Traitement automatique du langage naturel (TALN)
TALN: Technologie de pointe et propriétaire
Enrichissez vos expériences numériques en mettant en place des chatbots qui peuvent tenir des conversations intelligentes et humaines avec vos clients et vos employés. Utilisez nos capacités exclusives de traitement du langage naturel, à la pointe de la technologie, qui permettent aux chatbots de comprendre, de se souvenir et d'apprendre à partir de l'information recueillie au cours de chaque interaction et d'agir en conséquence.
Interprète avec précision avec moins de faux positifs
Communiquer de façon compréhensive
Remplit plus rapidement les lacunes du développement humain
Nécessite moins de données d'entraînement pour le TALN
Réutilise les données d'entraînement
Maintient le contexte de la demande de l'utilisateur tout au long d'un dialogue ou d'une
Extrait et stocke les actions entreprises, les données fournies et les informations que le chatbot peut utiliser
Personnalisez la façon dont les données contextuelles sont stockées lors de la session
Utiliser des modèles de TALN pré-entraînés pour perfectionner le TALN de votre chatbot.
Traitement automatique du langage naturel (TALN)
Pour que votre agent conversationnel puisse décomposer une phrase pour en saisir le sens, nous devons en examiner les parties essentielles. Un moyen utile pour la communauté élargie des chercheurs en intelligence artificielle est de distinguer les entités et les intentions.
Une entité dans une phrase est un objet du monde réel qui peut être désigné. Nos modèles de TAL sont excellents pour identifier les entités et peuvent le faire avec une précision quasi humaine. Grâce à notre moteur de TAL, le bot identifie les mots prononcés par un utilisateur pour s'assurer que tous les champs disponibles correspondent à la tâche à accomplir ou collecte des données supplémentaires si nécessaire. Le but de l'extraction d'Entités est de combler tous les trous qu'il est nécessaire de combler pour l'accomplissement d'une tâche, tout en ignorant les détails inutiles. C'est un processus soustractif où le chatbot reçoit juste l'information nécessaire : qu'elle soit fournie en une seule fois par l'utilisateur ou dans une conversation guidée avec le chatbot.
L'intention dans une phrase est l'objet ou le but de la déclaration. Dans une phrase du type, « je voudrais réserver deux billets pour le nouveau film de Spielberg », il est facile d'identifier l'Intention, à savoir « faire une réservation ». De nombreuses phrases, toutefois, n'ont pas d'intention claire. Il est donc plus difficile pour un agent conversationnel de reconnaître l'intention mais, là encore, nos modèles de TAL sont très efficaces. Le but de la reconnaissance d'Intention n'est pas seulement de faire correspondre un énoncé à une tâche, c'est de faire correspondre correctement un énoncé à la tâche prévue. Pour ce faire, nous faisons correspondre les verbes et les noms avec autant de synonymes évidents et non évidents que possible.
Un aperçu du TALN
Pour que la TALN fonctionne pour des objectifs particuliers, les utilisateurs devront définir tous les types d'Entités et d'Intentions qu'ils veulent que le chatbot reconnaisse. En d'autres termes, les utilisateurs créeront plusieurs modèles de TALN, un pour chaque Entité ou Intention dont ils ont besoin, pour que le chatbot puisse les identifier. Les utilisateurs peuvent construire autant de modèles de TALN sur notre plateforme qu'ils en ont besoin. Ainsi, par exemple, vous pouvez construire un modèle de TALN Intention pour que le chatbot puisse analyser si l'utilisateur souhaite faire un achat. Et un modèle Entité qui reconnaît les lieux et un autre qui reconnaît les âges. Vos chatbots peuvent alors utiliser les trois pour offrir à l'utilisateur un achat à partir d'une sélection qui tient compte de l'âge et de l'emplacement du client.
Sur notre plateforme, les utilisateurs n'ont pas besoin de construire un nouveau modèle de TALN pour chaque nouveau chatbot qu'ils créent. Tous les chatbots créés auront la possibilité d'accéder à tous les modèles de TALN qu'un utilisateur a formés.
Pour développer un modèle TALN au fil du temps, de sorte qu'il devienne de plus en plus précis dans la résolution des tâches que les utilisateurs veulent accomplir, les utilisateurs voudront que le chatbot apprenne, en particulier de ses erreurs. L'apprentissage machine est un sujet d'actualité dans la recherche d'une véritable intelligence artificielle. Nos modèles incarnent l'apprentissage machine dans le sens où, après avoir fourni des phrases d'exemple et leurs résultats, le modèle prendra des décisions sur les nouvelles phrases qu'il rencontrera.
Entraînement
Notre plateforme offre également ce que l'on appelle parfois l'apprentissage machine supervisé. A la lumière des données de vos conversations, vous pouvez repérer l'endroit où le chatbot a besoin de plus d'entraînement et entrer les phrases problématiques que vous avez identifiées, ainsi que le résultat correct auquel le chatbot devrait arriver lors de l'examen de la phrase. Cet apprentissage machine supervisé se traduira par un taux de réussite plus élevé pour le prochain cycle d'apprentissage machine non supervisé. Ce processus de cyclage entre votre supervision et l'exécution indépendante de l'évaluation des phrases aboutira finalement à un modèle très raffiné et couronné de succès.
Modèles de TALN pré-entraînés
La bonne nouvelle, c'est que nous fournissons des modèles de TALN pré-entraînés.
Il s'agit de modèles de recherche d'entités à la fine pointe de la technologie, qui ont été entraînés sur des ensembles massifs de données de phrases.
Ainsi, par exemple, notre modèle de TALN Negative Entities (Entités Négatives) est idéal pour reconnaître la frustration de l'utilisateur. Vous pouvez déployer ce modèle en quelques minutes et votre chatbot sera capable d'analyser la conversation et de dire des phrases comme, « Je vois que vous n'appréciez pas cette conversation, voudriez-vous plutôt parler à un agent humain ? » Puis le chatbot peut appeler l'agent par SMS ou par email, si l'utilisateur le souhaite.
