (≈1.15 million de lexèmes), cohérente avec des importations qui continuaient d'atterrir au fil de la journée. Les sommes par langue se recoupent avec la valeur SQL, si bien que les chiffres du dossier semblent venir d'un autre moment ou d'un autre filtre ; la discordance n'est pas expliquée dans les registres [H] avec la réconciliation [O]. Le présent article cite les valeurs SQL avec leur date.

1. Les registres matériels se contredisent. La machine qui hébergeait le

système en service en septembre 2026 a été saisie directement pour cet article comme une ASUS X751MA avec un Intel Pentium N3540 (Bay-Trail), 8 Go de RAM (section 9.1) [H]. Le registre écrit est plus brouillon : les notes du projet décrivent la machine comme un Intel Atom Bay-Trail (Z36xx/Z37xx) et comme un Pentium N3540 — la même génération de silicium sous deux noms commerciaux [O] — tandis que des enregistrements de conversations plus anciens de 2026 mentionnent une autre machine, un Intel Jasper Lake "N5105" avec 12 Go de RAM (janvier 2026), puis « une puce Jasper Lake 4 » (mai 2026) et « Intel Jasper Lake N5105, 4 Go » (fichier de mémoire de mi-2026). Jasper Lake n'est pas du silicium Bay-Trail : les registres décrivent donc soit deux machines différentes au cours de l'année, soit une mauvaise étiquette posée par les assistants ; les éléments survivants ne permettent pas de trancher, et le point est signalé ici plutôt que lissé [H] avec la réconciliation [NV] (journaux de session et enregistrements de conversations IA, janvier–septembre 2026).

1. Avertissements de qualité des données issus de l'audit de septembre :

le corpus contient 178,576 paires de lemmes dupliquées ; 124,790 lexèmes sans sens ; 33.9 % de définitions vides ; et (avant la réparation de l'anglais) 71.7 % de sens pas encore reliés à des concepts. Le même audit a constaté que l'intégrité référentielle tenait partout (sommes exactes, zéro ligne pendante ou orpheline au niveau de la base de données) : la valeur de 71.7 % décrit des sens pas encore reliés à un concept — l'état conçu d'orphelin visible —, non des références cassées ; une distinction honnête que le projet garde délibérément visible pendant que le travail d'alignement se poursuit [H] (audit, 5–6 septembre 2026).

1. Non mesuré ou en attente : la performance sur du matériel autre que la

pomme de terre n'a jamais été mesurée ; le projet n'a pas encore d'utilisateurs publics, donc pas de métriques d'usage réel ; la structure juridique du studio n'est pas documentée dans les registres ; la question de modélisation des « deux Corées », la rareté des données en cantonais et l'examen des licences du wordnet taïwanais restent ouverts (section 10.3).

10.3 La route à venir

La feuille de route, approuvée par l'utilisateur le 29 août 2026, est la forme aboutie des sept graphes du manuscrit de juin [H] (note de projet) : phonétique/phonologie, morphologie (importée), syntaxe (importée), sémantique (importée), lexicographie (importée), corpus (importés) et — en file — discours, étymologie et les couches de correspondance et d'usage, plus la future interface web publique. À court terme, les plans documentés sont [H] (journaux de session, 7 septembre 2026) :

• La famille CJKV. Les prochaines langues prévues pour le schéma sont le

mandarin (cmn), le cantonais (yue), le coréen (kor) et le vietnamien (vie). Leur calendrier dépend d'une reconnaissance de la disponibilité des données qui soit honnête sur ce que le paysage des données ouvertes offre : des wordnets Wiktionary dans l'OMW existent pour le mandarin (19,079 lignes), le cantonais (527), le coréen (9,268) et le vietnamien (5,498) ; des treebanks UD pour le mandarin (123k tokens), le cantonais (14k), le coréen (80k GSD plus 350k Kaist) et le vietnamien (58k). Le cantonais est le plus rare — pas de grand wordnet, petit treebank — et les licences du wordnet taïwanais sont en cours d'examen [H] (journal de session et inventaire des données, 7 septembre 2026). Aucun ensemble de données CJKV n'a été importé dans le corpus en service à la date de ce brouillon ; le calendrier de la famille est une décision ouverte en attente de cet examen.

