LSTM (Long Short-Term Memory)
Un LSTM est une architecture de réseau de neurones récurrents conçue pour retenir des informations sur de longues séquences de données (texte, son, séries temporelles), là où les réseaux récurrents classiques « oublient » rapidement le début d’une séquence trop longue — un défaut connu sous le nom de disparition du gradient. Créé par Sepp Hochreiter et Jürgen Schmidhuber en 1997.
Son fonctionnement repose sur une cellule de mémoire interne, régulée par trois « portes » qui décident quelle information garder, oublier ou transmettre à chaque étape. Cette architecture a longtemps dominé le traitement de texte et de la parole, avant d’être largement supplantée par l’architecture Transformer — celle qui alimente les LLM actuels type GPT ou Claude, plus efficace sur de très longues séquences.
En RH, les LSTM ont servi de brique technique aux premières générations d’outils NLP : correction prédictive, premiers chatbots RH, analyse de séries temporelles (prévision d’absentéisme, de turnover sur plusieurs mois). Techniquement dépassée pour du texte aujourd’hui, cette architecture reste pertinente pour certaines prédictions séquentielles pures (données de paie ou de présence dans le temps).
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.