OpenDerja_TN

La région est un ensemble, pas une valeur. Un segment peut appartenir à deux régions à la fois, et stocker une seule région forcerait un choix faux sur chaque ligne. Un champ séparé enregistre si l'élément est régional tout court, parce que « quelles régions » et « est-ce régional » sont deux questions différentes.

Les annotations s'attachent toujours à des plages de caractères — y compris celles qui portent sur un segment entier, écrites comme une plage couvrant tout le texte plutôt qu'une plage nulle. Une seule forme pour chaque annotation, c'est un seul mécanisme de consensus et un seul chemin de requête, au lieu que chaque consommateur gère deux cas pour toujours.

Les tokens sont des annotations, pas une hiérarchie. La standardisation réécrit le texte. Les annotations ancrées à un offset migrent avec la réécriture ; une hiérarchie de tokens parallèle se désynchronise sans rien dire.

Le consensus est clé sur la plage complète, pas sur le segment et le type. Sinon deux annotations sur des parties différentes d'une même phrase s'écrasent l'une l'autre sans erreur.

Les clés d'idempotence de tâche portent un emplacement obligatoire. Vide pour les tâches cadrées sur l'enregistrement, la plage de caractères pour celles cadrées sur une plage, un ordinal pour le cas « N du même genre ». Le rendre obligatoire plutôt qu'optionnel, c'est toute la décision : un champ optionnel avec un défaut sensé est un champ que quelqu'un omet, et ici l'échec est silencieux.

Le partage train/dev/test est fixé à l'insertion et jamais changé. C'est la seule chose qui rend une affirmation de précision honnête.

La sortie machine n'est jamais un fait. La sortie d'un modèle entre comme une suggestion, attribuée à un utilisateur système et marquée, et il lui faut une confirmation humaine avant d'atteindre un champ canonique.

Trois plans existent — TypeScript, Rust, Python — mais seul celui en TypeScript a du code dedans. Une étape passe à Rust quand elle est mesurée comme un goulet d'étranglement à l'échelle réelle du corpus, pas quand on imagine que ça irait plus vite. Les modules Rust sont échafaudés comme des jointures vides pour que le déplacement reste peu coûteux, et le fait qu'ils soient encore vides est écrit dans le registre du projet, pour que personne ne le lise plus tard comme un trou.

Aucun modèle ML, aucune inférence Python et aucune dépendance GPU avant que le corpus ne soit réel. Rien dans un chemin de requête n'a le droit d'await une inférence. Les services nlp et media sont des stubs health-check seulement jusqu'à leur phase.

Chaque écran contributeur, c'est une question, trois secondes, aucune explication nécessaire. Les niveaux de confiance, les types de tâches et le routage ne sont jamais visibles pour un contributeur. Le corpus ne se construit que si des gens qui ne sont pas linguistes peuvent contribuer sans apprendre le système d'abord.

Les phases un et deux sont cadrées pour que, si le projet s'arrête après la phase deux, il ait quand même produit quelque chose qui n'existait pas avant : un jeu de données de derja publié, citable et étiqueté par région, et un outil public qu'un Tunisien non technique peut utiliser. Définir un point d'arrêt qui compte quand même comme une réussite, c'est ce qui rend viable un projet sans financement et sans échéance.

Le back-end est écrit et testé. Le travail suivant — le front-end contributeur, les sources de scraping, le traducteur par-dessus le corpus — c'est là que les contributeurs entrent. Il y a un registre d'architecture bilingue (EN + FR) qui consigne les règles non négociables et pourquoi chacune existe, pour qu'un nouveau contributeur n'ait pas à re-dériver une décision déjà prise. Le dépôt est privé pour l'instant et devient public avec cette ouverture.