Section 2.1 Apprendre et évaluer

Choisir un régime d’apprentissage

Le type de résultat désiré et le signal disponible orientent la méthode. Lorsqu’un historique associe chaque demande à une catégorie vérifiée, l’apprentissage supervisé ajuste une fonction qui prédit ces catégories. Les caractéristiques de départ peuvent contenir des comptes de mots, des segments de caractères ou les vecteurs d’un encodeur. Le choix de cible et la disponibilité de labels propres comptent autant que l’algorithme.

Apprendre sans annotation directe

Le regroupement non supervisé rapproche des demandes selon une représentation et une métrique. Un groupe de messages contenant « inscription » et « compte » peut refléter le vocabulaire employé, une campagne ponctuelle ou un problème réel. Les groupes demandent une interprétation. En auto-supervision, le signal provient de la donnée elle-même. Masquer un fragment et prédire le fragment observé fournit une cible à chaque exemple sans annotation humaine. Le chapitre 3 étudie une autre forme, la prédiction du token suivant.

Apprendre à agir

En renforcement, une politique sélectionne des actions à partir d’observations. Les actions modifient éventuellement l’état et produisent des récompenses, parfois différées. Un ordonnanceur entraîné en simulation peut chercher à réduire le délai cumulé d’une file. Une récompense centrée sur le nombre de demandes closes pourrait encourager la clôture de nombreuses demandes simples en laissant attendre les dossiers complexes. La conception de la récompense et le test du simulateur font donc partie du problème.

Trois chemins montrent un exemple étiqueté, une cible construite par masquage et une trajectoire d’actions avec récompenses.
Figure 2.1. La supervision dépend de l’origine du signal utilisé pour apprendre. Le regroupement peut, lui, chercher une structure sans cible par observation.

Application. Pour repérer des catégories de demandes encore absentes du référentiel, commencer par étudier un échantillon et des similarités. Pour prédire des catégories déjà définies, évaluer la cohérence de leur annotation. Ces deux objectifs appellent des preuves différentes.