Cloud

Donner sa langue au chatbot

Share this post:

Que l’on soit consommateur, employé ou citoyen, des étapes importantes de notre vie sont souvent guidées par des décisions prises avec l’aide de l’intelligence artificielle (potentiellement à notre insu). En effet, lors de la demande d’un prêt bancaire, pour une inscription en université, pour l’obtention d’un nouveau poste ou plus classiquement lors de nos parcours d’achat en ligne, des modèles d’intelligence artificielle aident l’homme, à décider, affecter, évaluer ou conseiller des nouveaux produits selon chacune des situations.

La plateforme conversationnelle mise à notre disposition pour interagir dans ces situations de la vie quotidienne est basée sur des technologies de chatbot. Celles-ci doivent permettre une discussion fluide et compréhensible en tenant compte du contexte, et en langage naturel, quelle que soit la langue.

Nous pouvons aisément, sans faire de prospective trop risquée, avancer l’hypothèse que l’intelligence artificielle sous quelque forme que ce soit va être de plus en plus présente dans notre quotidien. Dans ce contexte, et pour favoriser l’adoption de cette IA dans nos usages « quotidiens », il est primordial de pouvoir s’assurer que les décisions recommandées par cette intelligence sont explicables, robustes, fiables et éthiques.

Les différentes techniques de modélisation nous amènent souvent à faire un « trade off » entre la performance et l’explicabilité. Ainsi un arbre de décision basé sur des tests statistiques du type khi-deux (ou dans une moindre mesure sa forme plus sophistiquée de machine learning le « random forest ») est facile à expliquer mais peut, en revanche, cacher des facteurs importants pour prendre une décision éclairée et factuelle. A l’inverse, les techniques de « deep learning » type réseaux de neurones visant à reproduire les schémas de décision du cerveau sont, dans certaines situations, très performantes mais amènent à des décisions plus compliquées à expliquer avec des mots de tous les jours.

Pour ce qui est de l’éthique, il est fondamental d’identifier les biais dans les données et de les corriger au risque de voir l’IA pérenniser et amplifier ces biais.  “Cognitive bias in machine learning is human bias on steroids”  (Rediet Abebe founded Black in AI).

 

Il est intéressant de noter que l’importance de l’identification des biais dans l’IA nous a amenés à répertorier des biais culturels, sociaux, démographiques avec lesquels nous avons tous vécu depuis des décennies. Ainsi, le codex publie l’ensemble des biais cognitifs et en fait un panorama très suivi et observé par les psychologues et les chercheurs en sciences cognitives.

Le cas particulier des plateformes conversationnelles basées sur des technologies de chatbot fait également appel à l’intelligence artificielle. En effet, comme le montre le graphique ci-dessous, deux cas de figure en fonction du contexte métier, un chatbot peut avoir
  • soit répondre à un grand nombre de questions : (l’IA au travers de « Watson Assistant » est alors utilisée pour comprendre les questions grâce à un entrainement),
  • ou au contraire le chatbot n’est  utilisé que pour quelques questions précises qui pointent sur un grand nombre de réponses : (L’IA  avec « Watson Discovery » est dans ce cas utilisée pour identifier les réponses pertinentes sur lesquelles le chatbot n’aurait pas pointé).
Le grand nombre de questions nécessite souvent d’utiliser des techniques de « désambiguation » : méthodologie qui permet d’identifier comme ambiguë une question posée dans le chatbot et affiner alors le dialogue pour préciser la requête et fournir la bonne réponse à l’utilisateur.

Évidemment dans la vraie vie, la vérité n’est pas aussi tranchée et la réalité se trouve souvent entre les deux extrêmes (i.e beaucoup de questions /peu de réponses versus beaucoup de réponses/peu de questions). Par exemple, une plateforme conversationnelle dont le but principal, est de délivrer les horaires de transport n’aura pas la même typologie de questions/réponses qu’une plateforme dédiée à répondre à des questions d’ordre médical.

