Le traitement automatique du langage naturel donne une voix aux processus numériques

Le plus grand changement dans le traitement du langage naturel au cours des dix dernières années a été l'abandon de la reconnaissance de formes plus traditionnelle dans mots et s'orienter vers des approches d'apprentissage automatique et profond

Le traitement du langage naturel (NLP) permet aux ordinateurs de lire du texte, d'entendre la parole, de l'interpréter, de mesurer le sentiment et de déterminer quelles parties sont importantes. Les machines d'aujourd'hui peuvent analyser plus de données basées sur le langage que les humains, sans fatigue et de manière cohérente et impartiale.

"La PNL est importante car elle aide à résoudre l'ambiguïté du langage et ajoute une structure numérique utile aux données pour de nombreuses applications en aval, telles que la reconnaissance vocale ou l'analyse de texte", déclare Kayne Putman, consultante en analyse chez SAS UK &Ireland. "Cela signifie qu'il peut être appliqué dans une grande variété de cas d'utilisation commerciale tels que l'analyse de la fraude et des risques ou l'extraction d'informations sur le comportement des clients. Fondamentalement, il est essentiel d'avoir une bonne analyse de données en place et de savoir ce que vous voulez réaliser avant d'introduire la PNL dans l'environnement."

Développement du traitement du langage naturel

Le plus grand changement dans le traitement du langage naturel au cours des dix dernières années a été l'abandon de la reconnaissance de formes plus traditionnelle dans les mots et l'évolution vers des approches d'apprentissage automatique et en profondeur. Il y a eu des progrès récents en termes de technique d'« incorporation de mots » qui permet d'attribuer un certain degré de signification sémantique à des mots individuels ou à des groupes de mots.

"Le résultat est un vecteur numérique à haute dimensionnalité qui permet de poursuivre la formation et l'analyse du modèle", déclare Jos Martin, directeur principal de l'ingénierie chez MathWorks. "Une fois qu'une partie de la signification sémantique a été transférée dans l'espace numérique, de nombreuses autres techniques d'apprentissage en profondeur récemment développées deviennent disponibles pour les concepteurs de systèmes NLP."

Par exemple, de nombreux systèmes ont tiré parti des types de réseaux de neurones récurrents à mémoire longue et à court terme (LSTM), utiles pour en savoir plus sur les relations entre les mots dans les phrases, les paragraphes et d'autres blocs linguistiques. Ces types de réseau permettent au concepteur de prédire ce que pourrait être le mot suivant dans une séquence ou d'attribuer des probabilités aux mots suivants.

Plus qu'un simple chatbot

Dans le traitement traditionnel du langage naturel, les mots n'étaient que des mots - des phrases quelque peu dénuées de sens qui n'avaient pas le sens établi par un contexte plus large. C'est ainsi que nous catégorisons généralement un chatbot, qui est limité par les informations qui lui sont transmises en temps réel.

"Pour le traitement avancé du langage naturel, nous pouvons améliorer la compréhension contextuelle en représentant les mots comme des vecteurs de nombres", déclare Johan Toll, directeur exécutif des transformations chez IPsoft. "Au lieu de simplement comprendre les mots en tant que mots, cela permet à la machine de comprendre les similitudes de mots et les similitudes de phrases de manière très flexible."

Par exemple, comprendre que le mot « contrat » a une signification très différente dans un contexte juridique que dans un film de gangsters. Contrairement à un chatbot qui ne comprend qu'un seul flux d'informations et de langage, cela permet une conversation à multiples facettes adaptée au contexte requis, en plus du type de langage utilisé.

Selon Toll, la PNL avancée est un facilitateur. "En fait, la plupart des développements de l'IA et des innovations numériques incluent une certaine forme d'automatisation intelligente des processus (IPA), McKinsey estimant que 50 à 70 % des tâches au sein des entreprises sont automatisées", ajoute-t-il. "C'est cette automatisation, facilitée par le NLP, qui permet le développement de nouvelles applications d'IA, permettant aux organisations de rechercher, d'organiser et d'identifier avec précision de grandes quantités d'informations précieuses. “

Améliorer l'expérience client

Avec la croissance du commerce électronique et l'expansion du marché mondial, plus de consommateurs achètent en ligne que jamais auparavant. Pour répondre à cette demande croissante, les organisations adoptent une combinaison de technologies de nouvelle génération, y compris le NLP, pour améliorer leur expérience client, améliorer la réputation de leur marque et stimuler leurs ventes. Une étude menée par Aspect a révélé que 92 % des personnes interrogées reconnaissent la valeur du traitement du langage naturel dans le service client moderne.