• Les panneaux d'interface research-v1 (lentille de mot, ascension de la

lignée, cartes de champ, carnet, table de comparaison) ont été conçus et approuvés côté backend le 6 septembre 2026 et mis en file derrière la construction des instruments [H].

• Publication. Le présent article est un brouillon préliminaire généré par

IA ; la publication rédigée par un humain est en cours d'élaboration (avis en tête de document).

• Des langues sans fin. La promesse du schéma — ajouter une langue comme

une ligne plus des ensembles de données — est l'objectif à long terme déclaré du projet, et le texte d'appel aux dons le dit clairement : Lingua Mundi commence avec six langues, construite pour en ajouter indéfiniment [H] (journal de session, 7 septembre 2026).

10.4 Conclusion

Ce qui a commencé le 3 décembre 2025 comme une demande de fichiers de dictionnaires gratuits est aujourd'hui une carte du sens à six langues, en fonctionnement et interrogeable, construite sur des données ouvertes par une seule personne avec des outils gratuits et un ordinateur portable de 2014. Les idées qui l'ont portée — que le sens est l'unité naturelle des données multilingues ; que l'alignement doit être explicite et étiqueté, jamais deviné en silence ; que le calcul coûteux doit être matérialisé une fois puis consulté de nombreuses fois ; qu'une contrainte de budget est un outil de conception ; que chaque affirmation, dans une base de données ou dans un article, doit porter sa source et sa date — ne sont pas nouvelles, mais elles sont vraies, et le projet démontre qu'une personne peut agir sur elles. Son artefact le plus précieux n'est peut-être pas la base de données du tout, mais la démonstration qu'un chercheur solitaire peut construire une infrastructure honnête en public : mesurant ce qu'il mesure, datant ce qu'il date, montrant ses orphelins et tenant parole — une étoile, six langues, et tout le ciel encore devant.

Références

Normes APA, 7e édition. Les détails bibliographiques ont été vérifiés contre les pages des éditeurs et les registres d'identifiants d'objets numériques (DOI) le 7 septembre 2026. Les sources logicielles et de données sont citées selon les formats APA pour les logiciels et les ensembles de données. (Seules les œuvres citées dans le texte sont répertoriées.)

Bond, F., & Foster, R. (2013). Linking and extending an open multilingual wordnet. In Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics (pp. 1352–1362). Association for Computational Linguistics. https://aclanthology.org/P13-1133/

Braille Institute of America. (2019). Atkinson Hyperlegible [Computer font]. https://brailleinstitute.org/freefont

Breen, J. W. (2004). JMdict: A Japanese-multilingual dictionary. In Proceedings of the Workshop on Multilingual Linguistic Resources (COLING 2004) (pp. 65–72). COLING. https://aclanthology.org/W04-2209/

Electronic Dictionary Research and Development Group. (n.d.). JMdict / EDICT Japanese–English dictionary project [Data files and documentation]. Retrieved September 7, 2026, from https://www.edrdg.org/jmdict/edict_doc.html

Fellbaum, C. (Ed.). (1998). WordNet: An electronic lexical database. MIT Press. https://mitpress.mit.edu/9780262561167/wordnet/

Gaia Collaboration, Brown, A. G. A., Vallenari, A., Prusti, T., de Bruijne, J. H. J., Babusiaux, C., … Zwitter, T. (2018). Gaia Data Release 2: Summary of the contents and survey properties. Astronomy & Astrophysics, 616, Article A1. https://doi.org/10.1051/0004-6361/201833051

Hernández, R. (2026, June 1). Lingua Mundi: A semantic infrastructure for concept-grounded language models (Versions 1–7) [Unpublished manuscript; revision and audit records preserved in the author's conversation-log archive].

