IA, recherche d’information et recommandation automatique: La diversification et la transparence des modèles comme rempart à l’uniformisation

National audienceLa recherche d’information et la recommandation correspondent à des processus cognitifs complexes. Pour être efficaces, les approches algorithmiques doivent s’adapter dynamiquement et disposer d’informations nombreuses, notamment sur les contextes d’utilisation et sur les préférences des utilisateurs. C’est ainsi que se sont développées des approches personnalisées d’apprentissage automatique, exploitant de très nombreuses données de façon peu transparente. Nous présentons les approches statistiques les plus populaires, du modèle vectoriel de recherche d’information aux approches connexionnistes à bases de réseaux neuronaux. Nous soulignons les limites inhérentes aux procédures d’apprentissage dans le cadre de tâches subjectives, notamment du point de vue des risques d’uniformisation contre lesquelles une pluralité de modèles est nécessaire. Nous proposons enfin d’étudier le comportement des modèles et des systèmes automatiques sous différents angles, selon des approches pluridisciplinaires