Vous avez surement prononcé au moins une fois « Dis Siri » ou « Ok Google », que ce soit pour ajouter un article sur votre liste de courses alors que votre téléphone était posé à quelques mètres ou pour envoyer un message alors que vous conduisez pour prévenir de votre retard.
Les assistants personnels font maintenant partie de notre quotidien. Entre la sortie de Siri (Apple) en 2011 et aujourd’hui, le paysage a bien changé. Les grands constructeurs tels que Samsung ont créé leur propre solution, l’assistant personnel a migré sur les ordinateurs (Cortana pour Windows et Siri pour MacOS), de nouveaux devices investissent nos salons (Amazon Alexa, Google Home, Apple HomePod).
La possibilité pour ces différents outils de comprendre notre demande comme s’ils étaient des interlocuteurs humains est basée sur les techniques de NLP (Natural Language Processing). Le traitement automatique du langage naturel permet de reconnaître les sons, et de traduire notre parole en texte qui est ensuite analysée afin de formuler une réponse cohérente.
Amazon transforme l’achat en un clic (qui avait fait son succès) en l’achat via la parole libérant le client de toute contrainte.
Amazon n’est d’ailleurs pas le seul à avoir développé l’usage du NLP dans ses services.
Google Translation a lui aussi grandement évolué ces dernières années. Profitant des avancées dans l’intelligence artificielle, la traduction est maintenant beaucoup plus naturelle, elle utilise le contexte de la phrase et nonplus le mot à mot que l’on a pu connaître auparavant.
De nouvelles applications vont se démocratiser, telles que la traduction automatisée en temps réel (permettant à deux personnes de nationalités différentes de converser naturellement en parlant leur langue d’origine) ou encore la traduction en réalité augmentée.
FOCUS : Le NLP, NLU et NLG
Le Natural Language Processing (NLP) ou, en français, le traitement automatique du langage naturel est une branche du Machine Learning. Il est en charge d’ingérer les sons, de les décomposer, de comprendre leur signification, de déterminer l’action appropriée et de répondre dans un langage que l’utilisateur sera en mesure de comprendre.
Alors que les humains sont capables de gérer sans effort les erreurs de prononciation, les mots échangés, les contractions, les expressions familières, les machines gèrent difficilement les intrants imprévisibles. Le Natural Language Understanding (NLU) est une sous-catégorie du NLP dont la fonction est de gérer ces intrants non structurés pour les rendre interprétables.
Enfin, le Natural Language Generation (NLG) s’occupe de convertir les données structurées en texte. En d’autres termes, il permet à la machine de répondre à l’utilisateur en langage naturel.
Figure 1: Exemple d’une architecture NLP
Le NLP dans l’entreprise
Si les entreprises gèrent quotidiennement d’énormes quantités de données non structurées, elles restent finalement difficilement exploitables : appels clients, e-mails, tweets, données provenant d’applications mobiles, etc.
Les cas d’usages sur lesquels les entreprises investissent le plus sont l’analyse de sentiments à partir des média sociaux (afin de déterminer l’opinion des clients/ prospects autour des produits ou services), le « Topic Modeling » (permettant de classer les documents internes en fonction des informations qu’ils contiennent), l’automatisation des fonctions de support via la mise en place de Chat Bot (agents conversationnels). D’abord cantonnés aux directions Marketing, ces nouveaux usages se déploient peu à peu au sein de toutes les fonctions (RH, Relation Client,Opérations, etc.).
Pour aller plus loin
De même que les réseaux sociaux sont passés d’un usage personnel à un usage professionnel, nous sommes convaincus que les techniques de NLP vont investir les entreprises, que ce soit pour faciliter les intéractions avec leurs clients, ou faciliter les échanges internes.
Envie d’en savoir plus, ou de lancer une première expérimentation ? N’hésitez pas à contacter nos experts !