Utilisation du traitement du langage naturel pour découvrir des informations précieuses sur les données textuelles – insideBIGDATA

Dans ce reportage spécial, Ryan Welsh, co-fondateur et PDG de Kyndi, explique comment les organisations tirent parti des dernières techniques de traitement du langage naturel pour permettre une compréhension sophistiquée du langage naturel. Ryan a lancé Kyndi en 2014 avec la vision de créer un monde où l’IA permettrait aux humains de faire leur travail le plus significatif. Sous sa direction, Kyndi a créé la catégorie d’activation du langage naturel, offrant une puissante plate-forme d’activation du langage naturel et des solutions compatibles avec le langage naturel. Ryan est titulaire d’un BA en anthropologie de l’Université catholique d’Amérique, d’une maîtrise en mathématiques appliquées/économie de l’Université Rutgers et d’un MBA de l’Université de Notre Dame.

Selon Deloitte, jusqu’à 80 % de toutes les informations sont cachées dans des données textuelles non structurées hébergées dans divers systèmes à l’intérieur et à l’extérieur des entreprises. De nombreuses organisations ont du mal à extraire des informations pertinentes lorsqu’elles recherchent des réponses dans des données textuelles, principalement parce que les outils de recherche qu’elles utilisent ne sont pas conçus pour traiter efficacement et efficacement des données non structurées.

Le travail à distance et hybride a exacerbé la douleur des résultats de recherche insatisfaisants, car de nombreux employés travaillent depuis leur propre emplacement et accèdent aux informations à des heures différentes, ce qui fait du partage d’informations au sein d’une organisation un défi majeur. Vous ne pouvez pas simplement contacter votre collègue assis à côté de vous pour obtenir des réponses chaque fois que vous le jugez nécessaire. Au lieu de cela, les employés se tournent habituellement vers des outils de recherche par mots-clés pour trouver des informations pertinentes.

En utilisant ces outils inadéquats, les employés passent plus de temps (jusqu’à 3,6 heures par jour/938 heures par an) à rechercher des informations maintenant qu’ils ne le faisaient avant la pandémie, en particulier avec des données textuelles telles que des documents et des messages. Les outils de recherche conventionnels ne sont pas équipés pour résoudre ce problème car ils sont conçus pour rechercher des mots-clés dans des données structurées, une technique qui n’est pas conçue pour trouver efficacement les bonnes réponses dans des données textuelles.

Alors, comment une entreprise peut-elle remédier à cette mauvaise expérience de recherche et obtenir rapidement les bonnes réponses à ses employés et clients lorsqu’ils recherchent des informations cachées dans des données textuelles non structurées ? Comment change-t-il son approche de recherche pour la rendre plus que axée sur les mots clés, afin que chacun puisse poser des questions en utilisant ses propres expressions ? Après tout, sans accès à toutes les informations commerciales importantes qui ont été collectées et stockées dans différents formats, le succès à long terme de l’entreprise peut éventuellement être menacé.

La recherche par mot-clé a de nombreuses limites

Avec n’importe quel moteur de recherche traditionnel, vous saisissez des mots clés et le moteur ne renvoie des résultats que s’ils contiennent les mots exacts. Lorsqu’ils sont utilisés pour rechercher des données textuelles non structurées, les utilisateurs doivent lire attentivement plusieurs résultats afin de trouver la réponse à la question, car ils ne sont pas dirigés directement vers les phrases contenant la réponse. Ces moteurs de recherche de mots-clés effectuent une correspondance de jetons lorsque ce qui est nécessaire est un moteur de recherche qui comprend la signification contextuelle de la langue.

C’est là que la recherche en langage naturel entre en jeu. Si votre entreprise n’a pas encore activé le traitement du langage naturel (NLP) pour rechercher votre contenu, permettre des expériences client en libre-service ou accélérer la découverte d’informations sur le marché, vous êtes en retard. La PNL est une tendance claire en 2022 et au-delà. Il s’agit d’une technologie prometteuse qui peut générer des résultats révolutionnaires pour les recherches textuelles, car elle utilise des techniques d’IA sophistiquées plutôt qu’une simple correspondance de mots clés.

