La réponse aux questions (QA) est une discipline de l'informatique relevant des domaines de la recherche d'information et du traitement automatique des langues naturelles (TALN) qui se concentre sur la construction de systèmes capables de répondre automatiquement aux questions posées par les humains dans un langage naturel. Une implémentation de QA, généralement un programme informatique, peut construire ses réponses en interrogeant une base de connaissances structurée ou, plus couramment, en extrayant des réponses d'une collection non structurée de documents en langage naturel. Des exemples de telles collections de documents incluent des textes de référence, des dépêches de presse compilées, des pages Wikipédia et d'autres contenus du World Wide Web.
Historique
Les premiers systèmes de réponse aux questions incluent BASEBALL et LUNAR. BASEBALL répondait à des questions sur la Ligue majeure de baseball sur une période d'un an, tandis que LUNAR traitait des questions sur l'analyse géologique des roches rapportées par les missions lunaires Apollo. Les deux systèmes étaient très efficaces dans leurs domaines choisis ; LUNAR, présenté lors d'une convention de science lunaire en 1971, a répondu à 90 % des questions posées par des utilisateurs non formés dans son domaine. Ces systèmes reposaient sur des bases de connaissances écrites à la main et des techniques linguistiques similaires à celles utilisées dans ELIZA et DOCTOR, les premiers programmes de chatbot.
À la fin des années 1960 et au début des années 1970, Terry Winograd a développé SHRDLU, un programme de réponse aux questions qui simulait un robot dans un « monde de blocs » jouet, permettant aux utilisateurs de s'interroger sur l'état de ce monde. Sa force résidait dans un domaine très spécifique et des règles physiques simples faciles à encoder. Au cours des années 1970, des systèmes experts avec des bases de connaissances plus restreintes ont émergé, produisant des réponses plus reproductibles et valides dans leurs domaines. Ces systèmes différaient de la QA moderne par leur dépendance à des bases de connaissances construites par des experts plutôt qu'au traitement statistique de grands corpus de textes.
Les années 1970 et 1980 ont vu des avancées en linguistique computationnelle, menant à des projets comme le Unix Consultant (UC) à l'Université de Californie à Berkeley, qui répondait à des questions sur le système d'exploitation Unix avec une base de connaissances complète élaborée à la main, et LILOG, un système de compréhension de textes pour des informations touristiques dans une ville allemande. Bien que ces systèmes soient restés au stade de démonstration, ils ont contribué aux théories de la linguistique computationnelle et du raisonnement. Des systèmes spécialisés, tels que EAGLi pour les scientifiques de la santé et des sciences de la vie, ont également été développés.
En 2011, Watson d'IBM, un système informatique de QA, a remporté des matchs d'exhibition de Jeopardy! contre Brad Rutter et Ken Jennings. Facebook Research a publié DrQA, un système open source utilisant Wikipédia comme source de connaissances. Le framework open source Haystack de deepset combine la QA en domaine ouvert avec la génération de réponses et prend en charge l'adaptation de domaine des modèles de langage pour un usage industriel. Les grands modèles de langage (LLM) comme GPT-4 et Gemini sont des systèmes de QA performants permettant une compréhension et une génération de texte plus sophistiquées, et lorsqu'ils sont couplés à des systèmes multimodaux qui traitent le texte, les images et l'audio, ils améliorent considérablement les capacités de QA.
Types
La recherche en QA traite une large gamme de types de questions, y compris les questions factuelles, de liste, de définition, de comment, de pourquoi, hypothétiques, sémantiquement contraintes et multilingues. La QA par compréhension de lecture, où un système répond à des questions sur un article donné, est une forme plus simple car le contexte est relativement court. La QA à livre fermé fait référence à des systèmes qui ont mémorisé des faits pendant l'entraînement et peuvent répondre sans contexte explicite, semblable à des humains passant des examens à livre fermé.
La QA en domaine fermé traite des questions dans un domaine spécifique, comme la médecine ou la maintenance automobile, et peut exploiter des connaissances spécifiques au domaine souvent formalisées dans des ontologies. Elle peut également faire référence à des situations où seuls des types de questions limités sont acceptés, comme des questions descriptives plutôt que procédurales. Des systèmes de QA médicale ont été construits, par exemple, pour la maladie d'Alzheimer. La QA en domaine ouvert traite des questions sur presque tout, s'appuyant sur des ontologies générales et des connaissances du monde, et dispose généralement de beaucoup plus de données pour l'extraction de réponses.
Approches modernes
Les systèmes de QA modernes exploitent de plus en plus les grands modèles de langage et les architectures transformeur. Ces modèles, entraînés sur de vastes corpus de textes, peuvent effectuer une QA à livre fermé en générant des réponses à partir de connaissances apprises. Les systèmes en domaine ouvert utilisent souvent la génération augmentée par récupération, combinant un récupérateur qui sélectionne des documents pertinents dans un corpus avec un générateur qui formule la réponse. Cette approche est utilisée dans des frameworks comme Haystack et DrQA.
L'apprentissage profond et les réseaux de neurones ont conduit à des avancées récentes, permettant aux systèmes de gérer des types de questions complexes et des entrées multimodales. Les modèles d'IA générative, tels que ceux développés par OpenAI et Anthropic, ont démontré de fortes performances en QA dans divers domaines. La recherche se poursuit sur des sujets comme l'interactivité, la réutilisation des réponses, l'analyse sémantique, la présentation des réponses, la représentation des connaissances et l'analyse des médias sociaux.
Applications et défis
Les systèmes de QA sont appliqués dans divers domaines, notamment le support client, la santé, l'éducation et la recherche d'information. Ils alimentent des assistants virtuels, des moteurs de recherche et des outils de gestion des connaissances d'entreprise. Les défis incluent la gestion des questions ambiguës, la garantie de l'exactitude factuelle et la gestion des biais dans les données d'entraînement. La recherche actuelle explore la QA incarnée, où des agents interagissent avec des environnements physiques, et la QA visuelle, qui combine la compréhension d'images avec la réponse aux questions.
Orientations futures
Les futurs systèmes de QA devraient s'intégrer plus profondément avec des données multimodales, y compris l'audio et la vidéo, et améliorer les capacités interactives, permettant aux systèmes de poser des questions de clarification. Les avancées en apprentissage par renforcement et en efficacité des modèles pourraient permettre des systèmes plus robustes et évolutifs. Alors que l'IA continue d'évoluer, la QA restera un composant central de l'interaction homme-machine.