Comment le Machine Learning peut améliorer la supervision des communications unifiées

L'utilisation de l'apprentissage statistique et de l'IA en est encore à ses balbutiements dans la plupart des industries. C'est particulièrement vrai dans les communications unifiées (ou UC pour Unified Communications).

De fait, l'intelligence artificielle et le Machine Learning appliqués à la supervision et à l'analyse des communications unifiées sont encore embryonnaires. Mais cela n'empêche pas les éditeurs d'en ajouter à leurs offres et d'en vanter les mérites.
Mais quels sont-ils ?

La supervision augmentée au Machine Learning dans l'UC ne diffère pas fondamentalement de l'application de l'IA dans le monitoring en général. L'usage le plus mis en avant est certainement celui des algorithmes de détection d'anomalies.

Cette méthode permet de déceler des valeurs aberrantes dans les séries de données recueillies au fil du temps - comme des chutes de débits, la perte de paquets, des temps d'appels trop courts ou des durées de sessions extrêmement longues. L'IA peut alors faire des suggestions basées sur l'analyse de ces données.

Le recours au ML et à l'IA permet également de se faire une idée plus précise sur la façon dont les équipes utilisent leurs outils d'UC et à quel moment elles sont les plus efficaces.

Un autre intérêt d'appliquer IA et ML à la supervision de l'UC est la détection des fraudes. Les activités suspectes peuvent être automatiquement repérées et isolées pour fermer des comptes frauduleux ou aider les clients à trouver des failles dans leur entreprise.

Un exemple est la fraude aux appels téléphoniques internationaux, où un poste de l'entreprise est transféré vers des numéros à l'étranger puis utilisé localement, ce qui augmente drastiquement les coûts. Une fois que des schémas récurrents sont repérés et étiquetés comme frauduleux, un modèle ML peut traquer des activités similaires dans l'ensemble des communications de l'entreprise.

En raison de l'intérêt du marché, les fournisseurs d'UC passent presque tous à l'IA. Deux autres exemples de ce mouvement pourraient être le « speech to text » et les bots vocaux . Mais les applications potentielles du ML dans le domaine vont bien au-delà et semblent sans limites.

Les éditeurs y voient en tout cas un moyen de se différencier de leurs concurrents... et d'attirer les investisseurs. Néanmoins, on ne sait pas encore très bien quels nouveaux cas d'usages et quelles nouvelles capacités sur le long terme ces technologies apporteront aux entreprises. Ce qui est clair en revanche, c'est que le Machine Learning pousse le marché des communications unifiées vers le cloud, là où siègent la plupart des IA.