Multi Hop Reasoning

Explication detaillee

Le raisonnement multi-sauts represente le passage de l’appariement pattern-reponse au raisonnement veritable dans les systemes d’intelligence artificielle. La plupart des chatbots et des moteurs de recherche classiques fonctionnent par correspondance : une requete est appariee a un document ou a une reponse preexistante. Mais face a une question comme quel scientifique a remporte un prix pour une decouverte inspiree par les travaux d’un collegue qui etudiait les papillons ?, aucun document unique ne contient la reponse. Il faut connecter plusieurs faits : les travaux du collegue sur les papillons, l’inspiration qu’ils ont fournie, la decouverte resultante, et le prix attribue.

Ce type de raisonnement est fondamental dans les applications professionnelles. Un analyste financier doit connecter des mouvements de fonds, des participations actionnariales et des transactions commerciales pour identifier un reseau de blanchiment. Un medecin doit relier des symptomes, des antecedents familiaux, des resultats de laboratoire et des etudes epidemiologiques pour poser un diagnostic. Un juriste doit enchainer des articles de loi, des precedents jurisprudentiels et des interpretations doctrinales pour construire un argumentaire. Chaque scenario exige la synthese d’informations disjointes.

Les approches du raisonnement multi-sauts se repartissent en categories selon la nature des sources. Le raisonnement multi-sauts sur des bases de connaissances utilise des graphes de faits structures, ou les entites sont des noeuds et les relations des aretes. Le systeme doit trouver un chemin dans ce graphe qui relie l’entite de la question a l’entite reponse. Le raisonnement multi-sauts sur des textes necessite de lire plusieurs passages et d’en combiner le contenu. Le raisonnement multi-sauts hybride combine les deux.

Les defis sont considerables. Le bruit dans les sources peut introduire des faits incorrects qui detruisent la chaine de raisonnement. La combinatoire des chemins possibles dans un graphe de connaissances croit exponentiellement avec le nombre de sauts. L’ambiguite des entites, ou un meme nom designe plusieurs personnes, peut detourner le raisonnement. Le manque de transparence des modeles neuronaux rend difficile la verification des chaines de raisonnement.

Les architectures neuronales pour le raisonnement multi-sauts utilisent des mecanismes d’attention iteratifs. A chaque saut, le modele selectionne les passages ou les faits les plus pertinents et les combine avec l’information deja accumulee. Les Memory Networks stockent les faits dans une memoire externe et utilisent un controleur pour lire iterativement. Les Differentiable Neural Computers combinent une memoire avec un mecanisme d’attention differentiable. Les transformers avec chain-of-thought prompting decomposent le raisonnement en etapes explicites.

Les benchmarks comme HotpotQA, WikiHop et ComplexWebQuestions evaluent le raisonnement multi-sauts sur des questions necessitant deux a quatre sauts d’inference. Les performances des modeles modernes, bien que superieures a celles des approches classiques, restent en deca de la competence humaine, particulierement pour les questions impliquant des inferences implicites ou des connaissances de common sense.

Dans l’industrie, le raisonnement multi-sauts est au coeur des systemes de question-reponse avances. Les assistants conversationnels de recherche, comme ceux integres dans Bing et Google, utilisent le multi-hop pour synthetiser des reponses a partir de multiples pages web. Les outils d’analyse juridique connectent des dispositions legales eparpillees. Les plateformes de veille strategique relient des signaux faibles disperses pour identifier des tendances emergentes.