Hernández, R. (2026, July 24). Multilingual Lexical Platform — Engineering specification (Version 2.0) [Unpublished specification document; text extraction on file].

Kirov, C., Cotterell, R., Sylak-Glassman, J., Walther, G., Vylomova, E., Xia, P., Faruqui, M., Mielke, S. J., McCarthy, A., Kübler, S., Yarowsky, D., Eisner, J., & Hulden, M. (2018). UniMorph 2.0: Universal morphology. In Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018). European Language Resources Association. https://aclanthology.org/L18-1293/

McCarthy, A. D., Kirov, C., Grella, M., Nidhi, A., Xia, P., Gorman, K., Vylomova, E., Mielke, S. J., Nicolai, G., Silfverberg, M., Arkhangelskiy, T., Krizhanovsky, N., Krizhanovsky, A., Klyachko, E., Sorokin, A., Mansfield, J., Ernštreits, V., Pinter, Y., Jacobs, C. L., … Yarowsky, D. (2020). UniMorph 3.0: Universal morphology. In Proceedings of the Twelfth International Conference on Language Resources and Evaluation (LREC 2020) (pp. 3922–3931). European Language Resources Association. https://aclanthology.org/2020.lrec-1.483/

Meyer, C. M., & Gurevych, I. (2012). Wiktionary: A new rival for expert-built lexicons? Exploring the possibilities of collaborative lexicography. In S. Granger & M. Paquot (Eds.), Electronic lexicography (pp. 259–292). Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199654864.003.0013

Miller, G. A. (1995). WordNet: A lexical database for English. Communications of the ACM, 38(11), 39–41. https://doi.org/10.1145/219717.219748

Nivre, J., de Marneffe, M.-C., Ginter, F., Hajič, J., Manning, C. D., Pyysalo, S., Schuster, S., Tyers, F., & Zeman, D. (2020). Universal Dependencies v2: An evergrowing multilingual treebank collection. In Proceedings of the Twelfth International Conference on Language Resources and Evaluation (LREC 2020) (pp. 4034–4043). European Language Resources Association. https://aclanthology.org/2020.lrec-1.497/

Princeton University. (n.d.). About WordNet. WordNet. Retrieved September 7, 2026, from https://wordnet.princeton.edu/

SIL International. (n.d.). ISO 639-3. Retrieved September 7, 2026, from https://iso639-3.sil.org/

de Saussure, F. (1983). Course in general linguistics (C. Bally, A. Sechehaye, & A. Riedlinger, Eds.; R. Harris, Trans.). Duckworth. https://www.bloomsbury.com/us/course-in-general-linguistics-9781472508829/ (Original work published 1916)

Speer, R. (2022). wordfreq: A database of word frequencies in many languages (Version 3.0) [Computer software]. GitHub. https://github.com/rspeer/wordfreq

Tiedemann, J. (2012). Parallel data, tools and interfaces in OPUS. In Proceedings of the Eighth International Conference on Language Resources and Evaluation (LREC 2012) (pp. 2214–2218). European Language Resources Association. https://aclanthology.org/L12-1246/

Vrandečić, D., & Krötzsch, M. (2014). Wikidata: A free collaborative knowledgebase. Communications of the ACM, 57(10), 78–85. https://doi.org/10.1145/2629489

Wikimedia Foundation. (n.d.). Wiktionary: The free dictionary. Retrieved September 7, 2026, from https://www.wiktionary.org/

Zipf, G. K. (1949). Human behavior and the principle of least effort. Addison-Wesley Press. https://archive.org/details/humanbehaviorpri0000zipf

Annexe A · Sources, méthode et vérification

A.1 La convention d'annotation

Suivant la norme de rigueur du studio (héritée de son travail d'investigation), les affirmations de cet article sont étiquetées là où le lecteur a besoin de connaître leur statut épistémique : [H] = fait vérifié — une mesure, du code ou une source datée consultés pour cet article ; [O] = interprétation ou opinion attribuée ; [NV] = non vérifié / non localisé. Chaque chiffre du résumé et du corps du texte est soit une mesure [H] accompagnée de sa date, soit étiqueté.

