{"id":6130,"date":"2025-02-27T14:55:03","date_gmt":"2025-02-27T14:55:03","guid":{"rendered":"https:\/\/focalx.ai\/non-categorise\/lia-et-la-modelisation-probabiliste-gestion-de-lincertitude-dans-les-predictions-de-lia\/"},"modified":"2026-03-24T10:59:49","modified_gmt":"2026-03-24T10:59:49","slug":"modelisation-probabiliste-ia","status":"publish","type":"post","link":"https:\/\/focalx.ai\/fr\/intelligence-artificielle\/modelisation-probabiliste-ia\/","title":{"rendered":"L&rsquo;IA et la mod\u00e9lisation probabiliste : Gestion de l&rsquo;incertitude dans les pr\u00e9dictions de l&rsquo;IA"},"content":{"rendered":"<h2><b>TL;DR<\/b><\/h2>\n<ul>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>L&rsquo;incertitude dans l&rsquo;IA<\/b><span style=\"font-weight: 400;\">  est un d\u00e9fi majeur - les mod\u00e8les d&rsquo;IA font souvent des pr\u00e9dictions s\u00fbres m\u00eame lorsqu&rsquo;elles pourraient \u00eatre erron\u00e9es. La mod\u00e9lisation probabiliste permet de r\u00e9soudre ce probl\u00e8me en quantifiant l&rsquo;incertitude, ce qui am\u00e9liore la confiance et la prise de d\u00e9cision. <\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Les mod\u00e8les probabilistes d&rsquo;IA<\/b><span style=\"font-weight: 400;\"> (par exemple, r\u00e9seaux bay\u00e9siens, m\u00e9thodes de Monte Carlo, mod\u00e8les graphiques probabilistes, processus gaussiens) repr\u00e9sentent les pr\u00e9dictions sous la forme de distributions de probabilit\u00e9s plut\u00f4t que de valeurs uniques, ce qui permet \u00e0 l&rsquo;IA de g\u00e9rer l&rsquo;incertitude. <\/span><b>gestion de l&rsquo;incertitude de l&rsquo;IA<\/b><span style=\"font-weight: 400;\"> pour des r\u00e9sultats plus robustes.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Techniques de base<\/b><span style=\"font-weight: 400;\">: <\/span><i><span style=\"font-weight: 400;\">Les r\u00e9seaux bay\u00e9siens dans l&rsquo;IA<\/span><\/i><span style=\"font-weight: 400;\"> capturent les relations conditionnelles et mettent \u00e0 jour les croyances avec de nouvelles donn\u00e9es (inf\u00e9rence bay\u00e9sienne), <\/span><i><span style=\"font-weight: 400;\">Techniques d&rsquo;IA de Monte Carlo<\/span><\/i><span style=\"font-weight: 400;\"> utilisent l&rsquo;\u00e9chantillonnage al\u00e9atoire pour estimer les r\u00e9sultats en cas d&rsquo;incertitude, <\/span><i><span style=\"font-weight: 400;\">mod\u00e8les graphiques probabilistes<\/span><\/i><span style=\"font-weight: 400;\"> combinent la th\u00e9orie des graphes et les probabilit\u00e9s pour mod\u00e9liser des domaines complexes, et les <\/span><i><span style=\"font-weight: 400;\">processus gaussiens<\/span><\/i><span style=\"font-weight: 400;\"> fournissent des pr\u00e9dictions avec des intervalles de confiance.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Des applications concr\u00e8tes<\/b><span style=\"font-weight: 400;\"> d\u00e9montrent ces m\u00e9thodes en action - de l&rsquo;am\u00e9lioration du diagnostic des maladies dans les services de <\/span><b>soins de sant\u00e9<\/b><span style=\"font-weight: 400;\">\u00e0 l&rsquo;\u00e9valuation du risque <\/span><b>risque<\/b><span style=\"font-weight: 400;\"> en <\/span><b>finance<\/b><span style=\"font-weight: 400;\">\u00e0 la mise en place de syst\u00e8mes <\/span><b>syst\u00e8mes autonomes<\/b><span style=\"font-weight: 400;\"> de naviguer dans des environnements incertains.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Des d\u00e9fis<\/b><span style=\"font-weight: 400;\"> Des d\u00e9fis subsistent, notamment les co\u00fbts de calcul \u00e9lev\u00e9s, la complexit\u00e9 de l&rsquo;interpr\u00e9tation et les exigences \u00e9lev\u00e9es en mati\u00e8re de donn\u00e9es, mais les progr\u00e8s en cours (comme la combinaison de mod\u00e8les probabilistes avec l&rsquo;apprentissage en profondeur) ouvrent la voie \u00e0 une IA plus fiable et plus facile \u00e0 interpr\u00e9ter.