Recherche en langage naturel : la clé pour fournir de meilleures réponses

La recherche en langage naturel est une approche de recherche avancée qui utilise des techniques d’intelligence artificielle pour interpréter avec précision une question exprimée en langage naturel complet et ramener les réponses les plus pertinentes sur la base de cette compréhension approfondie de la question et des données sous-jacentes. Avec la recherche en langage naturel, vous pouvez poser une question en utilisant vos propres mots, comme si vous posiez la question à une autre personne, et vous attendre à des réponses très précises et contextuelles en retour – plus de recherches infructueuses.

En revanche, avec la recherche par mot-clé traditionnelle, les utilisateurs doivent choisir des mots et une syntaxe spécifiques pour poser leurs questions, et le moteur de recherche récupère des documents ou des données qui peuvent ou non être utiles à l’utilisateur.

La recherche en langage naturel nécessite la compréhension du langage naturel (NLU), une branche de l’intelligence artificielle qui enseigne aux ordinateurs à comprendre le langage. NLU est une composante majeure de l’interaction homme-ordinateur, un domaine multidisciplinaire axé sur l’interaction des humains et des ordinateurs. La compréhension de la langue rend l’expérience de recherche plus conviviale. Actuellement, la principale application de NLU est de créer des bots activés par le chat et la voix qui peuvent interagir avec le public sans assistance humaine.

De nombreuses entreprises, telles qu’Amazon, Apple, Google et Microsoft, ainsi que des startups ont des projets NLU en cours. Mais NLU est de plus en plus utilisé dans les cas d’utilisation de la recherche en langage naturel, s’avérant être un outil précieux pour permettre à davantage d’utilisateurs professionnels de trouver rapidement et facilement des informations significatives lorsqu’ils recherchent des réponses dans des données textuelles.

En plus de NLU, une solution de recherche en langage naturel doit également fournir des fonctionnalités essentielles, telles que l’analyse de la recherche, un réglage et une optimisation simples et rapides, l’analyse comparative et la surveillance des modèles, et la création d’un pipeline de données continu. Les mesures de sécurité des données d’entreprise doivent également faire partie du processus.

Le langage a trois propriétés principales : la syntaxe, la sémantique et la pragmatique. Il a une structure syntaxique, la sémantique fournit le sens apparent et la pragmatique est la façon dont le contexte contribue au sens. Les systèmes sophistiqués d’apprentissage automatique et d’IA comprennent mieux les trois propriétés du langage. Dans les moteurs de recherche par mots-clés, tout cela fait cruellement défaut.

Comment les entreprises peuvent-elles utiliser la PNL pour générer un impact ?

Les cas d’utilisation populaires de la recherche en langage naturel incluent la mise en œuvre d’une recherche en libre-service pour les clients et les agents de support afin d’optimiser l’expérience client tout en améliorant l’efficacité du support, et l’accélération de la recherche de politiques et de procédures pour répondre aux exigences de conformité et minimiser les risques. Un autre consiste à obtenir des informations précises et plus approfondies sur le marché pour la recherche concurrentielle (pour les équipes et les chercheurs en intelligence de marché) afin de développer des stratégies commerciales gagnantes.

Ce n’est que lorsqu’une entreprise se transforme en une entreprise compatible avec le langage naturel qu’elle peut s’engager sur une voie meilleure et plus prometteuse pour développer son activité.

Inscrivez-vous à la newsletter gratuite d’insideBIGDATA.

Rejoignez-nous sur Twitter : https://twitter.com/InsideBigData1

Rejoignez-nous sur LinkedIn : https://www.linkedin.com/company/insidebigdata/

Rejoignez-nous sur Facebook : https://www.facebook.com/insideBIGDATANOW