![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" "\\"Moyen")
<\/span><\/div><\/div><\/div>ACTUALIT\u00c9S \/ TECHNOLOGIE DE L'AI<\/p>\n<\/div>
25 novembre 2020
\nLes conseillers des centres d'appel commencent \u00e0 voir l'\u00e9mergence de la NLU dans leur vie quotidienne, ce qui les aide \u00e0 r\u00e9pondre plus facilement aux demandes des clients. Pour ce faire, un outil doit \u00eatre capable de reconna\u00eetre en m\u00eame temps la demande du client et ses caract\u00e9ristiques, en d'autres termes, une intention et des entit\u00e9s nomm\u00e9es.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
\u201cOK Google, jouez les Rolling Stones sur Spotify\u201d, \u201cAlexa, quel temps fait-il \u00e0 Paris aujourd'hui ?\u201d, \u201cSiri, qui est le pr\u00e9sident fran\u00e7ais ?\u201d.\u201d<\/em><\/p>\n Si vous avez d\u00e9j\u00e0 utilis\u00e9 des assistants vocaux, vous avez indirectement eu recours \u00e0 des processus de compr\u00e9hension du langage naturel (NLU). La m\u00eame logique s'applique aux assistants de type chatbot ou au routage automatis\u00e9 des tickets dans les services clients. Depuis un certain temps, la NLU fait partie de notre quotidien et ce n'est probablement pas pr\u00e8s de s'arr\u00eater.<\/span><\/p>\n En automatisant l'extraction de l'intention du client, par exemple, NLU peut nous aider \u00e0 r\u00e9pondre plus rapidement et plus pr\u00e9cis\u00e9ment aux demandes de nos clients. C'est pourquoi toutes les grandes entreprises se sont lanc\u00e9es dans le d\u00e9veloppement de leur propre solution. Cependant, avec toutes les biblioth\u00e8ques et mod\u00e8les existants dans le domaine du NLU, tous revendiquant des r\u00e9sultats de pointe ou faciles \u00e0 obtenir, il est parfois compliqu\u00e9 de s'y retrouver. Apr\u00e8s avoir exp\u00e9riment\u00e9 diverses biblioth\u00e8ques dans le cadre de nos projets NLU au Artefact, nous avons voulu partager nos r\u00e9sultats et vous aider \u00e0 mieux comprendre les outils actuels dans le domaine NLU.<\/span><\/p>\n Qu'est-ce que NLU ?<\/strong><\/span><\/p>\n La compr\u00e9hension du langage naturel (NLU) est d\u00e9finie comme suit\u00a0Gartner<\/a>\u00a0comme \u201cla compr\u00e9hension par des ordinateurs de la structure et de la signification du langage humain (par exemple.<\/em>, (anglais, espagnol, japonais), permettant aux utilisateurs d'interagir avec l'ordinateur \u00e0 l'aide de phrases naturelles\u201d. En d'autres termes, le NLU est un sous-domaine du artificial intelligence qui permet d'interpr\u00e9ter un texte en l'analysant, en le convertissant en langage informatique et en produisant un r\u00e9sultat sous une forme compr\u00e9hensible pour l'homme.<\/p>\n Si vous regardez de pr\u00e8s le fonctionnement des chatbots et des assistants virtuels, de votre demande \u00e0 leur r\u00e9ponse, le NLU est une couche qui extrait votre intention principale et toute information importante pour la machine afin qu'elle puisse r\u00e9pondre au mieux \u00e0 votre demande. Imaginons que vous appeliez le service client de votre marque pr\u00e9f\u00e9r\u00e9e pour savoir si le sac de vos r\u00eaves est enfin disponible dans votre ville : NLU dira \u00e0 l'assistant que vous avez une demande de disponibilit\u00e9 de produit et cherchera l'article en question dans la base de donn\u00e9es database pour savoir s'il est disponible \u00e0 l'endroit d\u00e9sir\u00e9. Gr\u00e2ce \u00e0 NLU, nous avons extrait une intention, un nom de produit et un lieu.<\/p>\n (Ci-dessus : illustration de l'intention d'un client et de plusieurs entit\u00e9s extraites de la conversation)<\/em><\/p><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n Le langage naturel fait partie int\u00e9grante de la data de la plupart des entreprises et, avec les r\u00e9centes avanc\u00e9es dans ce domaine, compte tenu de la d\u00e9mocratisation des algorithmes NLU, de l'acc\u00e8s \u00e0 une plus grande puissance de calcul et \u00e0 plus de data, de nombreux projets NLU ont \u00e9t\u00e9 lanc\u00e9s. Examinons l'un d'entre eux.<\/span><\/p>\n Pr\u00e9sentation du projet<\/span><\/strong><\/p>\n Un projet typique utilisant le NLU est, comme mentionn\u00e9 pr\u00e9c\u00e9demment, d'aider les conseillers des centres d'appels \u00e0 r\u00e9pondre aux demandes des clients plus facilement au fur et \u00e0 mesure de la conversation. Pour ce faire, nous devrions effectuer deux t\u00e2ches diff\u00e9rentes :<\/span><\/p>\n Lorsque nous avons commenc\u00e9 \u00e0 examiner les solutions simples et pr\u00eates \u00e0 l'emploi publi\u00e9es pour ces deux t\u00e2ches, nous avons trouv\u00e9 plus d'une douzaine de cadres, certains d\u00e9velopp\u00e9s par les GAFAM, d'autres par des contributeurs de plates-formes open-source. Impossible de savoir lequel choisir pour notre cas d'utilisation, comment chacun d'entre eux se comporte sur un projet concret et r\u00e9el data, ici les conversations audio d'un centre d'appel transcrites en texte. C'est pourquoi nous avons d\u00e9cid\u00e9 de partager notre benchmark de performance avec quelques conseils ainsi que les avantages et inconv\u00e9nients de chaque solution que nous avons test\u00e9e.