Et si, en dehors de la nouvelle organisation des moyens de production, la 4ème révolution industrielle induisait également une évolution significative dans la gestion de la connaissance intrinsèque à chaque domaine ?
Et si les nouvelles technologies numériques permettaient aux acteurs opérationnels d’accéder simplement à cette connaissance, le plus souvent fruit de méthodes empiriques, grâce à des méthodes analytiques et de l’apprentissage machine (Machine Learning) ?
Ce foisonnement de questions est naturel dans une période où toute innovation se doit d’être disruptive et où les méthodes de conduite du changement sont légion. Soulager les opérationnels des tâches secondaires, répétitives et à faible valeur ajoutée qui pourraient être automatisées, devient une priorité.
« Ce que l’on ne peut pas dire, il ne faut surtout pas le taire, mais l’écrire » Jacques Derrida
En effet, suivant l’un des préceptes de Jacques Derrida, chaque entreprise industrielle se retrouve avec des données textuelles massives non structurées. Ces comptes-rendus, guides et manuels, courriels, brevets, et autres spécifications techniques souvent éparpillés, longtemps laissés pour compte, se retrouvent aujourd’hui sur le devant de la scène. Si plus de 80% des données créées à travers le monde sont de nature non structurée, leur richesse et leur utilité n’est plus à démontrer en 2019.
Ainsi, même si Derrida aurait « déconstruit » ces écrits, nous évoquerons dans cet article, plutôt la restructuration de ce qui, par essence, ne l’est pas. Il s'agit de redonner une sémantique lexicale et surtout favoriser l'exploitation des écrits et leur réutilisation, par le biais d’une recherche augmentée.
NLP & Machine Learning à l’assaut des agents conversationnels
Comment ? Grâce au traitement automatique du langage naturel (TALN ou NLP en anglais). Le TALN aide à comprendre et interpréter le langage humain, au travers d’un agent conversationnel, encore appelé Bot. Ce dernier navigue dans une forme restructurée des documents mis à sa disposition, pour favoriser la prise de décision.
Une approche à base de règles - uniquement - ne suffira pas dans une optique industrielle où productivité et agilité sont de rigueur pour proposer une aide à la décision fiabilisée.
Développer un Bot sans Machine Learning c’est être lié à un script borné, soit un ensemble d’énoncés très limité.
C’est bien le Machine Learning qui va permettre au Bot de comprendre l’intention d’une question (par exemple, quelles sont les causes racines du déclenchement d’une machine tournante XYZ sous haute pression ?), et proposer des scénarios de conversation plus sophistiqués, plus flexibles. Les réponses seront contextualisées et issues, par exemple, d’une base de connaissances (la machine XYZ semble s’être déclenchée en raison d’un changement de soupape de dérivation de sécurité provoquant un niveau élevé inattendu de vapeur dans le pipeline, ce qui a entraîné une pression plus élevée pour les équipements associés).
Quelle intelligence dans un Bot basé sur l’Intelligence Artificielle ?
Tout commence par un canal de contact entreprise : messagerie instantanée, site web, intranet ou application dédiée intégrant un Bot. Il peut convertir la parole en texte (Speech To Text) et obtenir un énoncé clair.
Le Bot transmet ensuite le texte au service de compréhension du langage naturel (NLU) qui analyse la structure grammaticale de la phrase pour en extraire les intentions prédites (ex : obtenir les causes racines) et les entités qui ont été reconnues (ex : une machine tournante XYZ).
Ensuite, le Machine Learning est principalement utilisé pour détecter des intentions et les entités à partir de données d’apprentissage. Tout l’enjeu des chatbots est ici. Les outils de Text Analytics tirent parti de bases existantes (par exemple d’un call center opérationnel) pour détecter automatiquement des thèmes cachés dans les données et donc, venir enrichir les listes d’intentions et d’entités. Puis, ces thèmes découverts sont réutilisés dans des taxonomies ou plans de classement de l’entreprise.
Comment ?
En allant au-delà du Machine Learning, grâce à l’Active Learning. Cet accélérateur puissant permet à partir de thèmes détectés, de générer automatiquement des règles linguistiques proposées à l’utilisateur métier pour construire un modèle de catégorisation. La logique métier – sous forme de règles – fournit ensuite un contexte dans lequel les intentions de l’utilisateur sont correctement identifiées pour s’assurer des bonnes réponses du chatbot.
L’unité d’exécution apporte la réponse à la question de l’utilisateur grâce au service de génération du langage naturel (NLG), tout en respectant les accords et règles grammaticales ou demande une précision si toutes les informations nécessaires n’ont pas été fournies par l’opérateur. La réponse viendra d'autres plateformes, SI ou bases de connaissances. Pour cela, le Bot s'ouvrira sur le monde extérieur grâce aux APIs. Ainsi, il pourra s’interconnecter avec d’autres services ou briques non conversationnelles : data visualisation, streaming, reconnaissance d’images pour le contrôle qualité.
NLP, Machine Learning et APIs: le triptyque gagnant d'un chatbot mature.
"Augmenté" de ces briques cognitives et de cette méthodologie, le chatbot ne se résume désormais plus à un simple système de règles. Les agents conversationnels embarquant de l’Intelligence Artificielle deviennent la norme pour automatiser la recherche d’information pertinente au sein de l’entreprise et faciliter la prise de décision dans un cadre industriel.
Cet article a été coécrit par Samuel Blanquet, Head of Manufacturing, SAS France
Pour en savoir plus
