Les agents conversationnels sont de plus en plus utilisés pour gérer les activités de relation client. Ils permettent aujourd’hui de traiter automatiquement un certain nombre de tâches au cours d’une discussion en langage naturel avec un interlocuteur. Le nombre de communications que ces agents sont amenés à prendre en charge ne cesse d’augmenter, et les domaines d’applications se diversifient. Cependant, les méthodes actuelles, basées sur un mix d’apprentissage profond et de logique métier, ne parviennent pas à s’adapter à de nouveaux domaines sans avoir recours à une quantité importante de données d'entraînement et des modifications manuelles du code métier. Par ailleurs, ces approches ne sont souvent pas capables d’utiliser les interactions que ces agents ont une fois déployés dans un objectif d’amélioration continue.

Ainsi, l'objectif de ce travail de thèse est de proposer une approche distribuée, couplant le paradigme multi-agents à l'apprentissage automatique, pour concevoir des agents conversationnels adaptables et apprenants, en limitant au maximum les signaux de supervision nécessaires.