Plan de l'oral — Chaînes de Markov & Saisie Prédictive

📋

Déroulé de l'exposé

0:00 – 0:45
Introduction

Partir d'un exemple concret et quotidien : la saisie prédictive du téléphone qui propose le mot suivant.

Annoncer la problématique : comment les chaînes de Markov permettent-elles de modéliser et de prédire un comportement futur, notamment dans les systèmes de saisie prédictive des SMS ?
0:45 – 1:45
Qu'est-ce qu'une chaîne de Markov ?

Définir la propriété de Markov : le futur ne dépend que de l'état présent, pas de tout l'historique.

Illustrer avec l'exemple météo (matrice de transition beau/pluie) et le graphe associé.
1:45 – 2:45
Application à la saisie prédictive

Remplacer les états météo par des mots : chaque mot devient un état, chaque transition une probabilité qu'un mot suive un autre.

Reprendre l'exemple « je suis... » et le calcul P(mot suivant | mot actuel) = occurrences de la paire ÷ occurrences du mot actuel.
2:45 – 3:45
Algorithme

Décrire la construction de la base de transitions à partir d'un corpus, puis l'affichage des suggestions triées par probabilité.

Distinguer l'ordre 1 (dernier mot seulement) et les ordres supérieurs (plusieurs mots de contexte), et le compromis précision/données manquantes.
3:45 – 4:30
Limites

Trois limites : absence de contexte global, difficulté sur les phrases longues, absence de compréhension réelle du sens.

Ouvrir vers les modèles modernes (réseaux de neurones, Transformers) qui restent, eux aussi, probabilistes.
4:30 – 5:00
Conclusion

Rappeler qu'une fonction utilisée chaque jour repose sur un concept mathématique et informatique vieux de plus d'un siècle.

Terminer par la formule de clôture et se préparer aux questions.

Questions probables du jury

Quelle est la différence entre une chaîne de Markov d'ordre 1 et d'ordre supérieur ?
Comment construit-on concrètement le corpus utilisé pour calculer les probabilités ?
Que se passe-t-il si le modèle rencontre un mot ou une séquence jamais vue (données manquantes) ?
Pourquoi les Transformers dépassent-ils les chaînes de Markov, alors qu'ils restent probabilistes ?
Connaissez-vous d'autres applications des chaînes de Markov (jeux, biologie, PageRank de Google) ?
Le corpus peut-il introduire des biais dans les suggestions proposées ?

Déroulé de l'exposé

Introduction

Qu'est-ce qu'une chaîne de Markov ?

Application à la saisie prédictive

Algorithme

Limites

Conclusion

Questions probables du jury