Traitement du langage naturel : donner du pouvoir aux processus numériques avec une voix intelligente

Le plus grand changement dans le traitement du langage naturel au cours des dix dernières années a été le passage de la reconnaissance de motifs traditionnelle dans les mots vers des approches d'apprentissage automatique et profond.

Le traitement du langage naturel (TALN) permet aux ordinateurs de lire du texte, d'entendre de 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.

« Le TALN est important car il aide à résoudre l'ambiguïté dans le 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 », dit Kayne Putman, consultant en analytique chez SAS UK & Irlande. « Cela signifie qu'il peut être appliqué dans une grande variété de cas d'usage métier tels que l'analyse de fraude et de risque ou l'extraction d'insights sur le comportement client. Fondamentalement, il est essentiel d'avoir une bonne analytique de données en place et de savoir ce que vous voulez atteindre avant d'introduire le TALN 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 le passage de la reconnaissance de motifs traditionnelle dans les mots vers des approches d'apprentissage automatique et profond. Il y a eu des avancées récentes en termes de la technique d'« embedding de mots » qui permet d'attribuer un certain degré de sens sémantique à des mots individuels, ou des groupes de mots.

« Le résultat est un vecteur numérique à haute dimensionnalité qui permet un entraînement de modèle et une analyse supplémentaires », dit Jos Martin, responsable senior de l'ingénierie chez MathWorks. « Une fois qu'une partie du sens sémantique a été transférée dans l'espace numérique, de nombreuses autres techniques d'apprentissage profond récemment développées deviennent disponibles pour les concepteurs de systèmes TALN. »

Par exemple, de nombreux systèmes ont profité des types de réseaux de neurones récurrents à mémoire à court et long terme (LSTM), utiles pour en apprendre davantage sur les relations entre les mots dans les phrases, paragraphes et autres blocs linguistiques. Ces types de réseaux permettent au concepteur de prédire quel pourrait être le prochain mot dans une séquence ou d'attribuer des probabilités aux prochains mots.

Plus qu'un simple chatbot

Dans le traitement du langage naturel traditionnel, les mots n'étaient que des mots — des phrases quelque peu dépourvues de sens, manquant du sens établi par le contexte plus large. C'est ainsi que nous classerions typiquement un chatbot, qui est limité par les informations qui lui sont fournies en temps réel.

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

Par exemple, comprendre que le mot « contrat » a un sens très différent dans un contexte juridique que dans un film de gangsters. Contrairement à un chatbot qui comprend juste un flux unique d'informations et de langage, cela permet une conversation multi-facettes qui est adaptée selon le contexte requis, en plus du type de langage utilisé.

Selon Toll, le TALN avancé est un facilitateur. « En fait, la plupart des développements d'IA et innovations numériques incluent une forme d'automatisation intelligente des processus (IPA), McKinsey estimant que 50 à 70 pour cent des tâches dans les entreprises sont automatisées », ajoute-t-il. « C'est cette automatisation, facilitée par le TALN, qui permet le développement de nouvelles applications d'IA, permettant aux organisations de sourcer, organiser et identifier avec précision de vastes quantités d'informations précieuses. »

Augmenter l'expérience client

Avec la croissance du e-commerce et l'expansion du marché mondial, plus de consommateurs font des achats en ligne que jamais. Pour répondre à cette demande croissante, les organisations adoptent une combinaison de technologies de nouvelle génération, y compris le TALN, pour augmenter leur expérience client, améliorer la réputation de la marque et stimuler les ventes. Une recherche menée par Aspect a révélé que 92 pour cent des répondants reconnaissent la valeur du traitement du langage naturel dans le service client moderne.

« Une exigence clé pour toute organisation tournée vers l'avenir est d'offrir une expérience omnicanale 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 », explique Stephen Ball, VP senior Europe & Afrique chez Aspect. « Les véritables récompenses du libre-service automatisé ne peuvent être récoltées que si les organisations mettent en œuvre ces nouvelles technologies correctement, et acquérir une compréhension complète de la technologie de traitement du langage naturel (TALN) est la clé de cela.

« Il est extrêmement important de réaliser que l'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, sont assez avancées pour répondre aux demandes complexes et changeantes du client moderne. Pour y parvenir, il est crucial que les entreprises offrent une formation TALN et technologique pour perfectionner le personnel ainsi que travailler avec des partenaires externes pour acquérir cette expérience IA pertinente à court et moyen terme. »

Ajouter de l'émotion au traitement du langage naturel

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

L'Analyse d'Émotion est une forme de traitement du langage naturel qui cherche à déterminer les émotions de l'auteur à partir du 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 hotline pourrait adapter ses conseils et son langage pour mieux répondre aux besoins d'un client, sans que l'appelant n'ait jamais à explicitement exprimer son niveau de frustration », commente Sally Epstein, ingénieure en apprentissage automatique, Cambridge Consultants.

Un domaine d'innovation plus large est l'Analyse de Sentiment, utilisée pour déterminer si une portion de texte libre est positive, neutre ou négative. « En utilisant l'Analyse de Sentiment, il est possible de rechercher efficacement d'énormes quantités de documents textuels, de publications sur les réseaux sociaux ou d'avis de produits pour extraire des tendances significatives », ajoute Epstein. « Cette information est déjà utilisée par les entreprises pour évaluer la satisfaction des consommateurs pour leur marque. » Plus important encore, ces techniques peuvent être rapidement mises à l'échelle pour tirer des insights de différents dialectes et langues régionaux.

Quelle suite pour le traitement du langage naturel ?

Quant à l'avenir, un meilleur contrôle vocal et la reconnaissance vocale seront un grand domaine pour le traitement du langage naturel. Bien que la reconnaissance vocale se soit considérablement améliorée au cours des dernières années, il reste encore du chemin avant qu'elle ne soit assez 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 dans la dernière année qu'il est devenu possible d'avoir des modèles pré-entraînés d'apprentissage profond pour l'apprentissage par transfert en traitement du langage naturel, ce qui est significatif car l'apprentissage par transfert existe depuis plus longtemps pour la vision par ordinateur. C'est une percée énorme car cela permet à l'utilisateur de bénéficier du même modèle pré-entraîné, bien qu'avec quelques ajustements, dans toutes sortes de tâches d'analyse de texte — de l'analyse de sentiment aux questions-réponses.

Article de Mark Venables.