3 méthodes pour ajouter de l’intelligence artificielle dans votre chatbot

Les chatbots intelligents, tout un programme. Le mythe du robot qui passe le test de Turing a la peau dure, et la majorité des professionnels du secteur ne se gênent pas pour surfer sur la vague. C’est vrai que cela fait rêver. Le traitement du langage naturel et ses différentes composantes, de la compréhension à la génération de texte, serait alors maîtrisé. Imaginez quelques minutes les interactions incroyables, 100% automatisées donc peu coûteuses en passant à l’échelle, que vous pourriez offrir à vos prospects et clients.

Le graal du marketeur est en marche, les chatbots basés sur l’intelligence artificielle sont nés. Mais comment essayer de simuler au mieux des interactions fines avec un petit programme informatique ? Il existe de nombreuses méthodes, voici celles qui sont les plus répandues sur le marché actuel.

1/ Des chatbots tournés vers les mots-clés

La toute première étape de la compréhension du langage naturel est de détecter des mots clés. Ou une suite de quelques mots clés. A chaque mot clé correspond une action, une façon de répondre ou de faire avancer le scénario. Les outils disponibles en ligne, souvent en freemium, fonctionnent la plupart du temps sur ce modèle. Si l’objectif de votre chatbot est très simple et/ou bien cadré dès le départ, cela peut suffire. Mais si vous ouvrez la porte à la saisie de texte par l’utilisateur et que votre liste de scénario n’est pas suffisante, vous courrez vers de graves soucis.

L’exemple un peu bête que l’on voit trop souvent ? La gestion des “bonjour”, “merci” ou “au revoir”. Dans de nombreux tests de chatbots pourtant mis en ligne et utilisés par le public, la saisie d’un simple “merci” peut entraîner une réponse du type “désolé, je n’ai pas compris votre demande”. Dommage. Et pas très sérieux.

Les conseils de base si vous utilisez cette méthode :

  • Inspirez vous de la façon de parler de vos utilisateurs dans les échanges que vous avez avec eux sur d’autres canaux (email ou réseaux sociaux par exemple).
  • Dressez une liste complète des mots clés importants qui correspondent aux étapes de votre arbre de conversation.
  • Prévoyez les petites conversations usuelles de début et fin de conversation ainsi que les remerciements/insultes.

2/ Construisez un modèle d’intentions

Quand on veut aller au delà du mot clé, il faut passer à la détection d’intention. Cela paraît assez évident si vous vous intéressez un peu au langage et à la conversation, un même mot clé peut intervenir dans des phrases qui n’ont aucun rapport. Si vous êtes dans la banque et que vous déclenchez une action en reconnaissant le mot clé “carte bancaire”, le champ des possibles est très vaste, il vous faudra poser plusieurs questions pour faire préciser la demande de l’utilisateur. Comment voulez-vous faire la différence entre : “aidez moi j’ai perdu ma carte bancaire”, “comment faire opposition sur ma carte bancaire ?”, “combien coûte une carte bancaire ?”, “quelle assurance j’ai avec ma carte bancaire ?” etc… ?

Plutôt qu’un mot clé il faut donc plutôt détecter l’intention de l’utilisateur, son besoin précis et concret. Pour cela il faut se mettre dans la peau du client et imaginez les dizaines de façon de formuler une intention donnée. On entre ensuite ces dizaines de formulations différentes dans son outil de compréhension du langage naturel pour l’entraîner. Il sera ensuite capable de détecter l’intention dans une phrase qu’il jugera similaire avec un score de confiance suffisant. Ce sont des mathématiques, ce n’est pas infaillible, mais cela fonctionne plutôt bien aujourd’hui.

Les conseils de base si vous utilisez cette méthode :

  • Penchez vous sur les historiques de discussion avec un chat “humain”
  • Analysez le parcours de visite de votre site web ou de votre application mobile
  • Décomposez le plus précisément possible les intentions pour ne pas vous perdre en chemin

3/ Optez pour la linguistique

La méthode avec détection d’intention est aujourd’hui la plus courante dans le paysage chatbot, notamment autour du machine learning qui fonctionne aujourd’hui plutôt bien dans des cas bien délimités. Mais des alternatives existent pour contourner les limites d’un modèle mathématique pas toujours fiable et qui ne comprend pas le sens de ce qu’il analyse. Pour cela il faut aller voir du côté de l’intelligence artificielle symbolique, celle qui se concentre sur les concepts et le raisonnement humain.

Dans le cas de la compréhension du langage naturel, le français Golem.ai propose une brique de reconnaissance de langage naturel à contre courant des plateformes gavées au machine learning. Plutôt que d’essayer de faire des rapprochements entre les lettres et les mots d’un corpus connu et la phrase que l’on tente d’analyser, la méthode linguistique s’intéresse au sens des mots entre eux. C’est la promesse de Golem.ai. Une méthode qui se veut simple à implémenter pour le langage de base, et qui mérite d’être musclée pour chaque secteur et chaque métier avec le vocabulaire technique associé.

Les conseils de base si vous utilisez cette méthode :

De la trop simple (et simpliste) analyse de mot clé, à l’entraînement de modèles statistiques compliqués, il existe de nombreuses options pour muscler son chatbot avec des briques dites “intelligentes”.

Trouvez celle qui sera bien dimensionnée pour répondre à la difficulté de votre métier et de votre cas d’usage.

Pour aller plus loin, n’oubliez pas le livre blanc !

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>