Vocabulaire de l’intelligence artificielle : les termes à connaître

Deep learning, machine learning, chatbot, réseaux neuronaux… Le vocabulaire de l’intelligence artificielle (IA) regorge de nombreux termes et expressions qui restent obscurs à vos yeux ? Alors que l’IA s’infiltre partout et que les revenus globaux qui en sont issus devraient approcher les 46 milliards de dollars d’ici 2020 (1), il est plus que temps de démystifier ce jargon complexe. Emmanuel Amouretti, Delegate CEO de Living Actor, a décrypté 12 expressions clés afin de vous aider à y voir plus clair sur la notion d’intelligence artificielle, ses technologies et ses usages.

 

Chatbot / Bot

Le chatbot – agent conversationnel en français, aussi appelé « assistant virtuel » –  est un système capable de dialoguer avec des utilisateurs via des conversations scriptées en amont. Son rôle : répondre avec un maximum de pertinence aux questions fréquemment posées par des internautes, clients ou collaborateurs. Il permet ainsi d’automatiser des tâches récurrentes et de libérer du temps aux équipes.
Dans le cadre des ressources humaines, par exemple, un chatbot RH peut répondre aux demandes concernant les congés ou les notes de frais, ce qui permet de se concentrer sur des tâches à plus forte valeur ajoutée.


Pour en savoir plus, découvrez notre minibook gratuit sur le sujet !


Par défaut, le chatbot est un outil à interactions faibles proposant uniquement des réponses scriptées sur le principe du « if this, then that » – « si ceci, alors cela » –, implémentées par un Chatbot Manager. Toutefois, l’intelligence artificielle (et surtout le machine learning) lui permet désormais d’analyser les données et d’apprendre de ses échanges pour répondre avec toujours plus de pertinence.

Chatbot Manager

Le Chatbot Manager est la personne qui se consacre à la gestion du bot. Cette personne, que l’on pourrait aussi qualifier de manager de l’assistant virtuel, prend en charge la mise en place du chatbot et son fonctionnement au quotidien. Il assure également le transfert des compétences de l’humain vers la machine afin que celle-ci puisse refléter le savoir-faire, l’expertise et les valeurs de l’entreprise.

Data crunching

Le data crunching est une analyse automatisée d’un grand nombre de données issues du Big Data. Une fois importées dans un système, ces données sont triées, structurées, traitées puis analysées de façon cohérente afin d’aider une machine à prendre des décisions éclairées.
Ce traitement « exact » des informations est le préalable indispensable à une utilisation pertinente de celles-ci, dans le but de répondre efficacement à des requêtes précises – par exemple pour un chatbot. C’est, en quelque sorte, la base du machine learning.

Deep learning / apprentissage profond

Branche du machine learning, le deep learning permet un apprentissage hiérarchique d’une grande quantité d’informations. Autrement dit : une machine traite des données dans l’ordre de complexité afin de comprendre une réalité et de l’appréhender par ses propres moyens, grâce à un réseau neuronal.
Le système fonctionne par couches – d’où la notion d’« apprentissage profond ». Comme l’explique Yann Ollivier, directeur de recherche au CNRS spécialisé dans l’intelligence artificielle, les résultats de la première couche de neurones servent d’entrée au calcul des autres [résultats] (2). Pour distinguer une image de chat et une image de chien, une machine va ainsi comparer des caractéristiques de plus en plus complexes sur la base de connaissances apprises – le fait que les oreilles de chaque animal ont une forme différente, par exemple.

Intelligence artificielle (IA)

L’intelligence artificielle peut être définie de multiples façons, notamment comme un système automatisé capable d’analyser des données et de faire des choix de manière autonome. C’est d’ailleurs ce qui amène souvent à lier intelligence artificielle et chatbots. Il est possible de distinguer deux types d’intelligence artificielle, par rapport au niveau de reproductibilité des fonctions cognitives humaines :

  • l’IA « faible », pour une machine qui simule un comportement humain spécifique ;
  • l’IA « forte », pour une machine qui reproduit un comportement humain tout en appréhendant ses propres raisonnements – cette dernière relevant encore de la science-fiction.

À noter : grâce au machine learning, ou apprentissage automatique, les systèmes d’intelligence artificielle peuvent s’améliorer de façon autonome au fil du temps.

Machine learning / apprentissage automatique

Le machine learning est l’une des briques de l’intelligence artificielle. Il s’agit d’un processus consistant à conférer à une machine, un chatbot par exemple, une capacité d’apprentissage automatique. De cette manière, le système parvient à décrypter les intentions des internautes afin de proposer des réponses adaptées et de prendre des décisions efficaces.
L’apprentissage automatique permet à une machine de s’améliorer sans accompagnement continu, grâce à des algorithmes basés sur une logique de comparaison, de recherches et de probabilités mathématiques. Un chatbot peut ainsi être capable d’acquérir de nouvelles connaissances de façon autonome, en comparant les questions qui lui sont posées et en faisant des recherches – dans des bases de connaissances tierces, dans les conversations du centre de contact… Une telle capacité n’est toutefois indispensable que dans certains cas précis : un bot ne doit pas forcément être auto-apprenant.

