7 min read

Traitement du langage naturel : comment l'IA comprend Notre LANGUE?

23 sept. 2021 15:40:55

Visuel article #22 Virtual Agent conversation

Savoir comment une IA comprend les langues est utile pour créer votre propre agent virtuel intelligent (IVA) ou sélectionner une plate-forme d'IA conversationnelle «prête à l'emploi». Oui, nous parlons d'agent virtuel intelligent et non de chatbot, car les compétences en traitement du langage naturel placent les agents virtuels dans une autre ligue. Voici donc les principaux éléments techniques qui permettent à une IA de comprendre une variété de langues écrites et parlées.

 

Introduction AU NLU et NLG

Le traitement du langage naturel (PNL) est un sous-domaine de la linguistique, de l'informatique, de l'ingénierie de l'information et de l'intelligence artificielle. La PNL se concentre sur les interactions entre les ordinateurs et les langages humains. Il peut utiliser des algorithmes d'apprentissage profond (un sous-ensemble de l'apprentissage automatique) et la reconnaissance vocale pour détecter des modèles de langage.

Le mot «naturel» concerne les humains, par opposition aux langages «artificiels» ou «machine» utilisés par les développeurs.

La compréhension du langage naturel (NLU) est la première étape nécessaire pour réaliser le traitement du langage naturel. Parce que NLU est en fait la science qui consiste à déduire une intention (intention) et des informations connexes (entité) à partir de conversations naturelles avec extraction d'informations.

NLU se décompose en trois niveaux linguistiques: la syntaxe (comprendre la grammaire, dans différentes langues), la sémantique (comprendre le sens) et la pragmatique (comprendre les entités et les intentions).

 

voici un exemple

Sur la base de l'énoncé (entrée) d'un utilisateur réel lors d'une conversation avec l'agent virtuel de Konverso:

Conversation with Konverso's Intelligent Virtual Agent

L'intention de l'utilisateur est de «changer un mot de passe» et «Windows» est une entité. L'agent virtuel a identifié la bonne intention et demande ensuite des éclaircissements sur le mode de connexion.

En fonction de la réponse de l’utilisateur, l’agent virtuel peut envoyer des informations sur «Comment modifier un mot de passe Windows via VPN».

Les requêtes plus complexes peuvent inclure plusieurs entités relatives à des objets, des dates, des éléments de contexte.

Par exemple, les noms de logiciels, mais aussi les noms spécifiques à une entreprise, comme les références à un portail interne ou les noms de services.

 

Identifier les entités

Le rôle des entités dans le traitement du langage naturel (NLP) est de collecter des informations spécifiques auprès de l'utilisateur lors de la conversation avec l'agent virtuel. Avec cette reconnaissance automatique, une IA conversationnelle peut comprendre l'intention de l'utilisateur et son contexte, afin de déterminer la meilleure réponse à une demande.

Le moteur NLP de Konverso comprend des milliers d’entités liées au service desk informatique et au Digital Workplace (par exemple pour notre agent virtuel Microsoft et notre agent virtuel Service Now).

Nous utilisons les approches suivantes pour identifier les entités dans l'énoncé de l'utilisateur: la reconnaissance d'entité nommée (NER) basée sur l'apprentissage automatique; NER basé sur une ontologie d'entités (une description formelle de la connaissance comme un ensemble de concepts dans un domaine et les relations qui existent entre eux); et NER basé sur des règles de grammaire.

 

Comprendre les intentions

La compréhension des interactions humaines réside dans cette capacité à identifier l'intention de l'utilisateur, à extraire des informations utiles de son énoncé et à les mettre en correspondance avec des actions ou des tâches pertinentes.

Konverso a construit un modèle NLU riche qui permet à notre agent virtuel de détecter les intentions et les entités d'un utilisateur avec une très grande précision grâce à l'analyse sémantique. En fait, la méthode de Konverso est unique car nous utilisons plusieurs moteurs NLP pour traiter les entrées utilisateur par rapport à plusieurs algorithmes NLU que nous classerons.

En conséquence, l'agent virtuel fera correspondre l'intention de l'utilisateur avec les connaissances les plus pertinentes disponibles dans ses bases de connaissances, ses FAQ ou tout contenu d'entreprise auquel il a été autorisé à accéder.

La précision de l'agent virtuel améliorera et intégrera également les nouvelles connaissances aux conversations passées avec les utilisateurs grâce aux algorithmes d'apprentissage automatique et aux modèles d'apprentissage.

 

Comprendre les erreurs humaines

Pour comprendre les langages naturels, une IA a besoin de plus que du vocabulaire et des règles de grammaire. Une IA conversationnelle doit également comprendre les erreurs humaines, car elles sont inhérentes à la nature humaine.

Cela signifie que pour comprendre pleinement le langage humain, une IA a besoin d'une reconnaissance des formes du type d'erreurs qu'un humain pourrait faire en s'engageant dans une conversation et en faisant une demande.