"Une exigence clé pour toute organisation avant-gardiste est d'offrir une expérience omnicanal polyvalente où les clients ont la possibilité d'utiliser des capacités de libre-service automatisées, y compris des assistants virtuels et des chatbots de bureau ou mobiles, aux côtés des moyens de communication traditionnels", Stephen Ball, vice-président senior L'Europe et l'Afrique chez Aspect explique. "Les véritables avantages du libre-service automatisé ne peuvent être récoltés que si les organisations mettent correctement en œuvre ces nouvelles technologies, et l'acquisition d'une compréhension complète de la technologie de traitement du langage naturel (TAL) est essentielle pour cela.

"Il est extrêmement important de réaliser qu'une intégration réussie du traitement du langage naturel est un processus qui prend du temps et des efforts et nécessite d'investir dans l'IA et les technologies associées qui peuvent être facilement adaptées aux besoins de l'entreprise et, surtout, suffisamment avancées pour répondre aux demandes complexes et changeantes du client moderne. Pour y parvenir, il est essentiel que les entreprises proposent une formation en PNL et en technologie pour perfectionner le personnel, et qu'elles travaillent avec des partenaires externes pour acquérir cette expérience pertinente en matière d'IA à court et à moyen terme. »

Ajouter de l'émotion au traitement du langage naturel

La capacité de comprendre si quelqu'un est frustré ou en colère à cause de l'inclinaison tonale, des mots qu'il choisit et des pauses entre les phrases était jusqu'à récemment considérée comme une compétence humaine unique. Un domaine de recherche en plein essor est l'analyse des émotions.

L'analyse des émotions est une forme de traitement du langage naturel qui cherche à déterminer les émotions de l'écrivain à partir d'un texte, les émotions pouvant être la peur, la colère, le dégoût, la frustration, l'agitation ou même la tristesse. "Une telle application de cette technologie fascinante sera dans les centres d'appels - un opérateur de ligne d'assistance pourrait adapter ses conseils et son langage pour mieux répondre aux besoins d'un client, sans que l'appelant n'ait jamais à déclarer explicitement son niveau de frustration", Sally Epstein, ingénieure en apprentissage automatique, Commentaires de Cambridge Consultants.

Un domaine d'innovation plus large est l'analyse des sentiments, qui est utilisée pour déterminer si une partie du texte de forme libre est positive, neutre ou négative. "Avec l'analyse des sentiments, il est possible de rechercher efficacement d'énormes quantités de documents texte, de publications sur les réseaux sociaux ou de critiques de produits pour extraire des tendances significatives", ajoute Epstein. "Ces informations sont déjà utilisées par les entreprises pour évaluer la satisfaction des consommateurs vis-à-vis de leur marque."
Plus important encore, ces techniques peuvent être rapidement mises à l'échelle pour tirer des informations de différents dialectes et langues régionaux.

Quelle est la prochaine étape pour le traitement du langage naturel ?

Quant à l'avenir, un meilleur contrôle vocal et une meilleure reconnaissance vocale constitueront un domaine important pour le traitement du langage naturel. Alors que la reconnaissance vocale s'est considérablement améliorée au cours des dernières années, il reste encore du chemin à parcourir avant qu'elle ne soit suffisamment bonne pour être utilisée plus largement. Une partie des avancées dans ce domaine viendra avec de meilleurs modèles.

Un autre grand domaine sera l'application réussie de l'apprentissage par transfert au traitement du langage naturel. Ce n'est que l'année dernière qu'il est devenu possible d'avoir des modèles pré-formés d'apprentissage en profondeur pour l'apprentissage par transfert dans le traitement du langage naturel, ce qui est important car l'apprentissage par transfert existe depuis plus longtemps pour la vision par ordinateur. Il s'agit d'une avancée majeure, car elle permet à l'utilisateur de bénéficier du même modèle pré-formé, mais avec quelques ajustements, dans toutes sortes de tâches d'analyse de texte, de l'analyse des sentiments à la réponse aux questions.

Article de Mark Venables.