Ouvrons le dictionnaire des agents conversationnels
Terminologie linguistique
Analyse sémantique : L'analyse sémantique consiste à décortiquer un énoncé (mots-clés, expressions, contextes et cotextes gauches et droits) dans son ensemble pour en relever l’intention correspondante.
Data Mining : Le terme de Data Mining, aussi appelé fouille de données en français, a pour but d’extraire des données utiles et réutilisables selon des modèles précis issus de données structurées ou non et en grande quantité (Big Data).
Deep Learning : Le Deep Learning (apprentissage profond) est étroitement lié au Machine Learning. Aussi basée sur le cerveau humain et le Big Data, cette méthode, à l’inverse du Machine Learning, touche des données qui ne sont pas nécessairement structurées telles que le son, la parole, un texte, une image, une vidéo. Par ailleurs, il utilise la technique des réseaux de neurones, artificiels et profonds.
Désambiguïsation lexicale : La désambiguïsation lexicale intervient lorsqu’un énoncé contient un lexème (ou mot) ou plusieurs lexèmes considérés comme ambigus. Elle sert alors à lever cette ambiguïté. Par exemple, dans la phrase « La petite brise la glace », nous trouvons deux interprétations possibles : “Brise” peut être un verbe ou un nom. La catégorie syntaxique change. Alors, en fonction du contexte, il sera important, pour bien comprendre les intentions des utilisateurs, de saisir la bonne composition d’un énoncé.
Escalade Humain : Selon les étapes de l’arbre de décision, il est possible d’inclure une escalade vers l’humain. Le message, parce que trop délicat, complexe, ou nécessitant davantage d’explications, sera envoyé directement à un agent réel. Il prendra alors le relais sur l’assistant conversationnel et sera en contact direct avec l’utilisateur.
IA : La notion d’Intelligence Artificielle remonte aux années 1950 lorsque le mathématicien Alan Turing, dans son livre Computing Machinery and Intelligence, l’évoque pour la première fois. Selon lui, l’Intelligence Artificielle est le résultat de l’utilisation de plusieurs techniques (notamment le Traitement Automatique du Langage Naturel grâce aux Machine Learning et Deep Learning) dans le but de fournir aux machines une forme d’intelligence, telle que celle dont est dotée l’être humain c’est-à-dire la représentation de données abstraites mais aussi la dotation de sentiments.
Ingénieur(e) Linguiste : L’ingénieur(e) linguiste fait le pont entre linguistique et informatique. Pour cela, il/elle modélise le langage naturel afin d’être compris par le chatbot (intentions, mots-clés, etc.). Il/elle a pour missions d'entraîner le chatbot et de le suivre quotidiennement afin d’en améliorer les performances. Il peut aussi ajouter, modifier ou enlever des intentions.
Lexique : Le lexique spécifique aux chatbots se résume au(x) domaine(s) qu’ils couvrent et à une ou des langue(s) choisie(s). Il regroupe l’ensemble des mots et expressions d’un univers.
Machine Learning : Le Machine Learning, ou apprentissage automatique en français (nous pouvons aussi trouver apprentissage artificiel ou apprentissage statistique dans certains cas d’usage). Cette méthode vise à fournir à un programme des données en grand nombre (Big Data) à la fois mathématiques et statistiques. Ces données sont structurées, quantifiables et on peut les extraire pour les analyser et les réutiliser.
Message d’accueil : Le message d’accueil est le message affiché dès le démarrage du chatbot. Ce message contient généralement une salutation et une aide sur les thématiques (intentions) que l’utilisateur peut demander au chatbot.
Mots-clés : Les mots-clés relèvent des entités et des éléments. Les entités et entités nommées regroupent l’ensemble des administrations et structures de la ville comme la déchetterie, la mairie, les associations, les commerces, la poste, entre autres. Les éléments viennent compléter les entités nommées : l’adresse des structures, leurs horaires d’ouvertures.
Pour la mairie, nous pouvons trouver les termes “commune”, “conseil municipal”, “administration”, “maire”.
Les réponses données par le chatbot prennent en compte le couple entité et éléments. Dans la phrase “Quels sont les horaires de la mairie demain ?”, nous trouvons l’entité “mairie” et les éléments “horaires” et “demain”. Le chatbot reprend chaque mot-clé dans sa réponse.
NLP : Le Natural Language Processing ou Traitement Automatique des Langues (TAL) vise à produire des modèles de compréhension de la langue automatisés, capables d’être effectués par des machines. Les chatbots utilisent le Natural Language Understanding, sous-domaine du NLP afin d'extraire mots-clés et intentions des verbatims utilisateurs.
Paraphrase : Les paraphrases permettent aux chatbots de repérer le maximum d’utterances reliées, grâce aux mêmes mots-clés, à une même intention.
Saisie Libre : La saisie libre ou verbatim correspond au message envoyé par un utilisateur au chatbot en langage naturel sous forme de suite de mots (ou un seul mot).
TAL : Le Traitement Automatique des Langues étudie le langage dit naturel en opposition au langage informatique, tiré des mathématiques. Il nous permet d’effectuer de la traduction automatique mais aussi de l’extraction d’informations comme la reconnaissance d’entités nommées (REN), le text mining ou data mining, l’opinion mining et le sentiment analysis. Et il est aussi utilisé pour mettre au point des agents conversationnels, projets se tournant vers l’Intelligence Artificielle.
Utilisateur : Un utilisateur est la personne qui ouvre la chatbox et vient par la suite échanger (ou non) avec l’assistant en posant des questions ou en suivant une recommandation.
Utterance : Une utterance est l’énoncé produit par un utilisateur et envoyé au chatbot. C’est à partir de ce dernier qu’est trouvé les mots-clés et par conséquent les intentions.