Par exemple, nous devons anticiper les fautes d'orthographe de l'utilisateur, pour permettre aux agents virtuels d'effectuer des corrections typographiques automatiques dans l'entrée.

Pour résoudre ce problème, il est possible d’utiliser une approche typographique pour déterminer la disposition du clavier de l’utilisateur en fonction de sa langue (QWERTY, QWERTZ, AZERTY). L'IA ajustera ensuite les fautes d'orthographe en fonction des touches de fermeture ou d'autres erreurs typographiques prédictives.

Pour être vraiment précis, ces corrections doivent être effectuées non seulement par rapport aux dictionnaires standard, mais également au corpus intégré de l’agent virtuel et au corpus de l’entreprise.

Ce corpus d'entreprise est composé de tous les termes personnalisés définis dans les entités extraites et d'autres contenus textuels validés. Par exemple, le nom des services de l'entreprise ou des solutions internes, un autre jargon d'entreprise que les utilisateurs utiliseraient naturellement dans une conversation.

Utiliser un corpus générique sans personnalisation conduit souvent à des corrections «abusives», et est un rappel trompeur pour l'utilisateur qu'il parle avec une machine.

 

Les langues naturelles impliquent également Small Talk

Pour atteindre le niveau maximum de compréhension des langages naturels, et ne pas «sonner comme un robot», un agent virtuel a également besoin de comprendre les «échanges non business ». Parce que le bavardage ou la conversation légère est un moyen naturel de graisser les rouages d'une interaction et de créer une connexion avec les utilisateurs.

Être capable de répondre «bien» à une question simple comme «Comment allez-vous» et de répondre «vous êtes les bienvenus» à un message de «merci» contribue à rendre l'agent virtuel plus naturel. C'est aussi un moyen de montrer à l'utilisateur qu'il est vraiment entendu et que ses demandes sont comprises, pas seulement traitées.

Cette capacité à exprimer de l'empathie à travers des messages sociaux, également appelés «phatiques», est très importante. Surtout dans les contextes où les utilisateurs expriment leur frustration ou ont des idées fausses sur les chatbots.

C’est la raison pour laquelle les agents virtuels les plus avancés intègrent des «phatiques» et même des blagues affinées, ainsi que la possibilité de parler de la météo en fonction de la localisation de l’utilisateur.

Small talk with Konverso's Intelligent Virtual Agent

Une conversation bidirectionnelle avec plusieurs tours

Nous avons détaillé comment l'IA comprend les langues, mais n'oublions pas que notre véritable objectif est d'avoir un agent virtuel capable de mener une conversation.

Cela implique la capacité d'identifier non seulement une intention, mais plusieurs intentions et d'orchestrer une conversation et plusieurs actions dans un ordre pertinent. Cette capacité est appelée «gestion des dialogues».

Un exemple typique de cette capacité à hiérarchiser les réponses est la façon dont un agent virtuel pourrait d'abord diriger l'utilisateur vers un article de connaissance «en libre-service» avant de proposer une action corrective sur un système.

S'il existe une ambiguïté étroite entre plusieurs intentions, l'agent virtuel peut poser des questions de désambiguïsation, proposer des alternatives et poursuivre la conversation pour trouver des solutions plus pertinentes.

Un autre aspect important de «l'intelligence conversationnelle» d'un agent virtuel est sa capacité à gérer les digressions.

Les digressions sont une autre façon très humaine de mener une conversation. Si l'utilisateur décide de sauter certaines questions, l'agent virtuel ne doit pas rester coincé dans son scénario. Cela signifie que l'agent virtuel devrait être en mesure de revenir aux questions de clarification et aux questions de «remplissage des emplacements» (poser des questions spécifiques à l'utilisateur pour affiner la demande) pour rester concentré sur l'intention des utilisateurs.

 

Les défis des langues étrangères

Même si la langue anglaise est largement utilisée dans le monde, il est important de se rappeler que tous les utilisateurs ne peuvent pas avoir de conversations écrites ou vocales en anglais. Pour être considérée comme une «force de travail numérique» travaillant en véritable partenariat avec des utilisateurs humains, une IA conversationnelle doit alors maîtriser parfaitement les langues locales.

Pour être multilingue, une IA peut soit intégrer des versions linguistiques spécifiques des capacités NLU et NLG (ensembles de formation, entités, etc.) ou, alternativement, effectuez une traduction directe de l'entrée utilisateur et des réponses du bot à l'aide d'un composant de traduction automatique.

Avec l'introduction de la traduction automatique neuronale (NMT) dans les techniques de traduction automatique, la qualité de la traduction s'est considérablement améliorée ces dernières années. Et cette technologie linguistique s'améliore chaque mois.



Avec les agents virtuels de Konverso, nos clients augmentent la satisfaction des utilisateurs finaux de 80%.

Contactez notre équipe pour en savoir plus sur les agents virtuels de Konverso.

Topics: virtual agent
Amédée Potier

Written by Amédée Potier

CTO and co-founder of Konverso.