Séquence à séquence (Seq2Seq)
Un modèle séquence à séquence (Seq2Seq) transforme une séquence d’entrée en une séquence de sortie, même de longueur différente, via une architecture encodeur-décodeur. Introduit par Sutskever, Vinyals et Le en 2014, il repose sur deux réseaux récurrents (RNN) — souvent des LSTM — qui coopèrent : l’encodeur lit la séquence d’entrée mot par mot et la compresse en un vecteur unique (le « vecteur contexte »), le décodeur utilise ensuite ce vecteur pour générer la séquence de sortie, élément par élément.
Cette architecture a représenté une avancée majeure : avant elle, un réseau de neurones classique exigeait des entrées et sorties de taille fixe. Le Seq2Seq gère des longueurs variables, ce qui a rendu possibles la traduction automatique, le résumé de texte et les premiers chatbots avancés. Sa limite documentée : compresser toute une séquence longue dans un seul vecteur contexte fait perdre de l’information — un défaut corrigé ensuite par le mécanisme d’attention, qui a lui-même ouvert la voie à l’architecture Transformer et aux LLM actuels, aujourd’hui dominants sur ces mêmes tâches.
En RH, le principe Seq2Seq est le socle historique de la traduction automatique de documents RH multilingues, du résumé automatique de comptes rendus d’entretien, ou des premiers chatbots RH capables de répondre en langage naturel — largement remplacé aujourd’hui par des LLM plus performants, mais dont l’architecture encodeur-décodeur reste une brique conceptuelle centrale du NLP moderne.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Sutskever et al. 2014 (arXiv), GeeksforGeeks.