Variable Utilisateur : Dès lors qu’un chatbot est présent sur un réseau, comme Facebook Messenger, certaines données utilisateurs peuvent être trouvées sur le profil de ces derniers, par exemple son nom (ou pseudo). Mais, il peut aussi s’agir des données renseignées directement par l’utilisateur lors des ses échanges avec l’assistant comme son pays de résidence.
Terminologie technique du chatbot
Algorithme : Pour apprendre, les chatbots utilisent des algorithmes. Ce sont des algorithmes de deep learning qui leur permettent de trouver des intentions, mots-clés et les accompagnent lors des apprentissages ou entraînements.
API : Une API ou Application Programming Interface est une interface de programmation d’application permettant de recevoir et aussi d’envoyer des données. Elle sert d’intermédiaire entre deux applications : pour les chatbots il s’agira de recevoir les demandes utilisateurs et de leur renvoyer une réponse.
Agent Conversationnel : Un agent conversationnel est un agent virtuel (chatbot, ou encore assistant conversationnel) qui utilise l’intelligence artificielle, plus ou moins poussée, pour échanger avec un utilisateur sur un domaine donné. Nous pouvons préciser plusieurs types d’assistants, selon la tâche qui leur est confiée. Les chatbots répondent de manière écrite aux demandes des utilisateurs. Les callbots, quant à eux, répondent aux appels téléphoniques. Enfin, les assistants vocaux, aussi appelés voicebots comme Siri ou Alexa, sont dédiés à la communication orale. Ils sont un outil performant permettant de libérer du temps pour les vendeurs et les agents dédiés à la relation client sur des aspects redondants de leur quotidien.
Arborescence : Un arbre de décision permet d’écrire des scénarios prédéfinis. L'utilisateur, selon les choix qu’il fera, sera orienté par rapport à cet arbre. A chaque étape de l’arbre, les choix proposés sont limités.
Avatar : L'avatar ou personnage totémique correspond au visuel du chatbot et est utile afin que les utilisateurs se sentent accompagnés au mieux dans leur expérience.
Back Office : Le back office est l’interface dédiée aux personnes travaillant sur les projets chatbots. Il contient les paramètres du chatbot, les entraînements, la base de connaissance du bot et les droits donnés à chacun.
Base de Connaissances : La base de connaissances du chatbot contient plusieurs points : les intentions classées, les utterances correspondantes servant à entraîner le chabot ainsi que chaque réponse(s) apportée(s) à une intention spécifique.
Canal : Un canal est l’endroit - les endroits où le chatbot est déployé. Cela peut être sur un site Internet, sur Facebook Messenger, Whatsapp ou autres réseaux sociaux. L’avantage d’un chatbot est qu’il peut être omnicanal.
Carousel : Les carrousels incluent des boutons cliquables contenant des images.
Chatbox : Lorsqu’un utilisateur lance une conversation avec le chatbot (notamment en cliquant sur son avatar), cela ouvre une boîte de dialogue appelée alors chatbox et contenant l’historique des échanges.
Confusion : A l’inverse du taux de performance, la confusion désigne les messages mal reconnus par le chatbot, qui se trompe alors d’intention. Un entraînement supplémentaire permet de corriger ces erreurs.
Intentions : Derrière une intention se cache un besoin. Chacun peut exprimer ce besoin différemment. On pourra alors trouver :
- Je cherche les horaires de la mairie (verbatim) : Horaires mairie (intention)
- Pouvez-vous me communiquer les horaires de la mairie ? (verbatim) : Horaires mairie (intention)
Matching : Un matching intervient lorsque la demande utilisateur trouve une similarité étroite avec les requêtes déjà présentes dans la base de connaissance du chatbot, lui permettant de fournir une réponse adaptée.
Module d’évaluation : Il est possible d’intégrer une fonctionnalité d’évaluation du chatbot donnée pour les utilisateurs qui évaluent eux-même si le chatbot a ou non correctement répondu à ses attentes. Cela permet par la suite d’identifier les problématiques récurrentes et d'entraîner le chatbot.
Performances : Dans les performances du chatbot, nous pouvons inclure le taux de réponse, la précision et le taux de confusion de l’assistant. Elles servent à déterminer si le chatbot atteint un bon niveau de qualité dans la détection des intentions et les réponses exactes apportées aux demandes utilisateurs.
Précision : La précision (une des performances les plus recherchées du chatbot) correspond au nombre de bonnes réponses apportées par rapport aux réponses totales apportées aux utilisateurs.
Quick Reply : Les quick replies sont les choix de réponses pré-définies offerts aux utilisateurs sous forme de bulle. Ils ne pourront alors sélectionner qu’une ou plusieurs réponses parmi celles proposées (à l’inverse des verbatims qui sont libres).
Rebond : Lorsqu’un utilisateur ouvre la chatbox mais n’écrit pas de message et ne clique sur aucun bouton, alors on appelle cela un rebond.
Réponses : Les réponses sont les informations fournies à l'utilisateur par le chatbot après avoir détecté une intention et sont représentées en blocs. Les réponses peuvent apparaître sous forme de cartes si le message est trop long ou que l’on veut apporter plusieurs informations distinctes à l’utilisateur. Les réponses peuvent contenir textes, images, vidéos, hyperliens.
Session : Une session représente l’ensemble des messages échangés entre l’utilisateur et le chatbot sur une temps donné qui englobe généralement la durée passée par l’utilisateur sur le site.
UX Conversationnel : L’UX conversationnel représente l’expérience du client (en l’occurrence ici de l’utilisateur) dans toute sa conversation avec le chatbot. A la fin de sa conversation avec le chatbot, l’utilisateur doit avoir pu trouver de manière rapide, fluide et efficace, une réponse concrète à sa demande. L’expérience utilisateur sera alors réussie.
