La prise en compte d’aspects causaux dans les modèles de machine learning offre la promesse de construire des modèles d’IA plus robustes, plus interprétables et moins sujets à certains biais. Une théorie de la causalité riche et élégante a été développée ces deux dernières décennies par Judea Pearl et ses collègues. Désormais ses implications sont étudiées dans le domaine du TAL. Une première direction de recherche concerne l’élaboration de modèles causaux dans lesquels les variables prédictives (le « traitement »), les variables cibles (l’« effet) » ou les variables de confusions (« confounders ») sont des documents textuels. Une seconde direction de recherche, plus ardue, est la prise en compte d’aspects causaux pour améliorer des modèles de TAL. Ce séminaire est le premier d’une série dans lequel nous présenteront de manière synthétiques les concepts et les outils, graphiques et algébriques, de la théorie de la causalité de J. Pearl. Suivront des séminaires consacrés aux questions spécifiques à la prise en compte de la causalité dans le TAL et, plus généralement, à la prise en compte des aspects causaux dans des modèles de Deep Learning.
Les autres séminaires de la série :