Tâches NLP texte-vers-texte : Traduction, Résumé, QA & plus
Texte-vers-texte (seq2seq) transforme une séquence texte d'entrée en séquence texte cible. C'est le socle des LLMs modernes (T5, BART, GPT, LLaMA).
Catégories tâches principales
| Tâche | Entrée → Sortie | Exemple |
|---|---|---|
| Traduction | Langue A → Langue B | « Hello » → « Hola » |
| Résumé | Doc long → Résumé court | Article → 3 points clés |
| Question-Réponse | Contexte + Question → Réponse | Passage + « Qui a gagné ? » → « Équipe A » |
| Paraphrase | Texte → Même sens, mots différents | « Il pleut » → « Des précipitations tombent » |
| Classification texte | Texte → Étiquette(s) | Avis → « Positif » |
| Correction grammaire | Bruité → Propre | « Il aller » → « Il va » |
| Génération code | Langage naturel → Code | « Trier liste » → sorted(lst) |
| Dialogue | Historique → Prochaine réplique | Contexte chat → Réponse bot |
Approches modélisation
- Encodeur-décodeur (T5, BART) – Encodeur bidirectionnel + décodeur auto-régressif ; entraîné corruption span / débruitage.
- Décodeur seul (GPT, LLaMA) – Pile auto-régressive unique ; prompté avec préfixe tâche (« Traduisez en français : … »).
- Prefix-tuning / LoRA – Adaptation efficace nouvelles tâches texte-vers-texte.
Métriques évaluation
- BLEU / chrF / TER – Traduction.
- ROUGE / BERTScore – Résumé.
- Exact Match / F1 – QA extractif.
- Accuracy / F1 – Classification.
Défis
- Hallucination (fidélité source).
- Contrôle longueur (résumé trop long/court).
- Langues faibles ressources.
- Contrôle style/ton.
Cadrage unifié texte-vers-texte (Raffel et al., 2019) a transformé NLP en « tout est génération », permettant multitâche modèle unique à grande échelle.