<\/span><\/p>\n Il est important de noter que ce benchmark a \u00e9t\u00e9 r\u00e9alis\u00e9 avec l'anglais data et du texte vocal transcrit et qu'il peut donc moins servir de r\u00e9f\u00e9rence pour d'autres langues ou applications utilisant directement du texte \u00e9crit, <\/span><\/i>par exemple.<\/span> les cas d'utilisation des chatbots.<\/span><\/i><\/p>\n<\/div><\/div><\/div><\/div><\/div> R\u00e9f\u00e9rence<\/strong><\/span><\/p>\n D\u00e9tection des intentions <\/strong><\/p>\n L'objectif est ici de pouvoir d\u00e9tecter ce que veut le client, son intention. \u00c9tant donn\u00e9 une phrase, le mod\u00e8le doit \u00eatre capable de la classer dans la bonne classe, chaque classe correspondant \u00e0 une intention pr\u00e9d\u00e9finie. Lorsqu'il existe plusieurs classes, on parle de t\u00e2che de classification multi-classes. Par exemple, une intention peut \u00eatre \u201cveut acheter un produit\u201d ou \u201ccherche des informations\u201d. Dans notre cas, nous avons d\u00e9fini <\/span>5 intentions diff\u00e9rentes<\/b> et les six solutions suivantes ont \u00e9t\u00e9 utilis\u00e9es pour le test de r\u00e9f\u00e9rence :<\/span><\/p>\n Les mod\u00e8les suivants ont tous \u00e9t\u00e9 entra\u00een\u00e9s et test\u00e9s sur les m\u00eames ensembles data : 1600 \u00e9nonc\u00e9s pour l'entra\u00eenement, 400 pour le test. Les mod\u00e8les n'ont pas \u00e9t\u00e9 affin\u00e9s et certains d'entre eux pourraient donc avoir de meilleures performances que celles pr\u00e9sent\u00e9es ci-dessous.<\/span><\/p>\n *Temps de r\u00e9f\u00e9rence sur le Macbook Air local (1.6GHz dual-core Intel Core i5-8 Go 1600 MHz DDR3 RAM).<\/em><\/p>\n Extraction d'entit\u00e9s<\/span><\/strong><\/p>\n L'objectif est de pouvoir localiser des mots sp\u00e9cifiques et de les classer correctement dans des cat\u00e9gories pr\u00e9d\u00e9finies. En effet, une fois que vous avez d\u00e9tect\u00e9 ce que votre client souhaite faire, vous pouvez avoir besoin de trouver d'autres informations dans sa demande. Par exemple, si un client veut acheter quelque chose, vous voudrez peut-\u00eatre savoir de quel produit il s'agit, dans quelle couleur, ou si un client veut retourner un produit, vous voudrez peut-\u00eatre savoir \u00e0 quelle date ou dans quel magasin l'achat a \u00e9t\u00e9 effectu\u00e9. Dans notre cas, nous avions d\u00e9fini <\/span>16 entit\u00e9s personnalis\u00e9es<\/b>Il s'agit de 9 entit\u00e9s li\u00e9es au produit (nom, couleur, type, mat\u00e9riau, taille, ...) et d'entit\u00e9s suppl\u00e9mentaires li\u00e9es \u00e0 la g\u00e9ographie et au temps. En ce qui concerne la d\u00e9tection des intentions, plusieurs solutions ont \u00e9t\u00e9 utilis\u00e9es pour \u00e9tablir un benchmark :<\/span><\/p>\n Les mod\u00e8les suivants ont tous \u00e9t\u00e9 entra\u00een\u00e9s et test\u00e9s sur les m\u00eames ensembles data : 1600 \u00e9nonc\u00e9s pour l'entra\u00eenement, 400 pour le test. Les mod\u00e8les n'ont pas \u00e9t\u00e9 affin\u00e9s et certains d'entre eux pourraient donc avoir de meilleures performances que celles pr\u00e9sent\u00e9es ci-dessous.<\/span><\/p>\n Conclusion<\/strong><\/span><\/p>\n Parmi les solutions test\u00e9es sur notre centre d'appel dataset, que ce soit pour la d\u00e9tection d'intention ou la reconnaissance d'entit\u00e9s, aucune ne se d\u00e9marque en termes de performance. D'apr\u00e8s notre exp\u00e9rience, le choix d'une solution par rapport \u00e0 une autre doit donc \u00eatre bas\u00e9 sur leur praticit\u00e9 et en fonction de votre cas d'utilisation sp\u00e9cifique (utilisez-vous d\u00e9j\u00e0 Azure, pr\u00e9f\u00e9rez-vous avoir plus de libert\u00e9 pour affiner vos mod\u00e8les...). Pour rappel, nous avons pris les biblioth\u00e8ques telles quelles pour r\u00e9aliser ce benchmark, sans affiner les mod\u00e8les, les r\u00e9sultats affich\u00e9s sont donc \u00e0 prendre avec un l\u00e9ger recul et pourraient varier sur un cas d'utilisation diff\u00e9rent ou avec plus d'entrainement data.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div>\n
\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0OjPKI5wNoTgCuUKG.png\")
<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n
\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0xOx9HfmdoP11xP-r.png\")
<\/p>\n<\/div>\n<\/div>\n<\/div>\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0I1biKTnMgj7kziLM.png\")
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>