Le traitement du langage naturel façonne l’automatisation intelligente

Cet article a été rédigé par Pascal Bornet et Rachael Churchill. Le contenu de cet article est inspiré du livre de Pascals Intelligent Automation.

Le traitement du langage naturel est le nom généralement donné à la capacité des ordinateurs à effectuer des tâches linguistiques, bien qu’en pratique, il ne se limite pas au traitement du langage (compréhension du texte et de la parole), mais inclut également la génération du langage (création de texte et de parole).

Le traitement du langage naturel (NLP) est un composant de l’automatisation intelligente, un ensemble de technologies connexes qui permettent aux ordinateurs d’automatiser le travail des connaissances et d’augmenter la productivité des personnes qui travaillent avec leur esprit. Les autres composants de l’automatisation intelligente sont la vision par ordinateur (interprétation d’images et de vidéos, comme dans les voitures autonomes ou les diagnostics médicaux), la réflexion et l’apprentissage (par exemple, l’évolution des stratégies et la prise de décisions basées sur des données) et l’exécution (l’interaction avec le monde physique ou avec des logiciels existants, et enchaînant les autres capacités ensemble dans des pipelines automatisés).

Vous trouverez ci-dessous quelques applications de traitement du langage naturel qui sont déployées aujourd’hui et comment elles peuvent aider votre entreprise.

Technologies de traitement du langage naturel

Chatbots et agents cognitifs

Les chatbots et les agents cognitifs sont utilisés pour répondre aux questions, rechercher des informations ou planifier des rendez-vous, sans avoir besoin d’un agent humain dans la boucle.

Les chatbots simples peuvent être programmés avec un ensemble de règles de base (si l’utilisateur dit X, vous dites Y) ; les chatbots ou agents cognitifs plus avancés utilisent l’apprentissage en profondeur pour apprendre des conversations et s’améliorer, et peuvent être confondus avec des humains.

De nombreux chatbots sont basés sur du texte et interagissent avec les utilisateurs via la messagerie instantanée ou les SMS, mais certains utilisent la voix et même la vidéo. Des exemples notables sont le chatbot Jamie d’ANZ Banks, qui guide les clients à travers les services bancaires, et Google Duplex, qui peut passer des appels téléphoniques pour réserver des rendez-vous chez le coiffeur ou des tables de restaurant, même parler à des réceptionnistes sans méfiance qui ne savent pas que c’est un bot.

Gestion de l’information non structurée

Les plates-formes de gestion des informations non structurées (UIM) sont utilisées pour traiter de grandes quantités de données non structurées et en extraire le sens sans avoir besoin de nombreuses requêtes manuelles de recherche de mots clés, qui prennent du temps et sont sujettes aux erreurs. Ils sont un élément essentiel du traitement du langage naturel et traitent des documents non structurés tels que des articles de revues, des brevets, des contrats et des dossiers médicaux, et créent une base de connaissances structurée et consultable. Ils peuvent également classer les données et rechercher des clusters et des tendances au sein de celles-ci.

Analyse des sentiments

L’analyse des sentiments utilise le traitement du langage naturel pour extraire des sentiments, tels que l’approbation ou la désapprobation d’une marque, à partir de textes non structurés tels que des tweets.

Analyse de la parole

L’analyse de la parole est un composant du traitement du langage naturel qui combine l’UIM avec l’analyse des sentiments. Il est utilisé par les centres d’appels pour transformer les conversations textuelles et les transcriptions de conversations téléphoniques en données structurées et les analyser à l’aide de l’analyse des sentiments. Tout cela peut être fait en temps réel, en donnant aux agents du centre d’appels des commentaires et des suggestions en direct pendant un appel, et en alertant un responsable si le client n’est pas satisfait.

Traduction automatique

La traduction automatique est une application extrêmement puissante de la PNL. Actuellement, il n’est généralement pas assez puissant pour produire des traductions entièrement grammaticales et idiomatiques, mais il peut vous donner l’essentiel d’une page Web ou d’un e-mail dans une langue que vous ne parlez pas. Chaque jour, 500 millions de personnes utilisent Google Traduction pour les aider à comprendre du texte dans plus de 100 langues.

Classement des informations

La classification ou la catégorisation des informations est utilisée, entre autres, pour le filtrage du spam. Il fonctionne en utilisant le même type de modèle d’apprentissage automatique qui est utilisé pour classer les rayons X et autres images médicales en sains et malades, ou utilisé par les voitures autonomes pour décider si quelque chose est un panneau d’arrêt. Plutôt que d’être programmé avec des règles explicites, l’ordinateur reçoit une grande quantité de données d’apprentissage sous la forme d’e-mails indésirables connus et d’e-mails légitimes connus, et il en extrait ses propres règles fondées sur des preuves pour classer les nouveaux e-mails.

Composants du traitement du langage naturel qui peuvent aider votre entreprise

Chatbots et agents cognitifs

Les chatbots et les agents cognitifs peuvent améliorer vos résultats en remplaçant le personnel du centre d’appels pour les requêtes simples des clients et en augmentant les agents humains du centre d’appels pour les requêtes plus complexes, vous permettant d’élargir votre clientèle et votre part de marché et d’améliorer la satisfaction de vos clients sans avoir besoin d’employer et de former plus d’agents.