A.2 Familles de sources consultées (accès des 6 et 7 septembre 2026)

Requêtes de vérification représentatives (exécutées le 7 septembre 2026, rôle lingua) : SELECT count(*) FROM concept|lexeme|sense|relation → 96,434 / 1,238,383 / 1,608,018 / 171,672 ; SELECT code FROM language → deu, eng, fra, jpn, por, spa ; l'appartenance au synset 02121620-n par langue (section 8.5) ; le script d'acceptation propre au projet verify-lm-cat-demo.sh (section 7).

A.3 Chiffres clés avec dates (chronologie condensée)

A.4 Contradictions et éléments non résolus

Comme documenté dans la section 10.2 : la discordance du Core 6 entre l'italien et l'allemand ; la dérive des comptages du corpus au sein d'une même journée (dossier de 1,146,066 contre 1,238,383 lexèmes en SQL, avec une troisième valeur intermédiaire dans le journal de session du même soir, rapprochée par langue de la valeur SQL) ; le conflit des registres matériels (Atom Bay-Trail contre Pentium N3540 contre un Jasper Lake N5105 dans les registres de début 2026 — section 10.2, point 3) ; les 71.7 % de sens non reliés et les autres avertissements de qualité des données ; et les éléments non vérifiés/non documentés : la date exacte de fondation du dépôt avant le 26 août, la raison du changement d'ensemble de langues, la provenance du modèle des textes d'audit du 1er juin (les audits survivent dans la conversation ChatGPT de l'auteur, côté utilisateur ; quel modèle assistant a écrit quelle ronde d'audit n'est pas attesté indépendamment dans l'exportation — voir la section 3.3), le recomptage en service de concept_word_rank (autorisation refusée) et la structure juridique du studio.

A.5 Notes méthodologiques

• Le système testé est le système de production ; les mesures à chaud

portent ±0.3 s de bruit du disque dur ; les dates et heures sont données dans le fuseau horaire propre aux registres (heure du Centre sauf mention contraire ; les journaux DeepSeek utilisent +08:00 et ont été convertis).

• Les citations sont textuelles, tirées des journaux et fichiers cités ; les

points de suspension marquent les coupures ; les citations en anglais sont traduites dans le corps du texte là où elles sont utilisées.

• Le présent article est lui-même un brouillon généré par IA (avis en tête de

document) ; il a été rédigé sous la direction de l'auteur à partir des sources ci-dessus et n'a pas été relu par des pairs. Outils de vérification : SQL direct, requêtes HTTP, contrôles en navigateur sans tête et lectures de fichiers sources ; aucune affirmation n'a été complétée de mémoire lorsqu'une source existait.

Annexe B · Glossaire — termes en langage simple utilisés dans cet article

Comment utiliser ce glossaire : la première fois qu'un terme technique apparaît dans l'article, il est souligné de pointillés — survolez-le (ou touchez-le) pour une définition rapide, ou cliquez dessus pour arriver ici. Cette liste suit l'ordre alphabétique des termes originaux en anglais.

Alignement

le fait de décider qu'un mot dans une langue signifie la même chose qu'un mot dans une autre.

API

une interface qui permet à un programme de demander des données à un autre (par exemple, une application de dictionnaire qui demande un mot à la base de données de Lingua Mundi).

Autonyme

le nom par lequel les locuteurs d'une langue la désignent eux-mêmes (les hispanophones appellent l'espagnol español).

