Paper-Analyzer vise à faciliter l’extraction des connaissances à partir d’articles scientifiques (biomédicaux) par l’intermédiaire de modèles d’apprentissage profond (DL) pour le traitement du langage naturel (NLP). Le noyau de Paper-Analyzer est un modèle de langage (LM) construit avec des architectures de type Transformer affinés sur des articles scientifiques. L’objectif du LM est de prédire le mot suivant, compte tenu du contexte. Nous avons formé des modèles construits sur le LM pour résoudre plusieurs tâches en aval comme la reconnaissance des entités nommées (NER), l’extraction des relations (RE) et la réponse aux questions (QA) comme étapes consécutives vers l’objectif principal, qui est l’extraction automatique des connaissances.