Mise en place d’une architecture pour une classification multi-label hiérarchique 

L’omniprésence des données engendre un besoin impératif de trier et d’organiser l’information. Pour ce faire, des techniques de catégorisation avancées sont indispensables pour structurer l’information. L’objectif est de permettre la compréhension et l’exploitation efficace du contenu.

Pour la presse, ces enjeux sont cruciaux afin de rendre l’information plus accessible et visible par les lecteurs à travers la classification de ses contenus. Ainsi, chaque article est classé dans un arbre hiérarchique, constitué de catégories et sous catégories, grâce à des technologies d’intelligence artificielle afin de les relier entre eux et mieux organiser l’information sur un site de presse. 

De la classification mono-label à multi-label

Auparavant, nous utilisions un système de classification mono-label, c’est-à-dire qu’un article n’était classé que dans une seule catégorie parmi toutes celles auxquelles il correspondait sémantiquement.

Cependant, la réalité sémantique d’un contenu est plus complexe. Un article peut traiter conjointement de deux sujets différents.

C’est là qu’intervient la classification multi-label. Au lieu de choisir une seule catégorie, le modèle en attribue plusieurs à un même objet.

Cette évolution a permis aux technologies d’intelligence artificielle de faire de la détection de contenus similaires bien plus fine : si deux articles partagent 4 catégories sur 5, le système comprend qu’ils traitent de sujets quasi identiques, même si les mots employés diffèrent.

Exemple

Comment faire si on doit ranger une biographie dans “Histoire – XXe siècle – Seconde Guerre Mondiale” ET “Bibliographie – Personnages historiques – Homme politique” ?

Pour cela, on utilise la technique du réglage fin (fine-tuning en anglais) : un modèle de langage, pré-entraîné sur de grandes quantités de données textuelles, est spécialisé de conserve avec un réseau neuronal sur l’ensemble des catégories cibles. Ainsi, le modèle est capable d’identifier avec précision les nuances entre chaque catégorie, tout en attribuant un score à chacune d’elle.

L’architecture de classification multi-label hiérarchique

La classification hiérarchique ajoute une dimension de profondeur. Elle ne se contente pas de lister à plat des catégories, elle respecte une structure en « arbre » ou en « parent/enfant ». Techniquement, cela se traduit par la spécialisation d’un modèle de langage conjointement avec un réseau neuronal dédié à chaque niveau de la hiérarchie. Ainsi, chaque niveau bénéficie d’un ajustement spécifique, permettant une classification à la fois fine et structurée.

Exemple

Une agence de presse internationale possède des archives avec 5 000 articles non-classés. L’IA procède à une classification multi-label hiérarchique et grâce au fine-tuning d’un modèle de langage, elle va automatiquement catégoriser les articles.

Exemple de cheminement de l’IA pour un article
« L’impact des puces IA sur le marché boursier » :

Catégorie 1 : Économie (Parent)
Sous-catégorie 1.1 : Marchés financiers (Enfant)
Sous-catégorie 1.1.2 : Bourse et Actions (Petit-enfant)

Catégorie 2 : Technologies (Parent)
Sous-catégorie 2.1 : Matériel informatique (Enfant)
Sous-catégorie 2.1.5 : Semi-conducteurs (Petit-enfant)

Le système peut ainsi suggérer des articles similaires non seulement sur un sujet précis, mais aussi sur le sujet global, offrant une expérience utilisateur fluide. 

La classification multi-label hiérarchique est une opportunité pour l’automatisation de la catégorisation sémantique des contenus afin d’améliorer sa pertinence. En combinant la puissance du machine learning moderne avec une structure logique, elle permet de transformer des informations désorganisées en une bibliothèque structurée et exploitable.