Natural Language Processing (NLP)

Le « Natural Language Processing », ou « traitement automatique du langage naturel », est la pierre angulaire de l’intelligence artificielle, du machine learning et de la linguistique.
Cette brique est essentielle à tout système conversationnel pour assurer la détection de l’intention des utilisateurs en s’appuyant sur l’analyse lexicale, sémantique et syntaxique. Elle peut ainsi servir à donner une voix à une machine.
À savoir : le Natural Language Processing est actuellement utilisé dans les assistants vocaux tels que Google Home ou Amazon Alexa, mais aussi pour la traduction automatique et l’optimisation de la compréhension des chatbots.
Un moteur de NLP assure un enchaînement de traitements mathématiques et de comparaisons pour « nettoyer » la saisie de l’utilisateur, éventuellement « corriger » certaines fautes ou appliquer des synonymes, et identifier, dans la saisie, toutes les « informations utiles » à la compréhension. Tout cela pour pouvoir « détecter l’intention », c’est-à-dire connaître le besoin de l’utilisateur et éventuellement les attributs associés.

Par exemple…
Demande : « Je voudrais commander une pizza au fromage pour 2 personnes pour 20h00. »
Cette demande contient :

  • une « intention », qui est « commander à manger » ;
  • une série d’informations – « entités » – qui permettent de préciser l’intention (une pizza, au fromage, pour 2 personnes, pour 20h00…)

Il ne manque plus que l’adresse de livraison, que le chatbot pourra demander à son interlocuteur. Si toutes les informations sont manquantes, le chatbot posera patiemment toutes les questions utiles pour pouvoir assurer la transaction !

Natural Language Understanding (NLU)

Subdivision du Natural Language Processing, le « Natural Language Understanding » – ou « compréhension du langage naturel » – est la chaîne du traitement qui va donner son sens à la phrase. C’est là que « l’intention » sera identifiée (voir l’exemple ci-dessus) par le biais de l’analyse grammaticale de la phase – en identifiant un verbe, son sujet, en reliant les mots entre eux puis en faisant correspondre la requête avec les connaissances du chatbot.
Car même si son analyse grammaticale est parfaite, un chatbot ne pourra pas donner de réponses à des demandes pour lesquelles il n’a pas été formé !

Réseaux neuronaux

La puissance d’un réseau neuronal découle de la puissance individuelle de chaque neurone. C’est ainsi que fonctionne le cerveau humain : chaque neurone effectue son propre calcul simple, et c’est le réseau formé par l’ensemble des neurones qui multiplie la potentialité de chacun de ces calculs.
Les réseaux neuronaux liés à l’intelligence artificielle sont bâtis sur le même principe, à une exception près : les connexions entre neurones peuvent être ajustées dans le but de réaliser une tâche donnée. Cette technologie est notamment utilisée pour l’analyse prédictive, la reconnaissance d’images, ou encore le traitement de la parole.

Scénarii d’apprentissage

Les scénarii d’apprentissage sont les paramètres entrés par l’humain dans une machine, permettant à celle-ci de prendre une décision rationnelle.
Pour être efficace, un chatbot doit être paramétré par son Chatbot Manager sur la base de scénarii pertinents, adaptés aux requêtes récurrentes formulées par les utilisateurs. Constitué de multiples embranchements, cet « arbre de décision » lui permet d’amorcer un dialogue au bon moment et de répondre le plus justement possible à ses interlocuteurs.
Ces scénarii ne font pas forcément appel à l’intelligence artificielle. Ils peuvent bénéficier du machine learning et des techniques de traitement et de compréhension du langage naturel (NLP et NLU) pour mieux détecter les intentions des utilisateurs, personnaliser les conversations et, ainsi, générer de l’engagement.

Supervised learning / Unsupervised learning

En matière de machine learning, il est possible de distinguer deux modèles d’apprentissage, qui consistent tous deux à former une machine sur la base de données intégrées, structurées puis analysées (data crunching).

  • Dans sa version « supervisée », l’apprentissage de la machine s’appuie sur l’intervention humaine. C’est l’humain qui lui apporte les bases de sa connaissance pour qu’elle puisse ensuite savoir les utiliser et proposer, par elle-même, des enrichissements qui seront systématiquement validés par un humain avant d’être « appris ».
  • Dans la version « non supervisée », la machine n’a pas besoin d’une validation humaine. Elle fait elle-même des recherches, identifie des nouvelles connaissances et les mémorise, dès lors de que les seuils mathématiques de confiance qui lui ont été donnés sont respectés.

Test de Turing

Imaginé par le mathématicien Alan Turing dans les années 50, le Test de Turing consiste à évaluer la capacité d’une machine à « imiter » un être humain – de façon à ce qu’elle soit indiscernable d’une personne de chair et d’os. Le test de Turing est toujours considéré comme la méthode la plus pertinente pour juger du niveau d’intelligence artificielle atteint par une machine.
(1) IDC France, L’IA en pleine croissance, 2017
(2) Le Monde, Comment le « deep learning » révolutionne l’intelligence artificielle, 2015