Question Answering

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

Link to this sectionComment fonctionne le Question Answering#

À la base, un système de Question Answering implique trois étapes principales : le traitement de la question, la récupération de documents et l'extraction de la réponse. Premièrement, le système analyse la requête d'entrée pour déterminer ce qui est demandé (par exemple, une question du type « qui », « où » ou « comment ») et identifie les entités clés. Ensuite, il effectue une recherche dans une base de connaissances — qui peut être un ensemble fermé de manuels ou l'internet ouvert — pour trouver des passages pertinents pour la requête. Enfin, il utilise des techniques avancées comme la machine reading comprehension pour localiser la réponse exacte dans le texte ou générer une réponse basée sur les informations synthétisées.

Les systèmes de QA modernes exploitent souvent des Large Language Models (LLMs) et des transformers comme BERT (Bidirectional Encoder Representations from Transformers) pour atteindre une grande précision. Ces modèles sont pré-entraînés sur d'énormes quantités de texte, ce qui leur permet de mieux saisir le contexte, les nuances et les relations sémantiques que les méthodes basées sur des mots-clés.

Link to this sectionTypes de systèmes de Question Answering#

Les systèmes de QA sont généralement classés selon le domaine de données auquel ils accèdent et les modalités qu'ils prennent en charge.

• Open-Domain QA : Ces systèmes répondent à des questions sur presque tous les sujets, généralement en accédant à des jeux de données massifs ou à l'internet ouvert. Les exemples incluent les requêtes générales posées à des assistants vocaux comme Amazon Alexa ou Apple Siri.
• Closed-Domain QA : Ces systèmes sont limités à un sujet spécifique, comme des documents juridiques ou des dossiers médicaux. En restreignant le champ d'application, ces systèmes atteignent souvent une meilleure accuracy et réduisent le risque de hallucination in LLMs.
• Visual Question Answering (VQA) : Cette variante avancée nécessite que le système réponde à des questions basées sur une image (par exemple, « De quelle couleur est la voiture ? »). Le VQA nécessite une Multimodal AI qui combine le traitement de texte avec la Computer Vision (CV) pour « voir » et « lire » simultanément.

Link to this sectionApplications concrètes#

Le déploiement de la technologie QA transforme la façon dont les secteurs interagissent avec d'immenses quantités de données non structurées.

1. Soins de santé et aide clinique : Dans le domaine de AI in healthcare, les systèmes de QA aident les professionnels de santé en localisant rapidement les interactions médicamenteuses, les symptômes ou les protocoles de traitement à partir de référentiels comme PubMed. Des institutions comme le Allen Institute for AI développent activement des systèmes de recherche sémantique pour accélérer la découverte scientifique grâce à un meilleur QA.

2. Gestion des connaissances en entreprise : Les grandes entreprises utilisent des bots internes équipés de capacités de QA pour aider les employés à trouver instantanément des informations sur les politiques internes ou la documentation technique, améliorant ainsi considérablement la productivité par rapport à une recherche manuelle.

3. Support client automatisé : En intégrant AI in retail, les entreprises déploient des bots de QA pour résoudre des demandes spécifiques des utilisateurs concernant le statut des commandes ou les politiques de retour, offrant une assistance 24/7 sans intervention humaine.

Link to this sectionLe composant visuel : Relier la vision et le texte#

Pour le Visual Question Answering (VQA), le système doit d'abord identifier les objets et leurs relations au sein d'une scène. Un modèle de détection d'objets haute performance agit comme les « yeux » du système de QA. Le dernier modèle Ultralytics YOLO26 est idéal pour cette tâche, offrant 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 (objets) à partir d'une image, ce qui constitue l'étape fondamentale d'un pipeline 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()

Link to this sectionConcepts associés#

Il est utile de distinguer le Question Answering des termes similaires dans le paysage du machine learning :

• QA vs Semantic Search : La recherche sémantique récupère les documents ou paragraphes les plus pertinents basés sur le sens. Le QA va plus loin en extrayant ou en générant la réponse spécifique contenue dans ces documents.
• QA vs Chatbots : Un chatbot est une interface conversationnelle. Bien que de nombreux chatbots utilisent le QA pour fonctionner, un chatbot gère le flux de dialogue (salutations, suivis), tandis que le composant QA gère la récupération des faits.
• QA vs Text Generation : La génération de texte se concentre sur la création de nouveau contenu (histoires, e-mails). Le QA se concentre sur l'exactitude factuelle et la récupération, bien que des modèles génératifs comme le Retrieval Augmented Generation (RAG) soient souvent utilisés pour formater la réponse finale.

L'évolution du QA est fortement soutenue par des frameworks open-source comme PyTorch et TensorFlow, permettant aux développeurs de construire des systèmes de plus en plus sophistiqués qui comprennent le monde à travers le texte et les pixels. Pour ceux qui cherchent à gérer des datasets pour entraîner ces systèmes, la Ultralytics Platform offre des outils complets pour l'annotation et la gestion des modèles.