En 2021, on a voulu faire lire vingt ans de commentaires de panne à une machine. Ça n’a pas marché. Depuis que je suis en retraite, j’ai du temps. J’ai repris le dossier tout seul, sur mon PC, avec un export anonymisé que l’ancien responsable m’a laissé. Quarante mille lignes. Je ne suis pas développeur. Je n’ai jamais écrit une ligne de code avant 2024. Voilà ce que j’ai testé, ce qui a marché, ce qui m’a fait perdre trois semaines. Ce n’est pas un comparatif d’expert. C’est un retour de gars qui a essayé.

D’abord, le décor

Tout se joue en Python. J’ai cherché des alternatives, j’ai trouvé du Java chez Stanford NLP, du R chez les statisticiens. Pour un débutant en 2026, Python est la seule réponse raisonnable. Les bibliothèques Python sont là, la documentation est là, les gens qui répondent aux questions sont là. Les autres langages existent, ils rament derrière.

Deuxième chose que j’ai comprise tard : ces outils NLP ne font pas la même chose. J’ai passé un mois à comparer des trucs qui n’étaient pas comparables. Une bibliothèque de traitement de texte, une bibliothèque de machine learning, une plateforme de modèles pré-entraînés : trois familles distinctes, trois usages. Le classement des meilleures bibliothèques n’a aucun sens tant qu’on n’a pas dit pour quelle tâche.

Le tableau, avant les détails

Outil	Ce qu’il fait	Pour qui	Mon verdict
NLTK	Découpage, grammaire, étiquetage. Le vieux fond académique	Apprendre le NLP	Excellent pour comprendre, lent pour produire
spaCy	Traitement de texte industriel : tokenisation, entités nommées, français inclus	Faire tourner un truc	Ce que j’ai gardé
scikit-learn	Machine learning classique : classification, TF-IDF	Trier des textes par catégorie	Le plus utile pour moi
Hugging Face	Des milliers de modèles pré-entraînés, prêts à l’emploi	Ne pas réinventer	Impressionnant, gourmand
PyTorch, TensorFlow	Construire ses propres modèles de deep learning	Ceux dont c’est le métier	Hors de ma portée
LLM (GPT, Mistral)	Tout, en langage courant, via une API	Tester une idée vite	Le raccourci qui marche

Six lignes. Trois semaines de perdues pour arriver à ce tableau. Aucun article ne me l’avait donné : ils listent tous les outils sans dire lesquels servent à quoi.

Ce que j’ai testé, dans l’ordre

NLTK, l’école

Natural Language Toolkit. Le plus ancien. On me l’a conseillé partout au début.

C’est une boîte à outils d’université, open source, gratuite. Toutes les tâches NLP de base y sont : la tokenisation, la lemmatisation, l’étiquetage grammatical, des corpus d’exemple. J’ai appris énormément avec cette bibliothèque, parce que chaque étape est séparée, visible, manipulable.

Pour du travail réel, il m’a semblé lent. Le support du français m’a paru pauvre comparé à l’anglais. Je l’ai gardé pour apprendre, pas pour produire.

spaCy, l’outil qui bosse

Là, ça a changé. spaCy est conçu pour la production, pas pour la démonstration.

Trois lignes de code Python, un modèle français téléchargé, mes commentaires passent dedans. Tokenisation, lemmatisation, reconnaissance d’entités nommées : les tâches s’enchaînent d’un coup, sur le même texte. Sur mes quarante mille lignes de données, quelques secondes.

C’est ce qui a fait fonctionner mon truc. Il a repéré les références de machines, les dates. Il a buté sur mon vocabulaire maison, comme prévu : « roult » n’existe dans aucun modèle. J’ai appris qu’on peut lui ajouter ses propres entités. Je n’y suis pas encore.

scikit-learn, le plus utile

Celui-là m’a le plus servi, à ma grande surprise.

scikit-learn ne fait pas de NLP à proprement parler. Il fait du machine learning classique. Vous lui donnez des textes transformés en nombres, il les classe. La classification de texte, c’est exactement ce que je cherchais : trier mes données en familles de pannes.

Le TF-IDF est dedans, la classification aussi, le découpage entre données d’entraînement, données de test également, ce qu’on appelle le train test split. J’ai obtenu mon premier résultat utilisable avec cette bibliothèque. Pas avec un modèle à cinq milliards de paramètres. Avec du comptage de mots des années 90.

Ça m’a rappelé quelque chose de l’atelier : la solution simple qu’on essaie en dernier.

Hugging Face, la caverne

Une plateforme, pas une bibliothèque. Des milliers de modèles pré-entraînés déposés par des chercheurs, des entreprises, des passionnés. Vous prenez, vous utilisez.

Analyse de sentiments, classification de texte, reconnaissance d’entités nommées : pour chacune de ces tâches NLP, quelqu’un a déjà entraîné un modèle, souvent en français. La bibliothèque Hugging Face Transformers permet de charger ces modèles pré-entraînés en quelques lignes de Python.

Deux réserves, de ma place de débutant. C’est lourd : sans GPU, certains modèles de deep learning rament sur mon PC. Il faut aussi savoir choisir, or il y a des milliers de modèles, de qualité très inégale.

PyTorch, TensorFlow : pas pour moi

Les deux grandes bibliothèques de deep learning. TensorFlow vient de Google, PyTorch est devenu le standard de la recherche. Tout le NLP moderne tourne sur l’une des deux, quelque part.

J’ai essayé. J’ai arrêté. Ce sont des outils pour construire des modèles, pas pour les utiliser. C’est un métier, ce n’est pas le mien, je ne vais pas prétendre le contraire pour faire joli.

Si vous n’entraînez pas vos propres modèles, vous n’aurez besoin ni de PyTorch ni de TensorFlow directement. Vous les croiserez sous le capot des autres bibliothèques, ça suffit.

