EARIA 2019

Human language understanding by a machine, for instance, when reading text,
answering questions, following instructions, or conducting dialogues,
is a long-standing goal of intelligent systems.
Recent advances in machine learning have made this goal gradually achievable.
In this tutorial we explain state-of-the-art approaches to semantic parsing,
semantic role labeling, coreferent resolution and temporal and spatial recognitions
and illustrate the methods in machine reading and question answering tasks.
Important research questions are how to represent the meaning of language and
how to translate between discrete and continuous meaning representations.
In a second part, we go deeper into questions of how to ground the meaning
representations in the real perceptual world, what properties the machine
learning models should have, and how to measure the success of
language understanding.

Dans ce cours, nous aborderons sous forme d’une Etat-de-l’Art les principales techniques
utilisées en recherche d’information issues du TAL.
Nous explorerons les dernières approches avec pour axes:
- le traitement de la requête ;
- le traitement des documents ;
- les traitements multilingues.
Le fil rouge de ce cours sera le « un passage à l’échelle respectant la vie privée des utilisateurs »,
la principale problématique chez Qwant Research.

Dans cette présentation nous traitons des différentes taches d'agents conversationnels :
réponse automatisée aux questions, dialogue de "bavardage" et résumé automatique.
Pour chacun de ces domaines nous faisons un état des lieux des jeux de données ouverts,
des modèles et des méthodes d'évaluation, et discutons des applications potentielles dans
des agents conversationnels autonomes ("chatbots").