Depuis l'invention des premiers ordinateurs, scientifiques et écrivains ont imaginé des machines capables de répondre de façon directe et précise aux questions des utilisateurs, et ce dans une vaste gamme de domaines de connaissances humaines.

Pensons par exemple à l'ordinateur de Star Trek, capable de comprendre les questions et de fournir spontanément des réponses exactes et personnalisées, et d'engager un dialogue parfaitement naturel avec l'utilisateur pour solliciter des informations supplémentaires. Ces systèmes de recherche de l'information généraliste avec dialogue homme-machine (technologie dite "open domain question answering") sont porteurs d'un potentiel extraordinaire qui aurait des répercussions socio-économiques formidables.  

La multiplication des textes en langage naturel
Face à la croissance phénoménale des connaissances humaines diffusées dans des textes en langage naturel, les possibilités et les défis sont désormais énormes. Imaginez que vous puissiez dialoguer avec un système informatique expert avec autant de naturel et de spontanéité qu'avec un interlocuteur humain. Vous pourriez ainsi vous procurer immédiatement les connaissances voulues, obtenir des réponses précises à vos questions dans ce domaine et dégager des concepts fondamentaux, non plus sur la base de ce qu'un seul individu est capable de mémoriser, mais en ayant accès à la totalité des connaissances humaines. 

Les chercheurs en informatique et en intelligence artificielle (IA) étudient ce domaine depuis plus de 40 ans, mais les solutions globales continuent de leur échapper. Des progrès techniques récents font cependant entrevoir un nouvel espoir. Les applications de très nombreux domaines - aide à la décision, santé, assistance clientèle, gestion des connaissances de l'entreprise, réseaux sociaux, sciences, secteur public - auraient tout à gagner d'une telle technologie.

Le projet de recherche DeepQA d'IBM consiste à développer un ordinateur qui ferait faire un bond en avant aux systèmes de recherche de l'information généraliste. Le projet développe une architecture massivement parallèle capable de fonctionner avec une très grande richesse d'expression et un degré élevé de complexité en langage naturel, en intégrant pour la première fois les progrès réalisés dans les domaines du traitement en langage naturel, de l'extraction d'information, de l'apprentissage machine statistique et des techniques formelles de représentation des connaissances et des processus de raisonnement.

L'ordinateur Watson relève le défi du jeu télévisé Jeopardy !
Le jeu américain télévisé de questions Jeopardy! est le moteur de ce projet. L'objectif est d'utiliser DeepQA pour créer un système informatique, baptisé du nom de code "Watson", capable de gagner contre un champion du célèbre jeu américain de questions Jeopardy!. Un tel défi exige de faire preuve d'une précision, d'une confiance et d'une rapidité hors du commun, et ce dans un très large éventail de domaines de connaissances.  

Pour pouvoir affronter des participants humains à Jeopardy!, l'ordinateur Watson devra répondre de façon exacte à des questions généralistes formulées dans un langage élaboré, faire la distinction entre le contenu pertinent et celui qui ne l'est pas, noter et justifier les réponses avec une précision parfaite, et comprendre ce qu'il sait afin de déterminer la probabilité de la justesse de ses propres réponses avant de les donner. Le niveau de confiance de Watson est calculé en fonction d'une probabilité exacte de la justesse de ses réponses. Cet aspect est vital pour gagner à Jeopardy!, qui pénalise sévèrement les réponses erronées, et il représente un atout essentiel dans les applications métier du monde réel.

Un dialogue naturel
En définitive, je suis persuadé que DeepQA inspirera et mettra en place toute une nouvelle catégorie d'applications métier qui vont transformer les interactions hommes-machines. Il a le potentiel d'établir une relation plus naturelle avec les utilisateurs et de fournir des réponses et des explications précises, grâce à un dialogue interactif et intelligent, basé sur une compréhension plus approfondie des requêtes et des contenus en langage naturel exprimés sans format imposé.