Quand le PNL arrivera-t-il enfin ?

Qui n'aimerait pas cela : exprimer rapidement quelques idées sur son smartphone, l'application reconnaît ce qui est dit et le transcrit mot à mot. L'assistant vocal de Google obtient déjà des résultats intéressants pour les anglophones. En allemand, les résultats ne sont pas encore enthousiasmants.

Ou bien : on parle à son smartphone, il donne des réponses significatives - un dialogue animé se développe. Un contrôle avec Siri montre à quel point nous en sommes encore loin.

On trouve aujourd'hui sur divers sites web des chatbots qui assistent l'utilisateur dans ses demandes de produits et de services. Ils ne garantissent pas toujours une bonne expérience client.

Il n'existe pas encore d'applications fiables capables de relever le défi d'établir avec précision le contexte d'une question donnée. Mais il ne faudra pas attendre longtemps avant que le Natural Language Processing (NLP) ne décrypte les pièges linguistiques et ne soit en mesure de replacer le langage parlé dans le bon contexte.

La PNL est la capacité d'un programme informatique à comprendre le langage naturel exactement tel qu'il est parlé ou écrit. Elle traite le texte et la parole de manière automatique. Elle est utilisée dans le cadre de la technologie de l'IA (intelligence artificielle). L'une des applications NLP les plus anciennes et les plus simples est la reconnaissance des spams. Un programme informatique décide, sur la base de la ligne d'objet et du texte d'un e-mail, s'il s'agit ou non d'un spam. Derrière cela se cache une approche basée sur des règles, dans laquelle des algorithmes ont été informés des mots, des phrases ou des expressions à rechercher dans un texte. Les approches PNL actuelles sont basées sur le Machine Learning, ou Deep Learning : un ordinateur agit sur la base de modèles pré-entraînés. À l'aide d'innombrables exemples, la machine reconnaît elle-même la signification d'un texte. L'idée est qu'un programme informatique apprend la langue presque comme un enfant.

Les applications NLP sont confrontées au défi suivant : les ordinateurs sont généralement adressés dans un langage de programmation spécifique. Les langages de programmation ont ceci de particulier qu'ils sont précis, clairs et structurés. Le langage naturel est loin d'être précis. Elle est souvent ambiguë et la structure linguistique dépend de variables complexes telles que les dialectes régionaux, le contexte social, un argot ou un domaine ou une matière spécifique.

Souvent, le traitement du langage humain concerne les demandes de recherche. L'homme a l'habitude d'obtenir des informations d'une certaine manière : Il pose une question. C'est de la même manière qu'il souhaite interroger les ordinateurs sur des ensembles de données - il saisit une question, l'ordinateur reconnaît les principaux éléments de la phrase interrogative, les associe à certaines caractéristiques d'un ensemble de données existant - et affiche les résultats trouvés. Dans le jargon, on appelle cela la tokenisation.

Un exemple à cet égard :

Quelqu'un cherche sur Google : quand part le prochain vol de Zurich à Amsterdam ? La tokenisation déclenche alors un processus au cours duquel le texte donné est divisé et segmenté en éléments plus petits, comme des phrases ou des mots entiers.

Dans l'exemple cité ci-dessus, on reconnaît que :

• Quand = une date devrait être
• aviateur = avion est
• Zurich, Amsterdam = les aéroports sont

La recherche dans la base de données s'effectue maintenant sur les vols à venir de Zurich à Amsterdam et affiche les résultats trouvés.

Mais la PNL permet également d'interpréter un texte libre afin de le rendre analysable. Par exemple, dans les sondages, les champs de texte libre sont importants pour recueillir des propositions d'amélioration concrètes ou des opinions individuelles. Avant le deep learning, ces fichiers texte n'étaient ni assistés par ordinateur ni analysables de manière systématique. Chaque réponse individuelle devait être lue et analysée. Avec le NLP, il est désormais possible de rechercher des informations pertinentes dans un nombre illimité de réponses textuelles et de les analyser ou de les classer. Les plateformes intelligentes Insights utilisent aujourd'hui cet avantage dans les sondages et recourent au NLP pour l'analyse des textes. L'analyse des sentiments (Sentiment Mining) montre par exemple quels commentaires reflètent des opinions et des humeurs positives, neutres ou négatives.

Dans le domaine de l'IoT (Internet of Things), les assistants vocaux sont utilisés pour déclencher une action en réponse à une commande vocale précise : Le four est allumé à 200 degrés, les volets roulants sont baissés, le chauffage est réglé sur 21 degrés.

Fonctions de traduction automatique de Google ou DeepL utilisent également le NLP et le Deep Learning. Pour ce faire, la machine interprète le sens des textes et les transfère dans une autre langue.

La quantité quasi illimitée de nouveaux fichiers texte produits aujourd'hui quotidiennement en ligne permettra à l'avenir au NLP d'améliorer la "compréhension de la parole" et la sécurité du contexte. L'utilisateur sera bientôt en mesure d'avoir une conversation un tant soit peu sensée avec l'assistant vocal. Et peut-être qu'un jour, un coach mental et de fitness s'occupera de la santé physique et mentale de l'utilisateur.

Une multitude de possibilités d'utilisation nouvelles ou améliorées s'offrent aux entreprises : Un assistant vocal numérique accompagne les commerciaux chez les clients, écoute les réunions, les consigne et les enregistre dans le CRM. Il coache lors de l'acquisition de nouveaux clients et signale quelle question et quel ton de voix suscitent des réactions positives. Les chatbots répondent aux appels téléphoniques des clients, répondent à leurs questions ou les redirigent. Ils écrivent des articles sur des sujets spécialisés, traduisent des catalogues de produits, corrigent des textes d'entreprise et des présentations. En interne, la PNL permet de gagner beaucoup de temps dans la recherche d'informations. Grâce aux applications NLP sur l'Intranet, dans le cadre de la recherche d'entreprise ou même sur Internet, les collaborateurs peuvent poser des questions en W pour trouver les informations dont ils ont besoin.

La PNL permet aux entreprises d'améliorer en permanence leur approche client, c'est-à-dire l'expérience client. Elles seront en mesure d'analyser un large éventail de sources de données différentes et d'utiliser l'analyse prédictive, la prévision de l'avenir probable et des tendances. Cela permettra d'identifier les tendances à un stade précoce et d'initier des développements appropriés.