<\/span><\/li>\n<\/ul>\n<h2><b>Introduction<\/b><\/h2>\n<p><span style=\"font-weight: 400;\">Dans le domaine de l&rsquo;intelligence artificielle, faire des pr\u00e9dictions fiables n&rsquo;est pas seulement une question de pr\u00e9cision, c&rsquo;est aussi une question de compr\u00e9hension de l&rsquo;incertitude. La prise de d\u00e9cision fond\u00e9e sur l&rsquo;intelligence artificielle peut s&rsquo;av\u00e9rer difficile lorsque l&rsquo;incertitude du mod\u00e8le n&rsquo;est pas prise en compte. Dans les applications critiques (comme le diagnostic d&rsquo;une maladie ou le contr\u00f4le d&rsquo;un v\u00e9hicule autonome), une pr\u00e9diction accompagn\u00e9e d&rsquo;une estimation de la confiance est bien plus utile qu&rsquo;une supposition \u00e0 l&rsquo;aveuglette.  <\/span><\/p>\n<p><b>Mod\u00e9lisation probabiliste<\/b><span style=\"font-weight: 400;\">  offre un moyen fond\u00e9 sur des principes de g\u00e9rer cette incertitude. Contrairement aux mod\u00e8les d\u00e9terministes traditionnels qui produisent une valeur unique et la consid\u00e8rent comme certaine, les mod\u00e8les probabilistes produisent une valeur de r\u00e9f\u00e9rence.   <\/span><b>distribution des r\u00e9sultats possibles<\/b><span style=\"font-weight: 400;\">  avec les probabilit\u00e9s associ\u00e9es. En d&rsquo;autres termes, au lieu de dire \u00ab\u00a0Le r\u00e9sultat attendu est X\u00a0\u00bb, un mod\u00e8le d&rsquo;IA probabiliste pourrait dire \u00ab\u00a0Il y a 70 % de chances que le r\u00e9sultat soit X et 30 % de chances qu&rsquo;il soit Y\u00a0\u00bb. En saisissant les    <\/span><i><span style=\"font-weight: 400;\">l&rsquo;\u00e9ventail des possibilit\u00e9s<\/span><\/i><span style=\"font-weight: 400;\"> et leur vraisemblance, ces mod\u00e8les <\/span><b>donnent une id\u00e9e du degr\u00e9 de confiance du mod\u00e8le<\/b><span style=\"font-weight: 400;\"> et permettent une prise de d\u00e9cision plus \u00e9clair\u00e9e en cas de risque.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">Cet article explore les principales techniques probabilistes, notamment <\/span><b>les r\u00e9seaux bay\u00e9siens<\/b><span style=\"font-weight: 400;\">, <\/span><b>les m\u00e9thodes de Monte Carlo<\/b><span style=\"font-weight: 400;\">, <\/span><b>les mod\u00e8les graphiques probabilistes<\/b><span style=\"font-weight: 400;\">et <\/span><b>processus gaussiens<\/b><span style=\"font-weight: 400;\">  - et leurs applications concr\u00e8tes dans les domaines de la sant\u00e9, de la finance et des syst\u00e8mes autonomes. Il aborde \u00e9galement les d\u00e9fis et les tendances futures de l&rsquo;IA probabiliste. <\/span><\/p>\n<h2><b>Concepts fondamentaux de la mod\u00e9lisation probabiliste de l&rsquo;IA<\/b><\/h2>\n<h3><b>R\u00e9seaux bay\u00e9siens et inf\u00e9rence bay\u00e9sienne<\/b><\/h3>\n<p><b>R\u00e9seaux bay\u00e9siens<\/b><span style=\"font-weight: 400;\">  repr\u00e9sentent les relations entre les variables \u00e0 l&rsquo;aide de graphes dirig\u00e9s et permettent une mise \u00e0 jour dynamique des croyances sur la base de nouvelles donn\u00e9es. L&rsquo;inf\u00e9rence bay\u00e9sienne est utilis\u00e9e pour affiner les pr\u00e9dictions dans le temps en incorporant les connaissances ant\u00e9rieures et les donn\u00e9es observ\u00e9es. <\/span><\/p>\n<h3><b>M\u00e9thodes de Monte Carlo<\/b><\/h3>\n<p><span style=\"font-weight: 400;\">Les m\u00e9thodes de Monte Carlo utilisent l&rsquo;\u00e9chantillonnage al\u00e9atoire pour estimer les r\u00e9sultats en cas d&rsquo;incertitude. Elles sont largement utilis\u00e9es dans l&rsquo;intelligence artificielle pour la prise de d\u00e9cision, l&rsquo;analyse des risques et les probl\u00e8mes d&rsquo;optimisation, lorsque le calcul direct est irr\u00e9alisable. <\/span><\/p>\n<h3><b>Mod\u00e8les graphiques probabilistes (MGP)<\/b><\/h3>\n<p><span style=\"font-weight: 400;\">Les PGM utilisent des graphes pour repr\u00e9senter les distributions de probabilit\u00e9s sur des syst\u00e8mes complexes. Ces mod\u00e8les permettent \u00e0 l&rsquo;IA de raisonner efficacement sur l&rsquo;incertitude et ont des applications dans le traitement du langage naturel, la vision par ordinateur et le diagnostic m\u00e9dical. <\/span><\/p>\n<h3><b>Processus gaussiens<\/b><\/h3>\n<p><span style=\"font-weight: 400;\">Les processus gaussiens