Question Answering

La réponse aux questions (QA) est un domaine spécialisé de l’intelligence artificielle (AI) et du traitement automatique du langage naturel (NLP), axé sur la création de systèmes capables de répondre automatiquement aux questions posées par des humains en langage naturel. Contrairement aux moteurs de recherche traditionnels, qui renvoient une liste de documents ou de pages web pertinents, un système de réponse aux questions tente de comprendre l’intention de la requête de l’utilisateur et de fournir une réponse précise et factuelle. Cette capacité comble le fossé entre les vastes référentiels de données non structurées et les besoins spécifiques des utilisateurs en matière d’information, ce qui en fait un composant essentiel des agents IA modernes et des assistants virtuels.

Fonctionnement de la réponse aux questions#

À la base, un système de réponse aux questions comporte trois étapes principales : le traitement de la question, la récupération des documents et l’extraction de la réponse. Tout d’abord, le système analyse la requête saisie afin de déterminer ce qui est demandé (par exemple, une question « qui », « où » ou « comment ») et identifie les entités clés. Ensuite, il parcourt une base de connaissances — qui peut être constituée d’un ensemble fermé de manuels ou de l’internet ouvert — pour trouver les passages pertinents pour la requête. Enfin, il utilise des techniques avancées comme la compréhension de lecture automatique pour localiser précisément la réponse dans le texte ou générer une réponse à partir des informations synthétisées.

Les systèmes modernes de réponse aux questions s’appuient souvent sur les grands modèles de langage (LLMs) et des Transformer comme BERT (représentations d’encodeur bidirectionnel issues des Transformer) pour atteindre une grande précision. Ces modèles sont préentraînés sur de vastes quantités de texte, ce qui leur permet de mieux saisir le contexte, les nuances et les relations sémantiques que les méthodes fondées sur les mots-clés.

Types de systèmes de réponse aux questions#

Les systèmes de réponse aux questions sont généralement classés selon le domaine des données auxquels ils accèdent et les modalités qu’ils prennent en charge.

• Réponse aux questions à domaine ouvert : ces systèmes répondent à des questions sur presque tous les sujets, généralement en accédant à de vastes jeux de données ou à l’internet ouvert. Parmi les exemples figurent les requêtes générales adressées à des assistants vocaux comme Amazon Alexa ou Apple Siri.
• Réponse aux questions à domaine fermé : ces systèmes sont limités à un sujet spécifique, comme les documents juridiques ou les dossiers médicaux. En limitant le périmètre, ces systèmes atteignent souvent une précision supérieure et réduisent le risque d’hallucination des LLMs.
• Réponse visuelle aux questions (VQA) : cette variante avancée demande au système de répondre à des questions à partir d’une image (par exemple : « De quelle couleur est la voiture ? »). La VQA nécessite une IA multimodale qui combine le traitement du texte et la vision par ordinateur (CV) afin de « voir » et de « lire » simultanément.

Applications concrètes#

Le déploiement de la technologie de réponse aux questions transforme la manière dont les secteurs interagissent avec de vastes volumes de données non structurées.

1. Santé et assistance clinique : dans le domaine de l’IA dans la santé, les systèmes de réponse aux questions aident les professionnels de santé à localiser rapidement les interactions médicamenteuses, les symptômes ou les protocoles de traitement dans des référentiels comme PubMed. Des institutions comme l’Allen Institute for AI développent activement des outils de recherche sémantique afin d’accélérer les découvertes scientifiques grâce à une meilleure réponse aux questions.

2. Gestion des connaissances en entreprise : les grandes entreprises utilisent des robots internes dotés de capacités de réponse aux questions pour aider leurs employés à trouver instantanément des informations sur les politiques internes ou la documentation technique, améliorant ainsi considérablement la productivité par rapport aux recherches manuelles.

3. Assistance client automatisée : en intégrant l’IA dans le commerce de détail, les entreprises déploient des robots de réponse aux questions pour résoudre des demandes précises des utilisateurs concernant le statut d’une commande ou les politiques de retour, en offrant une assistance 24 h/24 et 7 j/7 sans intervention humaine.

Le composant visuel : rapprocher la vision et le texte#

Pour la réponse visuelle aux questions (VQA), le système doit d’abord identifier les objets et leurs relations dans une scène. Un modèle de détection d’objets haute performance sert d’« yeux » au système de réponse aux questions. Le dernier modèle Ultralytics YOLO26 est idéal pour cette tâche : il offre une détection rapide et précise des éléments de la scène, qui peuvent ensuite être transmis à un modèle de langage pour le raisonnement.

L’exemple Python suivant montre comment utiliser le modèle Ultralytics YOLO26 pour extraire le contexte visuel (les objets) d’une image, ce qui constitue l’étape fondamentale d’un pipeline de VQA :

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (latest generation)
model = YOLO("yolo26n.pt")

# Perform inference to identify objects in the image
# This provides the "visual facts" for a QA system
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detected objects and their labels
results[0].show()

Concepts associés#

Il est utile de distinguer la réponse aux questions des termes similaires utilisés dans le domaine de l’apprentissage automatique :

• QA par rapport à la recherche sémantique : la recherche sémantique récupère les documents ou paragraphes les plus pertinents en fonction de leur sens. La réponse aux questions va plus loin en extrayant ou en générant la réponse précise contenue dans ces documents.
• QA par rapport aux chatbots : un chatbot est une interface conversationnelle. Bien que de nombreux chatbots utilisent la réponse aux questions pour fonctionner, un chatbot gère le déroulement du dialogue (salutations, relances), tandis que le composant de réponse aux questions gère la récupération des faits.
• QA par rapport à la génération de texte : la génération de texte vise à créer du contenu nouveau (histoires, e-mails). La réponse aux questions se concentre sur l’exactitude factuelle et la récupération d’informations, bien que des modèles génératifs comme la génération augmentée par récupération (RAG) soient souvent utilisés pour mettre en forme la réponse finale.

L’évolution de la réponse aux questions est largement soutenue par des frameworks open source comme PyTorch et TensorFlow, qui permettent aux développeurs de créer des systèmes toujours plus sophistiqués capables de comprendre le monde à travers le texte et les pixels. Pour ceux qui cherchent à gérer des jeux de données destinés à l’entraînement de ces systèmes, l’Ultralytics Platform propose des outils complets d’annotation et de gestion des modèles.