🇲🇦 BERTal — Classification Sémantique de Messages en Darija Marocaine

Comprendre la Darija, l'Arabizi et le Français — là où les modèles classiques échouent.

BERTal est un modèle de classification de texte fine-tuné sur BERTouch via la méthode LoRA, spécialisé dans la compréhension sémantique des messages rédigés en Darija marocaine, en Arabizi (écriture latine du dialecte) et en Français — y compris leurs mélanges (Code-switching), phénomène omniprésent dans la communication numérique marocaine.

---

🎯 Tâche

Classification automatique de messages en 7 catégories métier :

Catégorie	Description
🔵 Recrutement	Offres d'emploi, CV, entretiens, stages
🟢 Personnel	Famille, amis, échanges informels
🟠 Commercial	Vente, achat, prix, promotions
🟣 Administratif	Documents officiels, CNSS, CIN, commune
🩵 Education	Examens, cours, université, concours
🔴 Santé	Médecin, pharmacie, hôpital, médicaments
⚫ Autre	Sport, divertissement, actualités

---

🧠 Pourquoi BERTal ?

La Darija marocaine est l'une des langues les plus parlées au Maghreb, utilisée quotidiennement par plus de 40 millions de personnes, mais quasi absente des ressources NLP existantes. Elle présente trois défis majeurs :

• ❌ Aucune orthographe standardisée — chaque locuteur écrit à sa façon
• ❌ Arabizi omniprésent — mélange de chiffres et de lettres latines (3, 7, 9)
• ❌ Code-switching permanent — Darija + Français dans la même phrase

BERTal relève ces défis en s'appuyant sur BERTouch, le seul modèle BERT pré-entraîné nativement sur la Darija marocaine, et en l'adaptant via LoRA sur un dataset multilingue de 351 573 phrases couvrant les trois scripts.

---

📊 Performances

Évaluation	Score
Accuracy (validation, 52 736 phrases)	81.34%
Accuracy (jeu de test inédit 70 phrases multilingues)	74.3%
Baseline sans fine-tuning	11.4%
Gain total	+62.9 points

Résultats par catégorie (jeu de test 70 phrases)

Catégorie	Score
Recrutement	90%
Santé	90%
Commercial	80%
Autre	80%
Personnel	60%
Administratif	60%
Education	60%

---

🗂️ Dataset d'entraînement

Le modèle a été entraîné sur un dataset multilingue construit en 4 versions itératives à partir du corpus ATLASIA, enrichi par génération synthétique via Gemini 2.5 Flash.

Script	Lignes	%
Arabe (Darija)	191 654	54.5%
Arabizi	107 567	30.6%
Français	52 352	14.9%
Total	351 573	100%

Déséquilibre inter-classes : 1.35x (quasi équilibré naturellement).

---

⚙️ Configuration LoRA

LoraConfig(
    task_type      = TaskType.SEQ_CLS,
    r              = 16,
    lora_alpha     = 32,
    lora_dropout   = 0.1,
    target_modules = ["query", "value"]
)

• Paramètres entraînables : 595 207 / 135 793 934 (0.44%)
• Époques : 3
• GPU : Tesla T4 (Google Colab)
• Batch size : 32

---

🚀 Utilisation

import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModelForSequenceClassification
from peft import PeftModel

CATEGORIES = [
    'Recrutement', 'Personnel', 'Commercial',
    'Administratif', 'Education', 'Sante', 'Autre'
]
label2id = {label: idx for idx, label in enumerate(CATEGORIES)}
id2label = {idx: label for idx, label in enumerate(CATEGORIES)}

# Charger le modèle
tokenizer   = AutoTokenizer.from_pretrained("MedAdil/BERTal")
base_model  = AutoModelForSequenceClassification.from_pretrained(
    "AbderrahmanSkiredj1/BERTouch",
    num_labels              = 7,
    id2label                = id2label,
    label2id                = label2id,
    ignore_mismatched_sizes = True
)
model = PeftModel.from_pretrained(base_model, "MedAdil/BERTal")
model.eval()

# Classifier un message
def classifier(texte: str) -> dict:
    inputs  = tokenizer(texte, return_tensors="pt", truncation=True, max_length=128)
    with torch.no_grad():
        logits  = model(**inputs).logits
    probas       = F.softmax(logits, dim=-1)[0]
    scores       = {id2label[i]: round(float(p), 4) for i, p in enumerate(probas)}
    label_predit = max(scores, key=scores.get)
    return {"label": label_predit, "confidence": scores[label_predit], "scores": scores}

# Exemples
print(classifier("bghit nkhdem f had chrika IT"))
# → {'label': 'Recrutement', 'confidence': 0.9935, ...}

print(classifier("خصني رونديفو عند الطبيب"))
# → {'label': 'Sante', 'confidence': 0.9904, ...}

print(classifier("Je cherche un appartement à Oujda"))
# → {'label': 'Commercial', 'confidence': 0.9942, ...}

---

📝 Citation

@misc{mani2026bertal,
  author    = {Mohammed Adil MANI},
  title     = {BERTal: LoRA Fine-tuning of BERTouch for Multilingual 
               Moroccan Darija Message Classification},
  year      = {2026},
  publisher = {Hugging Face},
  url       = {https://huggingface.co/MedAdil/BERTal}
}

---

BERTal — Bringing NLP to the language of millions 🇲🇦