Recherche d'information cs.IR

Un ornithologue dans la jungle entend un trille, mais l'oiseau se cache dans le feuillage. Il aimerait bien obtenir son portrait sur-le-champ — ne serait-ce qu'à partir d'une base de photos. D'habitude, il faut pour cela des milliers de paires « enregistrement du chant + photo du même oiseau », et les collecter coûte cher et prend du temps.

52,4 nDCG@10 — c'est le résultat que ModernBERT affiche après la procédure Vocabulary Transfer. Hier encore, il se perdait dans les registres, aujourd'hui il dépasse les meilleurs moteurs de recherche sparse. Le réseau de neurones échoue dans la recherche parce qu'il n'arrive pas à se mettre d'accord sur les mots. Token et token sont pour lui deux univers distincts.

Un médecin feuillette un dossier médical et voit une ligne : « Ce médicament réduit le risque ». Mais à quel point peut-on s'y fier ? L'affirmation repose-t-elle sur quelques cas cliniques ou sur des dizaines de milliers de patients dans une étude en aveugle ? De la réponse dépend le traitement.

Des chercheurs ont pris 16 activités quotidiennes — de la vaisselle aux squats — et ont décomposé les mouvements en composantes élémentaires, un peu comme un spectroscope décompose la lumière en spectre. En comparant trois approches, ils ont trouvé une clé inattendue pour la reconnaissance : une simple image moyenne suffit.

La recherche sur Internet, c'est un peu comme tamiser de la farine pour faire un gâteau : parmi les particules blanches, il peut y avoir des grains de terre sombres. C'est la contamination des données — une impureté invisible qui gâche le résultat final.