Comment le traitement du langage naturel façonne l'avenir du e-commerce

« Il ne s'agit que d'une question de temps avant que les entreprises de tous secteurs n'utilisent des technologies d'apprentissage profond comme le TALN pour extraire des insights cachés et les combiner avec leur expertise métier spécifique afin d'innover et de se différencier. »

Quelle est la technologie derrière le traitement du langage naturel ?

Simplement dit, le TALN (traitement automatique du langage naturel), ou NLP en anglais, est la technologie qui permet aux ordinateurs de comprendre et de traiter des données du monde réel.

Tout commence dans les années 1950, avec l'article d'Alan Turing « Computing Machinery and Intelligence », où il demandait : Les machines peuvent-elles penser ? Ce qu'il voulait dire : Les machines peuvent-elles penser comme les humains, donc peuvent-elles comprendre des faits et des données de la réalité humaine ?

Le TALN est une forme d'intelligence artificielle qui utilise plusieurs disciplines, comme la linguistique computationnelle, pour tenter de donner un sens structuré à la communication humaine non structurée. En un sens, il convertit les mots humains (parole et texte) en code binaire.

Il y a soixante-dix ans, les cartes perforées étaient le seul moyen pour les humains de communiquer avec un ordinateur. Aujourd'hui, les ordinateurs peuvent « comprendre » de nombreuses langues humaines, exécuter des ordres oraux ou écrits, en déduire des insights et les appliquer à l'avenir. Par exemple, si vous avez consulté un pull rouge en ligne une fois, l'ordinateur comprendra que vous aimez les pulls rouges et vous montrera tous les articles correspondant à « rouge » + « pull ».

Le TALN fonctionne en analysant les composants infinitésimaux du langage humain — ce que l'on pourrait appeler les « atomes de la communication humaine ». Ce peuvent être des mots, des expressions ou des descriptions de votre catalogue produits. Ces « atomes » sont ensuite comparés à sa propre base de données de mots et d'enregistrements, qu'il catégorise et dont il extrait le sens grâce à l'analyse sémantique — en effet, en les comprenant.

Cela signifie qu'il peut établir des connexions que les humains ne feraient pas. Aujourd'hui, avec une puissance de traitement massive disponible à moindre coût, les inférences qu'il peut faire sur les préférences individuelles sont stupéfiantes.

Pourquoi arrive-t-il sur le marché maintenant ?

Le TALN est en développement depuis de nombreuses années. Le marché au sens large ne s'y intéresse que maintenant, cependant, parce que (1) les applications réelles de cette technologie et d'autres technologies d'IA sont mieux comprises par les entreprises, et (2) nous disposons enfin de la puissance de calcul générale pour en faire quelque chose. Il ne nuit pas non plus que des entreprises comme la nôtre aient pu utiliser leur connaissance sectorielle verticale, par exemple, pour aller au-delà des modèles génériques et créer des algorithmes centrés sur l'expérience qui génèrent de vrais résultats, comme l'augmentation des conversions ou du chiffre d'affaires.

Jusqu'à récemment, très peu d'organisations en dehors du monde universitaire ou gouvernemental avaient la puissance de calcul nécessaire pour exécuter les algorithmes d'apprentissage profond requis pour comprendre et établir des corrélations à partir du texte. Grâce aux avancées récentes, non seulement nous pouvons rapidement consommer et donner du sens à de vastes quantités de données textuelles, mais nous disposons désormais également de la technologie temps réel (avec l'avènement de technologies comme Flink et Kafka) pour les traiter conjointement avec le comportement utilisateur, extraire les insights requis et répondre en temps réel avec l'action ou la décision appropriée.

Comme le note Gartner, l'avènement des données textuelles suscite un large intérêt pour une gamme d'applications avancées d'IA. L'utilisation du TALN dans le domaine de l'expérience client, par exemple, pour extraire le sentiment des messages texte et des chats, a ouvert la voie à une adoption plus large dans l'industrie et à des applications pratiques.

Dans le domaine de la personnalisation de l'expérience, nous commençons tout juste à explorer les possibilités et sommes enthousiasmés par les résultats que nous avons vus avec l'utilisation du TALN, par exemple, pour extraire des insights des descriptions de catalogue produits, des avis, des attributs et d'autres textes, et acquérir une compréhension plus profonde des produits de nos clients et de leurs relations — hypoallergénique, 100 % coton, etc.

Il ne s'agit que d'une question de temps avant que les entreprises de tous secteurs n'utilisent des technologies d'apprentissage profond comme le TALN pour extraire des insights cachés et les combiner avec leur expérience et expertise métier spécifiques afin d'innover et de se différencier.

Les organisations devraient-elles appliquer le TALN ? Pouvez-vous fournir des études de cas pratiques ?

Un secteur où nous avons clairement vu comment cela fonctionne est la vente au détail, où se trouvent bon nombre de nos clients. La mode rapide et les détaillants qui ont un fort roulement de produits ou introduisent de nouveaux catalogues entiers saisonnièrement peuvent particulièrement bénéficier de l'utilisation du TALN.

La personnalisation a traditionnellement fonctionné au mieux lorsque vous avez des tonnes de données comportementales pour chaque produit. Mais que faites-vous si une grande partie de votre catalogue est nouvelle ou de niche et ne dispose d'aucune donnée ? Jusqu'à récemment, le mieux que l'on puisse faire était de proposer des recommandations de « best-sellers » en complément.

Avec le TALN, nous pouvons en fait prendre les données textuelles — telles que la description du produit, les notes de style et de coupe, les évaluations et avis, etc. — extraire des insights sur ce produit et d'autres liés, et utiliser cette compréhension plus profonde pour fournir immédiatement des recommandations et des offres complémentaires au produit nouveau ou de niche.

C'est un changement radical pour les détaillants/marques qui introduisent régulièrement ou font tourner rapidement de nouveaux styles ou catalogues saisonniers, rendant possible la personnalisation et l'exposition des acheteurs à des produits pertinents via des offres de vente croisée dès le départ.

Quelle suite pour le TALN ?

Alors que les marques et détaillants continuent d'adopter le TALN, les cas d'usage continueront d'évoluer. Ce que nous voyons ensuite, c'est l'expansion de l'application du TALN pour inclure la prédiction de parcours, les extensions basées sur la parole, le facettage pour la recherche, et plus encore. Le TALN avec l'apprentissage profond est l'avenir du shopping e-commerce.

Réponses fournies par Raj Badarinath, VP Écosystèmes, RichRelevance