permettent de mod\u00e9liser l&rsquo;incertitude dans les probl\u00e8mes de r\u00e9gression, en offrant des intervalles de confiance avec les pr\u00e9dictions. Ils sont utiles dans des domaines tels que la robotique, la mod\u00e9lisation g\u00e9ospatiale et les pr\u00e9visions de s\u00e9ries temporelles. <\/span><\/p>\n<h2><b>Applications concr\u00e8tes des mod\u00e8les probabilistes d&rsquo;IA<\/b><\/h2>\n<h3><b>Sant\u00e9 : Diagnostiquer et pr\u00e9voir dans l&rsquo;incertitude<\/b><\/h3>\n<ul>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Les r\u00e9seaux bay\u00e9siens permettent de mod\u00e9liser la progression d&rsquo;une maladie et aident au diagnostic m\u00e9dical.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Les processus gaussiens am\u00e9liorent la pr\u00e9cision du pronostic des patients en pr\u00e9disant les r\u00e9sultats de sant\u00e9 probables avec quantification de l&rsquo;incertitude.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Les simulations de Monte Carlo facilitent la d\u00e9couverte de m\u00e9dicaments en mod\u00e9lisant les interactions entre les mol\u00e9cules dans des conditions incertaines.<\/span><\/li>\n<\/ul>\n<h3><b>Finance : \u00c9valuation des risques et pr\u00e9visions<\/b><\/h3>\n<ul>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Les m\u00e9thodes de Monte Carlo \u00e9valuent le risque financier en simulant des milliers de sc\u00e9narios de march\u00e9.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Les mod\u00e8les bay\u00e9siens \u00e9valuent le risque de cr\u00e9dit en calculant les probabilit\u00e9s de d\u00e9faut.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Les mod\u00e8les graphiques probabilistes pr\u00e9disent les tendances \u00e9conomiques en int\u00e9grant de multiples facteurs incertains.<\/span><\/li>\n<\/ul>\n<h3><b>Syst\u00e8mes autonomes : Naviguer dans des environnements incertains<\/b><\/h3>\n<ul>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Les voitures autonomes utilisent des r\u00e9seaux bay\u00e9siens pour pr\u00e9dire les mouvements des pi\u00e9tons et \u00e9viter les collisions.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">La recherche arborescente de Monte Carlo (MCTS) am\u00e9liore la prise de d\u00e9cision dans les domaines de la robotique et de la planification automatis\u00e9e.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Les processus gaussiens permettent aux drones d&rsquo;adapter leurs trajectoires de vol en fonction des conditions m\u00e9t\u00e9orologiques incertaines.<\/span><\/li>\n<\/ul>\n<h2><b>D\u00e9fis et limites<\/b><\/h2>\n<ul>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Complexit\u00e9 informatique<\/b><span style=\"font-weight: 400;\">: De nombreuses m\u00e9thodes probabilistes n\u00e9cessitent une puissance de traitement importante, ce qui limite leurs applications en temps r\u00e9el.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Interpr\u00e9tabilit\u00e9<\/b><span style=\"font-weight: 400;\">: La compr\u00e9hension des r\u00e9sultats probabilistes peut s&rsquo;av\u00e9rer difficile pour les non-experts.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>D\u00e9pendance des donn\u00e9es<\/b><span style=\"font-weight: 400;\">: De grands ensembles de donn\u00e9es sont n\u00e9cessaires pour mod\u00e9liser avec pr\u00e9cision les probabilit\u00e9s.<\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Sensibilit\u00e9 aux hypoth\u00e8ses<\/b><span style=\"font-weight: 400;\">: La pr\u00e9cision des mod\u00e8les probabilistes d\u00e9pend fortement de la d\u00e9finition correcte des connaissances pr\u00e9alables et des d\u00e9pendances.<\/span><\/li>\n<\/ul>\n<h2><b>Conclusion<\/b><\/h2>\n<p><span style=\"font-weight: 400;\">La mod\u00e9lisation probabiliste est cruciale pour l&rsquo;IA, car elle permet aux syst\u00e8mes de g\u00e9rer l&rsquo;incertitude \u00e0 l&rsquo;aide de distributions de probabilit\u00e9s structur\u00e9es. Des techniques telles que les r\u00e9seaux bay\u00e9siens, les m\u00e9thodes de Monte Carlo et les processus gaussiens aident l&rsquo;IA \u00e0 fournir des pr\u00e9dictions plus fiables, interpr\u00e9tables et adaptables. Au fur et \u00e0 mesure que l&rsquo;IA progresse, l&rsquo;int\u00e9gration du raisonnement probabiliste \u00e0 l&rsquo;apprentissage profond am\u00e9liorera encore sa capacit\u00e9 \u00e0 fonctionner dans des environnements dynamiques et incertains.  <\/span><\/p>\n<h2><b>R\u00e9f\u00e9rences<\/b><\/h2>\n<ol>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Laboratoire d&rsquo;intelligence artificielle de Stanford. \u00ab\u00a0Mod\u00e8les graphiques probabilistes\u00a0\u00bb. Universit\u00e9 de Stanford.  <\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Documentation Scikit-learn. \u00ab\u00a0Processus gaussiens pour l&rsquo;apprentissage automatique\u00a0\u00bb. <\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Documentation AWS. \u00ab\u00a0M\u00e9thodes de Monte Carlo dans l&rsquo;analyse des risques financiers\u00a0\u00bb. <\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Document de recherche sur les r\u00e9seaux bay\u00e9siens dans le domaine de la sant\u00e9. \u00ab\u00a0Diagnostic m\u00e9dical \u00e0 l&rsquo;aide de mod\u00e8les probabilistes d&rsquo;IA\u00a0\u00bb. <\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">IEEE Transactions on Neural Networks. \u00ab\u00a0Deep Probabilistic Modeling : Combining Bayesian Inference and Neural Networks\u00a0\u00bb. <\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Laboratoire d&rsquo;intelligence artificielle du MIT. \u00ab\u00a0Monte Carlo Tree Search for Automated Decision-Making\u00a0\u00bb (Recherche d&rsquo;arbres de Monte Carlo pour une prise de d\u00e9cision automatis\u00e9e). <\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Nature Machine Intelligence. \u00ab\u00a0Progr\u00e8s dans la quantification de l&rsquo;incertitude pour les pr\u00e9dictions de l&rsquo;IA\u00a0\u00bb. <\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">AI Journal. \u00ab\u00a0Applications des mod\u00e8les probabilistes dans les voitures auto-conduites et la robotique\u00a0\u00bb. <\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Revue de l&rsquo;IA financi\u00e8re. \u00ab\u00a0Mod\u00e8les bay\u00e9siens pour l&rsquo;\u00e9valuation du risque de cr\u00e9dit\u00a0\u00bb. <\/span><\/li>\n<li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Actes de la conf\u00e9rence sur les syst\u00e8mes autonomes. \u00ab\u00a0Handling Sensor Noise and Uncertainty in Robotics\u00a0\u00bb (Gestion du bruit et de l&rsquo;incertitude des capteurs en robotique). <\/span><\/li>\n<\/ol>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>TL;DR L&rsquo;incertitude dans l&rsquo;IA est un d\u00e9fi majeur - les mod\u00e8les d&rsquo;IA font souvent des pr\u00e9dictions s\u00fbres m\u00eame lorsqu&rsquo;elles pourraient [&hellip;]<\/p>\n","protected":false},"author":12,"featured_media":6133,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_robots_primary_cat":"","_seopress_titles_title":"L&#039;IA et la mod\u00e9lisation probabiliste : Gestion de l&#039;incertitude dans les pr\u00e9dictions de l&#039;IA","_seopress_titles_desc":"Comment l&#039;IA g\u00e8re l&#039;incertitude et la prise de d\u00e9cision probabiliste.","_seopress_robots_index":"","content-type":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[124],"tags":[],"class_list":["post-6130","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-intelligence-artificielle"],"acf":[],"_links":{"self":[{"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/posts\/6130","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/users\/12"}],"replies":[{"embeddable":true,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/comments?post=6130"}],"version-history":[{"count":0,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/posts\/6130\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/media\/6133"}],"wp:attachment":[{"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/media?parent=6130"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/categories?post=6130"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/tags?post=6130"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}