Commencez à débloquer la valeur des données avec le traitement du langage naturel
Le traitement du langage naturel offre un énorme potentiel aux organisations pour l’utilisation de données textuelles et vocales dans des applications, mais peu d’entreprises en tirent pleinement parti. Comment les entreprises peuvent-elles améliorer leur expertise en PNL ?
Le traitement du langage naturel est une branche de l’intelligence artificielle qui donne aux ordinateurs la capacité de comprendre le texte et les mots parlés. Pour ce faire, la PNL doit être capable d’analyser des mots et des phrases pour équivoquer la structure grammaticale des phrases et le sens des mots afin qu’ils puissent être compris dans leur contexte. Dans le monde des données non structurées, la PNL fait ce que font les autres traitements de données non structurées : elle tente d’imposer à la fois une structure et une signification à un flux de données non structurées.
VOIR : Kit de recrutement : Ingénieur de base de données (TechRepublic Premium)
Les responsables des données et les secteurs d’activité qu’ils soutiennent peuvent exploiter les données linguistiques de plusieurs manières, a déclaré Marco Varone, fondateur et expert en chef de la technologie chez expert.ai. L’analyse de texte est l’identification de personnes, de lieux et d’entités clés dans un texte pour établir le contexte. La découverte des connaissances est le processus d’extraction des informations clés du texte pour mieux organiser et classer les données. Le traitement intelligent des documents transforme automatiquement les données non structurées en informations exploitables pour accélérer les processus métier et les workflows.
L’un des exemples les plus réussis de la PNL est le processus de découverte légale. Lors d’une découverte juridique, les avocats doivent parcourir des centaines, voire des milliers de documents pour identifier des faits, des dates et des entités significatifs utiles à la constitution de leurs dossiers. C’est une tâche qui était autrefois effectuée à la main, et qui pouvait prendre plusieurs mois pour les litiges majeurs, mais qui peut maintenant être effectuée rapidement avec l’IA et la PNL automatisées.
D’autres applications courantes de la PNL incluent l’analyse de texte de contrat, l’analyse des sentiments de Know Your Customer, la PNL basée sur du texte pour identifier la conformité environnementale, sociale et de gouvernance et toute autre analyse de rentabilisation qui présente un besoin d’analyser et d’exploiter des données linguistiques sous forme orale ou écrite.
Étant donné que le langage sous-tend pratiquement tous les processus métier, les possibilités des technologies telles que la PNL semblent illimitées, mais les organisations ont tendance à le sous-utiliser. Pourquoi est-ce?
La raison principale est la complexité des données de langage non structurées par rapport aux données structurées, a déclaré Varone. Les données linguistiques non structurées prennent du temps à traiter et, en raison de leurs nuances, nécessitent une expertise pour être comprises. Les entreprises veulent un chemin plus rapide et plus clair vers la valeur, et les données structurées offrent cela. Ainsi, les entreprises se tournent d’abord vers les fruits à portée de main (le big data traditionnel) avant de passer à des problèmes plus complexes qui nécessitent des investissements plus importants et des approches à long terme.
Ce qui complique la mise en œuvre de la PNL pour les entreprises, c’est son besoin d’interpréter le langage humain, puis de traduire d’une manière ou d’une autre la complexité des communications humaines en un langage binaire que les ordinateurs peuvent comprendre. Ce n’est pas un processus simple.
VOIR : Microsoft Power Platform : ce que vous devez savoir à ce sujet (PDF gratuit) (TechRepublic)
Même si vous concevez un système NLP capable d’exécuter un cas d’utilisation commerciale soigneusement conçu, le NLP doit être continuellement ajusté et affiné pour améliorer les performances. Il doit également utiliser une technologie d’auto-éducation comme l’apprentissage automatique intégré qui détecte les modèles de communication répétitifs dans les séquences linguistiques, puis intègre ce qu’il a détecté et appris dans la PNL globale pour traiter le langage plus efficacement.
Il existe un bon nombre d’outils PNL disponibles pour traiter chaque étape d’un flux de travail PNL typique, mais la plupart d’entre eux (y compris les outils open source) ne peuvent pas être utilisés par les utilisateurs finaux car ils sont trop complexes, trop spécifiques et nécessitent une expérience approfondie pour atteindre des résultats minimes.
La création d’une solution NLP prête pour la production avec ces outils est un voyage long et frustrant qui n’est pas facile à reproduire, a déclaré Varone. Mais la bonne nouvelle est qu’une nouvelle génération d’outils permet désormais aux utilisateurs finaux de mettre en œuvre des solutions de bout en bout avec le même niveau d’expertise qu’un utilisateur final formé.
Ces outils automatisent une grande partie de la lecture, de la compréhension et de l’extraction de données linguistiques significatives et sont fournis dans des packages prédéfinis qui sont personnalisés pour des secteurs verticaux spécifiques tels que l’assurance, la finance, l’aérospatiale/défense, le juridique, etc.
Pour commencer, les entreprises doivent d’abord définir les cas d’utilisation métier spécifiques auxquels elles souhaitent appliquer le NLP. Si l’expérience de l’entreprise avec la PNL est limitée (et dans la plupart des cas, elle le sera), il est sage de travailler aux côtés d’un consultant-expert externe en PNL pendant que vous développez vos propres compétences.
Enfin, une équipe dédiée à la PNL doit être affectée au sein de l’entreprise qui travaille exclusivement avec la PNL et développe sa propre expertise en PNL afin qu’elle puisse finalement créer et prendre en charge des applications PNL par elle-même.
La quantité de valeur cachée dans les informations textuelles non structurées est si importante que chaque entreprise doit définir une stratégie pour transformer le langage en données de manière cohérente et évolutive, a déclaré Varone. Ce n’est pas simple, et cela demande du temps, des efforts et des investissements pour y parvenir, mais il n’est plus possible de reporter cette décision car le risque d’être laissé pour compte dans le monde numérique s’agrandit chaque jour.