En tout état de cause, la technologie chatbot s’enrichit d’un entrainement multi culturel et multi lingues. Loin de créer des biais, le fait de « donner sa langue au chatbot » est l’assurance d’une meilleure compréhension de la plateforme conversationnelle et d’un rendu beaucoup plus riche, fluide et proche d’une discussion naturelle.

On est, dans ce cas, vraiment dans la notion de « donner » pour mieux « recevoir ».

A ce titre, je souhaite partager le travail que j’ai effectué avec un groupe d’étudiants internationaux  de l’école TBS (Toulouse Business School)  issus de deux programmes : Master of Science en big data, marketing & management, et Master of Science en communication, marketing & management et la société Mission Internationale .

Cette société met en relation des experts internationaux et des clients PME-PMI, de tous secteurs d’activités, qui souhaitent développer leur business à l’international.

Cette collaboration avec TBS, dans le cadre de son cluster stratégique « Artificial Intelligence & Business Analytics », a pour objectif de développer et promouvoir une Marketplace pour mettre en relation clients et experts automatiquement. Le besoin des clients s’exprime à travers un chatbot et le matching avec les experts utilise des solutions de compréhension naturelle du langage (cf. graphique ci-dessous).

J’ai ainsi travaillé en collaboration avec 70 étudiants provenant de vingt pays différents sur la stratégie de go to market, le développement de la value proposition, le plan de communication et la création du chatbot de cette Marketplace.  J’ai pu ainsi mesurer l’importance et la richesse de travailler avec un groupe d’étudiants de background et de cultures différentes dans la définition du périmètre marché et des types de questions attendues par le chatbot.

Par exemple, selon leur pays d’origine, et au-delà de leur langue, les étudiants ont privilégié dans le design du chatbot des secteurs prioritaires aussi différents que, les produits de luxe, la beauté, les énergies renouvelables ou les produits de consommation alimentaires.  Ainsi, la mise en commun du travail fait par chacun des 10 groupes d’étudiants permet à la Marketplace de couvrir un scope très complet.

 

Pour conclure, alors que l’IA promet d’être de plus en plus présente dans notre vie, l’éthique, la performance et la transparence sont des facteurs fondamentaux à mesurer et à prendre en compte.

Les plateformes conversationnelles se bonifient et se nourrissent d’une exposition diverse, multiculturelle et d’un entraînement multilingue pour un « melting bot » absolument vertueux.

Pour en savoir plus sur la technologie chatbot et découvrir d’autres champs d’applications business, écoutez le Webcast de Vincent Perrin, responsable technique des offres IBM Watson en France. Vincent revient sur les fonctionnalités de IBM Watson Assistant, le service d’IA d’IBM pour développer des plateformes conversationnelles et partage des cas d’usages concrets.

IBM Watson & Cloud Services Marketing Leader

More Cloud stories
27 février 2020

La transformation du cloud hybride avec IBM Cloud et VMware

Dans le cadre de la conférence VMworld Europe de novembre 2019, nous avons eu le plaisir de faire plusieurs annonces qui montrent pourquoi les entreprises de toutes tailles continuent de faire confiance à IBM Cloud. En août 2019, IBM Cloud et VMware avaient déjà fait plusieurs annonces à l’occasion de VMworld US et depuis, nous n’avons cessé […]

Continue reading

27 février 2020

Gérer la croissance exponentielle des données et la modernisation des applications

Pour rester compétitives, les entreprises qui s’appuient sur des applications pour traiter les données de leurs différentes fonctions métier doivent tenir compte de multiples tendances et exigences. Premièrement, à mesure qu’elles se développent, leurs applications doivent évoluer en conséquence afin de s’adapter à ce rythme de croissance, voire de le surpasser. En effet, si les […]

Continue reading

12 février 2020

Spectral MD utilise l’apprentissage en profondeur pour fournir des informations clés aux médecins

La rapidité et la précision avec lesquelles les médecins diagnostiquent les brûlures peuvent avoir un impact considérable sur le délai de guérison. Or on enregistre aujourd’hui un taux d’erreur de diagnostic de près de 30 %, même chez les spécialistes. Chez Spectral MD, nous avons développé un outil d’apprentissage en profondeur, DeepView Wound Imaging System, […]

Continue reading