Gestion de l’information non structurée

Les plateformes de gestion d’informations non structurées vous permettent d’automatiser de nombreux travaux de recherche : par exemple, les avocats peuvent les utiliser pour exécuter des requêtes intelligentes sur les brevets ou la jurisprudence existants, et les chercheurs en médecine peuvent les utiliser dans la découverte de médicaments ou rechercher des interactions génétiques pertinentes dans la littérature. . Plutôt que de passer du temps à parcourir des tonnes de documents, un chercheur humain peut rapidement examiner les suggestions et les informations fournies par la plate-forme UIM, les rendant globalement plus productives et libérant leur temps et leur énergie mentale pour les aspects les plus créatifs et de haut niveau de la travail.

Analyse des sentiments

Vous pouvez utiliser l’analyse des sentiments pour effectuer une surveillance automatique en temps réel des réactions des consommateurs à votre marque, en particulier en réponse à un nouveau lancement de produit ou à une campagne publicitaire, ce qui vous aidera à adapter vos futurs produits et services en conséquence. Il peut également vous alerter automatiquement de toute éruption de critiques ou de négativité à propos de votre marque sur les réseaux sociaux, sans qu’il soit nécessaire que du personnel humain surveille activement les canaux 24h/24 et 7j/7, afin que vous puissiez réagir à temps pour éviter une crise de relations publiques.

Analyse de la parole

L’analyse de la parole peut augmenter les compétences du personnel de votre centre d’appels, améliorant ainsi la satisfaction des clients sans les dépenses et le coût d’opportunité d’une formation supplémentaire. Vous pouvez également utiliser l’analyse vocale pour détecter les modèles de conversation qui mènent à des ventes réussies, ou des opportunités de ventes croisées ou de ventes incitatives en fonction du comportement des clients. Cela peut aider à élever les agents de télévente médiocres au rang de vendeurs vedettes, leur permettant de partager et de déployer les talents de leurs collègues plus qualifiés, ce qui a un impact significatif sur votre chiffre d’affaires sans aucune dépense de recrutement ou de formation.

Traduction automatique

La traduction automatique peut vous permettre de lire des articles pertinents que vos concurrents n’auraient peut-être pas vus s’ils étaient publiés dans une langue minoritaire, de partager des connaissances au niveau international au sein de votre entreprise et de communiquer avec des collègues ou des fournisseurs internationaux sans les frais généraux d’un traducteur humain (bien que pour communiquer avec les clients, il peut toujours être conseillé d’en employer un afin de faire bonne impression).

Classement des informations

La classification de l’information a une variété d’applications utiles. En plus de vous faire gagner du temps et de vous faire gagner du temps en filtrant le spam, cette technologie peut être utilisée pour automatiser les tâches de classification spécifiques à un domaine. Par exemple, il pourrait catégoriser et étiqueter les produits dans un catalogue, ce qui permet aux clients de les parcourir et de les acheter plus facilement ; ou il pourrait filtrer les publications sur les réseaux sociaux pour les discours de haine, atténuant les risques juridiques et de réputation sans avoir besoin d’une grande équipe de modérateurs humains ; ou il peut catégoriser les tickets d’assistance et les transmettre automatiquement à la bonne personne, ce qui permet d’économiser des efforts manuels et d’améliorer les temps de réponse globaux.

Traitement automatique du langage naturel : une étude de cas

Ceci est un exemple tiré de ma propre expérience des avantages de l’utilisation d’agents cognitifs pour améliorer la satisfaction des clients et réduire le roulement du personnel.

Une chaîne hôtelière employait une équipe de 240 agents du service client pour gérer plus de 20 000 interactions clients par jour, y compris les appels téléphoniques, les e-mails et les réseaux sociaux. Le moral des équipes était bas en raison de la pression et de la charge de travail élevées, et le roulement du personnel était de 40 %. Cela a eu un effet d’entraînement sur la qualité du service client, qui a été évaluée à moins de cinq sur 10.

L’entreprise a déployé un agent cognitif omnicanal pour interagir avec les clients via les e-mails, les réseaux sociaux et les appels vocaux. L’agent cognitif a été conçu pour ressembler et se comporter de la même manière que les agents humains, et a utilisé l’apprentissage automatique pour s’améliorer et apprendre de ses conversations précédentes. Il pourrait également reconnaître les utilisateurs sur la base d’informations biométriques, telles que la reconnaissance vocale ou faciale, et il pourrait traiter de manière autonome les changements dans les systèmes.

Après trois mois, le taux de satisfaction client était passé de cinq sur 10 à neuf sur 10, le roulement du personnel avait diminué de plus de 70 % et les membres de l’équipe humaine étaient moins sous pression et pouvaient se concentrer sur des valeurs plus complexes et plus élevées. -ajouter des interactions nécessitant de plus grandes compétences relationnelles.

Le langage est la façon dont les humains communiquent naturellement, donc les interfaces informatiques qui peuvent comprendre le langage naturel sont plus puissantes et plus faciles à utiliser que celles qui nécessitent de cliquer sur des boutons, de taper des commandes ou d’apprendre à programmer, et il est important de comprendre les composants du traitement du langage naturel. Les interfaces en langage naturel sont la prochaine étape dans l’évolution de l’interaction homme-machine, des simples outils aux machines capables de processus événementiels et automatisés, conduisant potentiellement même à une sorte de symbiose entre les humains et les machines.

Cet article a été rédigé par Pascal Bornet et Rachael Churchill. Le contenu de cet article est inspiré du livre de Pascals sur Amazon, Intelligent Automation.