Les moteurs de recherche d'aujourd'hui sont très efficaces pour de simples tâches de recherche factuelles, mais ils peinent à guider l'utilisateur lors d'une mission de recherche hautement cognitive, exploratoire et à plusieurs étapes.

L'objectif de ce projet peut se décomposer en deux parties : dans un premier temps, effectuer un PoC de moteur de recherche à base d'apprentissage profond utilisant un contexte de session de recherche limité (les dernières requêtes d'un utilisateur), et dans un second temps designer et implémenter un moteur de recherche end-to-end utilisant un contexte enrichi des sessions de recherche.

Afin de remplir ces objectifs, Nicolas a procédé à un état de l'art complet dans le domaine des moteurs de recherche profonds, ainsi que des méthodes de génération textuelles pour la suggestion de requête.

Il a procédé à une implémentation de nombreuses méthodes de recherche d'information orientée "look-up", ainsi que des modèles plus récents à base de réseaux de neurones récurrents & réseaux de neurones récurrents hiérarchique.

De surcroît, il a désigné un nouveau modèle de suggestion de requêtes exploitant des embeddings de session de recherche personnalisés, ainsi que des modèles Transformers états de l'art fine-tunés sur des tâches de NLP génératives (FastBERT, BART).

Enfin, au cours de cette mission, Nicolas a contribué à la création de la librairie populaire "cherche" (https://github.com/raphaelsty/cherche), permettant une création rapide et efficace de pipeline de moteurs de recherche, pré-entrainés ou non.