Lire l'invisible : quand l'IA décode vos intentions couche par couche

Imaginez un robot d’assistance dans un hôpital. Il observe un médecin qui se dirige vers la salle 42, pose la main sur une poignée de porte, puis la retire et s’oriente vers l’armoire 7. Que se passe-t-il dans les 0,3 seconde qui séparent ces deux gestes ? Un système classique d’intelligence artificielle enregistrerait deux mouvements. Le framework publié cette semaine sur arXiv, lui, reconstitue un raisonnement : le médecin cherchait un produit, ne l’a pas trouvé à l’endroit attendu, et s’adapte. C’est exactement le genre de déduction que la nouvelle approche permet — et c’est un pas considérable.

Reconnaître un objectif, c’est bien plus que lire un trajet

La reconnaissance d’objectif, ou goal recognition en anglais, est un sous-domaine de l’IA qui vise à inférer ce qu’un agent essaie d’accomplir à partir de ses actions observées. Pas besoin de lui demander. On regarde, on déduit. Le problème, c’est que les environnements réels sont bruyants : l’agent peut se tromper, changer d’avis, improviser. Un système rigide qui attend une séquence exacte d’actions s’effondre au premier imprévu.

Pendant dix ans, la communauté a fait progresser la reconnaissance d’objectif via la planification : on simule mentalement ce que l’agent pourrait faire, on compare avec ce qu’on observe. Mais un écueil persistait. Personne, jusqu’ici, n’arrivait à marier deux ingrédients essentiels — la structure hiérarchique des tâches et l’incertitude probabiliste — dans un même cadre formel. C’est précisément ce que l’équipe de chercheurs vient de faire.

Le trio gagnant : hiérarchie, planification, probabilité

Leur contribution s’appuie sur les Hierarchical Task Networks, ou HTN, une représentation où une tâche complexe est décomposée en sous-tâches, qui elles-mêmes se décomposent. Ouvrir un colis, par exemple, implique de couper le ruban, d’ouvrir la boîte, d’en retirer le contenu. Chaque niveau de la hiérarchie encode un type de raisonnement différent.

Les chercheurs ont couplé cette structure à un planificateur HTN, puis ont construit un modèle génératif en trois étapes pour estimer la vraisemblance de chaque hypothèse d’objectif. Concrètement, au lieu de répondre « c’est probablement le but B », le système produit une distribution de probabilités sur l’ensemble des buts possibles. On gagne en nuance, en robustesse, et surtout en capacité à gérer l’incomplet : l’agent n’a pas fini sa tâche, on a vu une partie de ses actions, et il faut quand même trancher — ou du moins hiérarchiser les hypothèses.

Les résultats empiriques montrent une amélioration mesurable par rapport au meilleur reconnaisseur HTN existant sur les benchmarks de référence.
Le framework reste ouvert : la structure en trois étapes du modèle génératif peut être remplacée ou enrichie sans toucher au socle hiérarchique.
La publication se positionne comme une fondation, pas un aboutissement — les auteurs le disent explicitement.

Pourquoi cela dépasse la recherche académique

Derrière la formalisation, il y a des applications très tangibles. Dans un véhicule autonome, deviner l’intention du piéton qui hésite au bord de la route — traverser, s’arrêter, rappeler quelqu’un — change radicalement la réponse du système. Dans un outil d’assistance à l’écriture ou au code, anticiper le but de l’utilisateur plutôt que réagir à chaque frappe de touche, c’est passer d’un exécutant à un partenaire. En robotique industrielle, un bras mécanique qui reconnaît que l’opérateur cherche à repositionner une pièce plutôt qu’à l’assembler peut adapter sa trajectoire en temps réel.

En Afrique, où les systèmes d’aide à la décision agricole et sanitaire manquent cruellement de capteurs et de données structurées, ce type de raisonnement sur l’incomplet prend un relief particulier. Un système capable de déduire l’objectif d’un agriculteur à partir de trois observations partielles — direction du tracteur, heure, saison — pourrait orienter une recommandation d’irrigation sans attendre un capteur complet. Ce n’est pas de la spéculation : c’est la logique même du framework, qui fonctionne précisément quand l’information est fragmentée.

Une fondation, pas un produit

Soyons clairs : il ne s’agit pas d’un logiciel qu’on télécharge et qu’on déploie demain sur un robot. C’est une contribution théorique et algorithmique qui réorganise les briques existantes dans un ordre nouveau. Sa valeur réside dans la démontrabilité : le cadre est formel, les hypothèses sont explicites, les benchmarks sont reproductibles. Tout ce qui viendra ensuite — finetuning, intégration dans un stack applicatif, adaptation à un domaine — s’appuiera sur cette architecture.

La question qui reste ouverte est d’ordre pratique plutôt que théorique : à quel point la hiérarchie des tâches doit-elle être fine pour que la probabilité apporte un vrai signal, plutôt qu’un bruit supplémentaire ? Les auteurs esquissent une réponse, mais le terrain de jeu est vaste. Et c’est précisément ce qui rend le travail stimulant : il ouvre une porte que personne n’avait encore franchie, et laisse le chemin tracé pour ceux qui suivront.