La compréhension conversationnelle des machines nécessite de comprendre l'historique de la conversation, tel que les paires de questions/réponses précédentes, le contexte du document et la question actuelle. Pour permettre aux modèles traditionnels à tour unique d'encoder l'historique de manière exhaustive, nous introduisons Flow, un mécanisme qui peut intégrer les représentations intermédiaires générées lors du processus de réponse aux questions précédentes, grâce à une structure de traitement parallèle alternée. Comparativement aux approches qui concatènent les questions/réponses précédentes en entrée, Flow intègre plus profondément les sémantiques latentes de l'historique de la conversation. Notre modèle, FlowQA, montre des performances supérieures sur deux défis conversationnels récemment proposés (+7,2% F1 sur CoQA et +4,0% sur QuAC). L'efficacité de Flow se manifeste également dans d'autres tâches. En réduisant la compréhension séquentielle des instructions à la compréhension conversationnelle des machines, FlowQA surpasses les meilleurs modèles dans les trois domaines de SCONE, avec une amélioration de l'exactitude allant de +1,8% à +4,4%.