MAPS : Repenser le dialogue à travers des perspectives subjectives

Qu’est-ce que cela signifie vraiment pour un système de dialogue de comprendre ? Pas seulement répondre avec fluidité, mais porter une perspective, négocier du sens et s’adapter aux nuances émotionnelles et cognitives ?

Dans un monde dominé par des modèles de langage de plus en plus puissants, cette question devient urgente. La plupart des systèmes actuels optimisent la cohérence, mais aplanissent l’individualité. Ils répondent, mais ne se souviennent pas—et certainement pas en tant qu’entités distinctes partageant un espace commun. C’est là que MAPS intervient.

Présentation de MAPS

MAPS (Multi-Agent Perspective Spaces) est une nouvelle architecture de dialogue qui modélise le raisonnement subjectif dans des systèmes multi-agents. Développée par moi-même (Molood Arman) et Clément Bonnafous, elle est conçue pour permettre aux agents de conserver leur individualité cognitive tout en convergeant progressivement vers une signification partagée.

Dans MAPS, les agents n’échangent pas seulement des mots—ils pensent avec leurs biais, se souviennent différemment et interprètent les mêmes énoncés à travers des prismes variés.

Pourquoi c’est important

Les systèmes de dialogue neuronaux traditionnels tombent généralement dans deux catégories :

• Fluide mais sans visage : Les grands modèles génèrent des réponses lisses mais étouffent la subjectivité.

• Interprétable mais rigide : Les systèmes symboliques offrent du contrôle mais s’effondrent en domaine ouvert.

MAPS dépasse cette dichotomie. Il relie la fluidité à l’interprétabilité en intégrant des profils cognitifs propres à chaque agent. Le dialogue devient alors une négociation entre esprits, et non une simple fonction du contexte.

Les Composants Clés

MAPS repose sur trois mécanismes fondamentaux :

• Adaptateur de Perspective Pondérée par Domaine : Chaque agent est influencé par un vecteur représentant ses priorités cognitivo-émotionnelles (ex. : logique vs. empathie).

• Mémoire Dynamique GRU : Les agents évoluent, accumulant le contexte dans des états récurrents reflétant leur interprétation subjective.

• Attention au Niveau des Tokens : Elle permet de visualiser ce que chaque agent considère comme pertinent, offrant une fenêtre transparente sur leur raisonnement interne.

Ensemble, ces modules forment ce que nous appelons l’interprétabilité cognitive.

Résultats Clés

Nous avons testé MAPS sur des jeux de données variés :

• EmpatheticDialogues (expressions émotionnelles),

• TopicalChat (conversations ouvertes),

• MultiWOZ (dialogues orientés tâches).

MAPS a :

• Réduit le biais sémantique entre agents (alignement progressif),

• Maintenu des scores élevés de subjectivité (préservant l’individualité),

• Généré des réponses diverses mais pertinentes.

Même dans les dialogues structurés comme MultiWOZ, les agents ont conservé des différences subtiles de style et de raisonnement—l’un confirmant par clarté factuelle, l’autre avec empathie.

Une étape vers un dialogue plus humain

MAPS ne simule pas simplement le dialogue—il incarne une compréhension délibérative. Il nous permet d’observer comment les perspectives évoluent, où naissent les désaccords, et comment s’opère la convergence sans uniformisation.

Dans un monde où les interactions humain-AI se multiplient, les systèmes de dialogue devraient refléter non seulement la compétence linguistique, mais aussi la diversité cognitive.

MAPS propose un cadre pour cela.

Et maintenant ?

Nous explorons actuellement :

• L’apprentissage automatique des profils d’agents (plutôt que leur définition manuelle),

• L’intégration avec des planificateurs symboliques pour du raisonnement à long terme.

La vision est claire : le dialogue non comme une réaction, mais comme une co-évolution. Pas juste la cohérence, mais la création mutuelle de sens.

Si vous êtes intéressé·e par une collaboration, une recherche ou une application de MAPS dans l’interprétabilité ou les interfaces humain-AI, n’hésitez pas à me contacter.

Construisons ensemble des dialogues qui pensent.

Liens vers l'article :

Zenodo

Researchgate