Cuire

le mot du projet pour désigner le fait de calculer une réponse coûteuse une seule fois, de la stocker et de la relire de nombreuses fois (la règle de travail est « cuire plutôt que redériver »).

Recherche en largeur

une façon d'explorer un graphe vers l'extérieur par couches, comme les rides d'une pierre jetée dans l'eau, pour trouver le chemin le plus court entre deux points.

CJKV

un raccourci pour la famille de systèmes d'écriture qui couvre le chinois, le japonais, le coréen et le vietnamien (les lettres correspondent aux noms de ces écritures).

Concept

un sens partagé entre les langues (dans cet article, « l'idée de chat domestique », et non un mot particulier).

Corpus

une grande collection de données linguistiques (textes ou entrées de dictionnaire) utilisée comme source de preuves.

Ensemble de données

une collection de données assemblée à partir d'une seule source, avec son propre format et sa propre licence.

Dérivation

la dérivation est la façon dont de nouveaux mots se construisent à partir de mots existants (run → runner) ; l'étymologie est l'histoire d'un mot à travers le temps et les langues.

ETL

extraction-transformation-chargement : le processus qui lit des données d'une source externe, les reformate et les stocke dans la base de données.

FastAPI

un cadre (framework) Python gratuit et open source pour construire le type d'interface (API) qu'expose ce projet.

Recherche en texte intégral

une recherche dans une base de données qui fait correspondre des mots à l'intérieur du texte stocké, plutôt que des identifiants exacts.

Graphème

un caractère écrit : une lettre d'un alphabet, un signe syllabique ou un kanji.

Graphe

dans cet article, un ensemble de sens (nœuds) reliés par des relations typées (arêtes).

Gzip

une méthode de compression standard qui rend les fichiers plus petits avant leur passage sur internet.

HTTP

le protocole que les navigateurs web et les API utilisent pour demander et recevoir des données sur internet.

Hyperonyme

hyperonyme signifie « une sorte de » : félin est un hyperonyme de chat domestique. Une taxonomie est l'arbre des sortes qui en résulte.

Importateur

un programme qui sait lire un ensemble de données externe et l'écrire dans le schéma propre de Lingua Mundi.

Index

une structure de base de données qui permet aux requêtes de trouver rapidement des lignes, comme l'index d'un livre plutôt que la lecture de chaque page.

Flexion

la flexion consiste à changer la forme d'un mot pour la grammaire (run → ran) ; la morphologie est l'étude de ces formes.

Instance-de

deux types de relations dans le graphe : « c'est un exemple de cela » (un chat est une instance d'un type de mammifère) et « c'est une pièce de cela » (une patte fait partie d'un chat).

Interlingua

une représentation intermédiaire partagée entre les langues : au lieu de traduire directement espagnol→anglais, passer par espagnol→sens→anglais.

ISO 639-3

la norme internationale qui attribue à chaque langue humaine un code unique de trois lettres (spa = espagnol, jpn = japonais).

JMdict

le JMdict est un grand dictionnaire japonais multilingue ; KANJIDIC2 est son fichier compagnon de kanji (les caractères d'origine chinoise utilisés en japonais), avec lectures et significations.

JSON Lines

un format texte simple où chaque ligne est un enregistrement de données, utilisé pour les premiers fichiers du canal d'importation du projet.

Kaikki

une extraction lisible par machine des données de Wiktionary, plus facile à lire pour les programmes que les pages d'origine.

Kanji

les caractères d'origine chinoise utilisés dans l'écriture du japonais.

Lemme

la forme de dictionnaire d'un mot (la forme que l'on cherche : cat, et non cats ; run, et non ran).

Lexème

une forme de mot dans une langue spécifique (la chaîne cat).

Licence

les conditions juridiques qui indiquent comment des données peuvent être utilisées et partagées ; les licences « ouvertes » autorisent la réutilisation avec attribution (par exemple CC BY-SA).

Longue traîne

la grande masse d'éléments rares à l'extrémité lointaine d'une distribution zipfienne (voir la loi de Zipf).

