GAN (Generative Adversarial Networks / réseaux antagonistes génératifs)
Un GAN est un modèle de deep learning composé de deux réseaux de neurones qui s’affrontent : un générateur et un discriminateur. Le générateur crée des données artificielles (images, textes, sons) en tentant de les faire passer pour réelles. Le discriminateur apprend à distinguer ces données artificielles des données réelles. Chaque réseau progresse en réponse à l’échec de l’autre, jusqu’à ce que le générateur produise des résultats quasi indiscernables du réel.
Concept introduit par Ian Goodfellow et ses collègues en juin 2014, aujourd’hui un cadre de référence pour l’IA générative — génération d’images de visages inexistants, transformation d’images, synthèse vocale.
En RH, l’usage direct reste rare. L’application la plus concrète : la génération de données synthétiques pour entraîner d’autres modèles RH (scoring, prédiction de turnover) sans exposer de données réelles de salariés, une piste utile face aux contraintes RGPD sur des jeux de données limités ou sensibles.
À distinguer de l’augmentation de données, qui modifie des données réelles existantes plutôt que d’en générer entièrement de nouvelles.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.