Deep learning, machine learning, chatbot, réseaux neuronaux... Le vocabulaire de l'intelligence artificielle (IA) est-il rempli de termes et d'expressions que vous n'avez jamais entendus ? Puisque l'IA est partout autour de nous et que les revenus mondiaux qui en découlent devraient atteindre 46 milliards de dollars en 2020, il est grand temps de démystifier ce jargon complexe.
Chatbot / Bot
Un chatbot, également appelé agent conversationnel ou assistant virtuel, est un système capable de dialoguer avec des utilisateurs sur la base de conversations scénarisées en amont. Son rôle est de répondre avec un maximum de pertinence aux questions fréquemment posées par les internautes, les clients ou le personnel. Ainsi, les tâches récurrentes peuvent être automatisées, permettant aux employés de mieux utiliser leur temps.Par exemple, dans le domaine des ressources humaines, un chatbot peut répondre aux demandes concernant les congés payés ou les notes de frais, permettant à l'équipe RH de se concentrer sur des tâches à plus forte valeur ajoutée.
Par défaut, un chatbot est un outil d'interaction faible qui ne propose que des réponses scénarisées par un gestionnaire de chatbot, sur la base du principe "si ceci, alors cela." Cependant, l'intelligence artificielle (et surtout l'apprentissage automatique) permet désormais aux bots d'analyser les données et d'apprendre de leurs interactions afin de répondre avec une pertinence croissante.
Un Chatbot Manager est la personne chargée de gérer le bot. Cette personne, que l'on pourrait aussi appeler le coach de l'assistant virtuel, est chargée de mettre en œuvre le chatbot et de superviser son fonctionnement au quotidien. Il est également chargé de transférer les compétences humaines à la machine, afin qu'elle reflète le savoir-faire, l'expertise et les valeurs de l'entreprise.
Data Crunching
Le data crunching est l'analyse automatisée de grandes quantités de données provenant du Big Data. Une fois importées dans un système, les données sont triées, structurées, traitées puis analysées de manière cohérente afin d'aider une machine à prendre des décisions éclairées.Ce traitement précis est indispensable pour qu'un système comme un chatbot utilise les informations de manière pertinente afin de répondre efficacement à des demandes spécifiques. Dans un certain sens, c'est la base de l'apprentissage automatique.
Deep learning / Apprentissage profond
Sous-catégorie de l'apprentissage automatique, l'apprentissage profond permet l'apprentissage hiérarchique d'une grande quantité d'informations. En d'autres termes, la machine traite les données par ordre de complexité pour comprendre une réalité et l'appréhender par ses propres moyens à l'aide d'un réseau neuronal.Le nom d'apprentissage profond fait allusion au fait que le système fonctionne par couches. Les résultats de la première couche de neurones servent de point de départ au calcul des résultats suivants.
Pour distinguer la photo d'un chat de celle d'un chien, une machine doit comparer des caractéristiques de plus en plus complexes en fonction des leçons apprises, par exemple le fait que les oreilles des deux animaux ont une forme différente.
Intelligence Artificielle (AI)
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 les gens à associer l'intelligence artificielle aux chatbots. On peut distinguer deux types d'intelligence artificielle, en fonction de la mesure dans laquelle les fonctions cognitives humaines sont reproduites :- L'IA "faible", dans le cas d'une machine qui simule un comportement humain spécifique.
- l'IA "forte", dans le cas d'une machine qui reproduit un comportement humain tout en maîtrisant son propre raisonnement (une capacité qui relève encore de la science-fiction).
Il faut toutefois garder à l'esprit que, grâce à l'apprentissage automatique, les systèmes d'intelligence artificielle sont capables de s'améliorer de manière autonome au fil du temps.
Traitement du langage naturel (TLN) / Natural language processing (NLP)
Le traitement du langage naturel est la pierre angulaire de l'intelligence artificielle, de l'apprentissage automatique et de la linguistique.Il s'agit d'une composante essentielle de tout système conversationnel, qui lui permet de détecter les intentions des utilisateurs grâce à une analyse lexicale, sémantique et syntaxique. En tant que tel, il peut servir à donner une voix à une machine.
Pour info : le traitement du langage naturel est actuellement utilisé dans les assistants vocaux comme Google Home et Amazon Alexa, dans la traduction automatique et comme moyen d'optimiser le niveau de compréhension des chatbots.
Un moteur NLP utilise une série de processus mathématiques et de comparaisons pour "nettoyer" la saisie de l'utilisateur, en corrigeant éventuellement certaines erreurs ou en appliquant des synonymes, afin d'identifier toutes les informations utiles à la compréhension. Tout cela permet de détecter l'intention, c'est-à-dire de comprendre les besoins de l'utilisateur et éventuellement les attributs qui y sont liés.
Réseaux neuronaux / neural networks
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 un calcul simple qui lui est propre, et le réseau formé par l'ensemble des neurones multiplie le potentiel de ces calculs.Les réseaux de neurones utilisés en intelligence artificielle sont construits sur le même principe, à une exception près : les connexions entre les neurones peuvent être ajustées afin d'effectuer une tâche donnée. Cette technologie est particulièrement utile dans l'analyse prédictive, la reconnaissance d'images et le traitement de la parole.
Scénarios d'apprentissage / learning scenarios
Les scénarios d'apprentissage sont les paramètres qu'une personne saisit dans une machine pour lui permettre de prendre une décision rationnelle.Pour être efficace, un chatbot doit être configuré par un Chatbot Manager, sur la base de scénarios pertinents et adaptés aux demandes récurrentes des utilisateurs. Composé de multiples branches, cet arbre de décision permet au bot d'engager le dialogue au bon moment et de répondre aux utilisateurs de la manière la plus appropriée possible.
Ces scénarios ne font pas nécessairement appel à l'intelligence artificielle. Cependant, ils peuvent s'appuyer sur l'apprentissage automatique, le traitement du langage naturel et la compréhension du langage naturel afin de détecter plus précisément les intentions des utilisateurs, de personnaliser les conversations et de créer ainsi de l'engagement.
Apprentissage supervisé / apprentissage non supervisé (supervised learning / unsupervised learning
L'apprentissage automatique peut être divisé en deux modèles différents, qui impliquent tous deux l'entraînement d'une machine sur une base de données intégrée, structurée et ensuite analysée (data crunching).- Dans l'apprentissage supervisé, la machine s'appuie sur une intervention humaine. La personne fournit les bases de connaissances de la machine pour qu'elle puisse ensuite comprendre comment les utiliser et proposer des améliorations, qui seront systématiquement validées par un humain avant d'être mises en œuvre.
- Dans l'apprentissage non supervisé, la machine n'a pas besoin de cette composante de validation humaine. Elle effectue les recherches, identifie les nouvelles connaissances et les mémorise toute seule, pour autant que les seuils mathématiques qui lui sont fournis soient respectés.
Test de Turing
Conçu 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 au point de ne pas pouvoir le distinguer d'une personne en chair et en os.Le test de Turing est toujours considéré comme le moyen le plus valable de juger le niveau d'intelligence artificielle atteint par une machine.