Les LLM, le raccourci honnête

GPT, Mistral chez les Français, les autres. Vous envoyez votre texte à une API, vous posez votre question en langage courant, vous récupérez la réponse.

Pour tester une idée, ces modèles de langage sont imbattables. J’ai su en une soirée que mes données ne contenaient pas l’information cherchée. Un an de projet, en 2021, pour arriver à la même conclusion.

Deux points à savoir. Ça coûte, à l’usage, sur des volumes. Ça envoie vos données chez quelqu’un d’autre, ce qui pose une question que je ne traite pas ici : la CNIL le fait mieux que moi.

Les autres outils que j’ai croisés

Trois mentions rapides, pour être honnête sur ce que je n’ai pas testé sérieusement.

Stanford NLP, en Java, reste une référence académique. Les chercheurs l’utilisent. Un amateur en 2026 n’a aucune raison d’y aller.

Gensim, pour la recherche de thèmes dans de gros volumes de documents. J’ai regardé. Mes quarante mille lignes ne pesaient pas assez lourd pour justifier l’apprentissage.

Les outils cloud, chez AWS ou chez Google Cloud, proposent des services NLP prêts à l’emploi, facturés à l’usage. Pour une entreprise sans data scientist, c’est une porte d’entrée. Pour moi, avec un PC de retraité, c’était une facture inutile.

Ce que j’ai retenu de cette exploration : la liste des bibliothèques disponibles est immense, la liste de celles dont vous aurez réellement besoin tient sur deux doigts.

Ce que ça a donné sur mes données

Rien de spectaculaire. C’est intéressant quand même.

spaCy a nettoyé le texte, scikit-learn a classé. J’ai obtenu des familles de pannes cohérentes sur environ 60 % de mes lignes. Les 40 % restantes étaient les « RAS », les « idem hier », les « ça refait pareil ».

Aucun outil ne rattrape ça. Aucune bibliothèque Python, aucun modèle de langage, aucun budget. Les meilleurs outils du monde ne lisent pas ce qui n’a pas été écrit.

Mon conseil, si j’en avais un à donner, ce que je ne fais pas : commencez par regarder vos données textuelles. Cinquante lignes au hasard. Vous saurez avant d’installer la moindre bibliothèque.

Où lire des gens dont c’est le métier

Je suis un amateur. Vraiment. Voici où j’ai appris.

• L’INRIA pour la recherche française en traitement automatique des langues.
• Le CNRS pour la linguistique informatique.
• La CNIL avant d’envoyer des données textuelles vers une API. Mes commentaires citaient des noms de collègues.
• France Num pour les entreprises qui veulent se lancer avec un budget réel.

Questions fréquentes

Quelle est la meilleure bibliothèque Python pour le NLP ?

Ça dépend de la tâche, c’est une réponse molle mais c’est la vraie. Pour traiter du texte : spaCy. Pour classer : scikit-learn. Pour utiliser des modèles pré-entraînés : Hugging Face. Pour apprendre : NLTK. Ces quatre-là couvrent presque tout ce qu’une entreprise demande.

Faut-il savoir coder pour faire du NLP ?

Un peu. J’ai commencé à 58 ans sans rien connaître, j’ai obtenu un résultat en quelques mois. Le Python de base suffit pour spaCy, pour scikit-learn. Les LLM permettent même de contourner en partie, en posant la question en français.

spaCy ou NLTK ?

NLTK pour comprendre comment fonctionne le traitement du langage naturel, étape par étape. spaCy pour produire quelque chose. J’ai utilisé les deux, à des moments différents, pour des raisons différentes.

Faut-il un GPU pour le NLP ?

Pas pour spaCy, pas pour scikit-learn. Oui dès qu’on charge de gros modèles de deep learning depuis Hugging Face, sauf à accepter des temps de calcul déraisonnables. Les services cloud comme AWS ou Google Cloud permettent d’en louer un.

Ces outils fonctionnent-ils en français ?

spaCy propose des modèles français corrects. Hugging Face héberge de nombreux modèles francophones. Mistral travaille sur le français. Le point faible, historiquement, était NLTK, très centré sur l’anglais.

Quels outils pour quelle tâche NLP ?

Pour découper, nettoyer, étiqueter du texte : spaCy. Pour classer des documents, faire de l’analyse de sentiments simple : scikit-learn avec du TF-IDF. Pour des tâches complexes sans entraîner de modèle : Hugging Face. Pour apprendre les étapes : NLTK. Pour construire vos propres modèles de deep learning : PyTorch, TensorFlow.

Ces bibliothèques sont-elles gratuites ?

spaCy, scikit-learn, NLTK, PyTorch, TensorFlow sont open source, gratuites. Hugging Face propose beaucoup de modèles gratuits. Ce qui coûte : la puissance de calcul, les API de LLM à l’usage, le temps que vous y passez.

Pour finir

Les meilleures bibliothèques pour le traitement du langage naturel sont celles qui répondent à votre question, pas celles qui font la une.

J’ai passé trois semaines à comparer PyTorch avec TensorFlow. Aucune des deux bibliothèques ne me servait. Mon résultat, je l’ai obtenu avec du TF-IDF, une méthode qui a trente ans, dans une bibliothèque de data science que personne ne cite dans les articles sur l’intelligence artificielle.

Un dernier truc, pour ceux qui hésitent. J’ai commencé à 58 ans, en tapant « comment installer Python » dans une barre de recherche. Deux ans plus tard, je classe automatiquement quarante mille commentaires de panne.

Ça ne fait de moi ni un data scientist, ni un développeur. Ça prouve juste que ces outils sont devenus accessibles à un gars de l’atelier qui a du temps. C’est ça, la vraie nouvelle.