Vue matérialisée

un résultat de requête stocké et précalculé, rafraîchi selon un calendrier, pour que les questions répétées ne refassent pas le travail (le patron « cuire »).

Morphologie

l'étude des formes de mots et de la façon dont elles changent pour la grammaire (voir la flexion).

Langage naturel

le langage humain tel que les gens le parlent et l'écrivent réellement, par opposition aux langages de programmation.

Nœud

dans un graphe, un nœud est un élément (ici, un concept) et une arête est une connexion entre deux éléments (ici, une relation typée).

OMW

la collection de wordnets alignés sur le WordNet anglais.

OPUS

une grande collection de phrases traduites rassemblées à partir du web et de sous-titres de films.

Sens orphelin

un sens de dictionnaire pas encore relié à un concept partagé ; il est conservé visible plutôt que caché.

Pagination

le découpage d'une longue liste de résultats en pages numérotées, plutôt que l'envoi de tout d'un coup.

Catégorie grammaticale

la classe grammaticale d'un mot : nom, verbe, adjectif, etc.

Canal d'importation

une chaîne de programmes qui fait passer les données d'une source brute par des étapes de nettoyage jusqu'à leur demeure finale.

Plugin

un plugin est un petit programme complémentaire pour un ensemble de données ; le registre est la liste unique et faisant autorité de ces programmes.

Polysémie

un mot avec plusieurs sens (bank : la rive ou la banque).

PostgreSQL

une base de données relationnelle gratuite et open source (le système dans lequel Lingua Mundi stocke tout).

Relation

une connexion typée et dirigée entre deux concepts (chat domestique est un félin).

Schéma

le plan d'une base de données : quelles tables existent, ce que contient chaque ligne et comment les tables se réfèrent les unes aux autres.

Sens de mot

un sens d'un mot tel que l'enregistre un dictionnaire.

Signifiant

les deux faces du mot selon Saussure : son son ou sa forme (le signifiant) et le concept vers lequel il pointe (le signifié).

Luminosité céleste

le classement, par le projet, de l'« importance » d'un sens, fondé sur le nombre de langues et de mots qui s'y rattachent.

SQL

le langage standard pour poser des questions à une base de données relationnelle.

Synset

un ensemble de mots qui peuvent exprimer le même sens dans un certain contexte ; dans Lingua Mundi, le sens d'un synset est stocké comme concept.

Token

en apprentissage automatique, la petite portion de texte (souvent un mot ou une partie de mot) qu'un modèle lit ou écrit.

Treebank

une collection de phrases réelles annotées avec leur grammaire (quel mot joue quel rôle).

UD

un projet communautaire qui publie des données de phrases annotées grammaticalement dans de nombreuses langues, sous licences ouvertes.

UniMorph

un dépôt multilingue de données de formes de mot (flexion).

URI

une adresse stable et unique pour une chose, utilisée ici pour les concepts (par exemple, princeton-wordnet:02121620-n pour le chat domestique).

Wikidata

la base de connaissances structurée de Wikimedia, qui stocke des affirmations avec des identifiants lisibles par machine et est publiée sous CC0.

Wiktionary

le dictionnaire collaboratif hébergé par la Fondation Wikimedia.

Forme de mot

une orthographe d'un mot dans une langue ; voir lexème.

WordNet

la base de données lexicale anglaise d'origine, organisée par le sens (Princeton) ; l'OMW y aligne les autres langues.

Wordfreq

une base de données de listes de fréquences de mots dans plusieurs langues, utilisée pour classer les mots selon leur fréquence.

Système d'écriture

l'ensemble des caractères avec lesquels une langue s'écrit (alphabet latin, arabe, caractères chinois, etc.).

Loi de Zipf

l'observation qu'un petit nombre de mots rend compte de l'essentiel de l'usage, et que la longue traîne des mots rares rend compte du reste.