Intelligence Artificielle : quelle différence entre NLP et NLU ?

NLP vs NLU

Néanmoins et bien que le NLP soit en développement depuis plusieurs décennies, les ordinateurs sont toujours limités dans la compréhension qu'ils ont du langage humain. Pour y remédier, l'idée est alors venu d'ajouter de l'apprentissage statistiques (Machine Learning) et d'autres technologies d'intelligence artificielle au NLP.

Le NLP se transforme alors en NLU (Natural Language Understanding ou CLN en français).

Formulé de la sorte, le NLU est la sous-partie du NLP qui se concentre principalement sur l'amélioration de la capacité des machines à comprendre la signification qui se cache derrière les mots et dans les textes.

C'est vrai, mais avec la montée en puissance de l'intelligence artificielle, la partie du NLU va devenir de plus en plus vaste et s'affranchira certainement du NLP.

Au final, et pour résumer, la différence entre le NLP et le NLU tient au fait que le premier s'attache à interpréter littéralement ce que les humains disent ou écrivent, là où le deuxième s'attache à identifier les intentions et la signification profonde de ce qui est dit ou écrit.

Le NLP s'attache à interpréter littéralement ce que les humains disent ou écrivent, là où le NLU tâche d'identifier les intentions et la signification profonde de ce qui est dit ou écrit.

La plupart des gens pensent, quand on leur parle d'applications en langage naturel, aux chatbots ou aux assistants virtuels. A raison. Le NLP et le NLG (Natural Language Generation ou la génération automatique de texte) sont en effet à la base des assistants vocaux comme Alexa, Siri ou Google Assistant. Mais les applications professionnelles du NLP (et du NLG) ne s'arrêtent pas là.

Analyse de sentiments et données non structurées

Contrairement aux données structurées, qui se conforment à un schéma bien déterminé et qui sont stockées de façon ordonnée - comme dans une base relationnelle - les données non structurées suivent des formats arbitraires et peuvent être stockées n'importe où. Dans de nombreuses entreprises, la majorité des données sont des contenus non structurés - comme les mails, les commentaires clients sur internet ou les vidéos. Toutes ces informations ne rentrent pas dans le cadre classique des bases et des feuilles de calcul.

On estime qu'environ 80 % des contenus en lien avec une entreprise sont non structurées. Ce chiffre peut monter à 90 % dans certains secteurs, en particulier les médias sociaux et les organisations axées sur le contenu.

Dans le passé, ces données devaient être traitées manuellement ou elles étaient tout simplement ignorées parce qu'elles nécessitaient trop de travail, de temps et d'argent pour être exploitées. Les technologies cognitives, qui tirent parti du NLP, permettent maintenant d'analyser et de comprendre ces données textuelles non structurées d'une manière qui n'était pas possible auparavant. La NLU, en ajoutant une couche d'intelligence artificielle supplémentaire, permet de donner un sens à cette information qui, autrement, nécessiterait une intervention humaine pour être véritablement comprise.

Pour les services clients, l'analyse de sentiments est un outil à forte valeur ajoutée. Il permet de mieux gérer les opinions, les émotions et au final les interactions.

L'analyse de sentiments est le processus qui permet d'identifier et de catégoriser les opinions exprimées dans un texte, en particulier pour déterminer si son auteur est plutôt positif, plutôt négatif, ou neutre dans ce qu'il dit. L'analyse de sentiments permet de comprendre les retours des clients pour y découvrir des tendances et les sujets qui génèrent les prises de contacts, pour identifier les motifs de mécontentement les plus courants, et pour suivre la résolution des problèmes au fil du temps.

Cette fonctionnalité avancée est une des grandes différences entre le NLP et le NLU. Avec le NLU, les organisations peuvent analyser une grande quantité de données, de contenus et de sources non structurés, comme les commentaires produits, les réponses aux enquêtes et aux sondages, ou des billets sur les réseaux sociaux. Elle permet également d'appréhender les conversations et de trouver des schémas récurrents dans les interactions avec les clients. L'intelligence artificielle permet aussi aux entreprises de suivre les retours et les remontées d'information beaucoup plus rapidement qu'avec une supervision humaine. Elle permet enfin d'extraire des informations dans plusieurs langues sans avoir à y consacrer beaucoup de temps ni de formation.

Le NLP a toujours une valeur ajoutée

En plus de surveiller le contenu qui provient de l'extérieur des murs de l'entreprise, les organisations génère aussi de la valeur en comprenant leurs données internes. Et là, le (plus) traditionnel NLP a encore de la valeur.

Le NLP peut en effet améliorer le partage interne des documents et des données. L'utilisation de cette technologie permet aux personnes et aux services de concevoir du contenu sur mesure, généré par des systèmes de type NLG.

Par exemple, des cadres supérieurs peuvent vouloir des renseignements comptables sommaires sous la forme d'un rapport quotidien. Mais le service facturation peut être intéressé par des renseignements plus détaillés sur un domaine plus précis.

Les entreprises utilisent également le NLP pour améliorer les opérations de support interne, par exemple en fournissant de l'aide pour la redirection des tickets de support. Grâce au NLP, chaque message et chaque demande entrants peuvent être examinés et acheminés rapidement aux bonnes personnes, avec moins d'erreurs.

Le NLP motorise le e-commerce

Le commerce électronique, tout comme les moteurs de recherche (Google le premier) utilisent également encore massivement le NLP pour comprendre leurs utilisateurs. Ces entreprises ont constaté les avantages que procure l'aide du NLP.

Les grandes sociétés Internet forment ainsi leurs systèmes à comprendre le contexte d'un mot dans une phrase ou à utiliser les recherches antérieures pour optimiser les recherches futures et fournir des résultats plus pertinents.

Par exemple, Amazon utilise depuis des années des systèmes NLP à base d'IA pour suggérer des recommandations de produits basées sur ce que les utilisateurs ont déjà dit aimer.

Google utilise le NLP pour créer automatiquement des légendes après avoir reconnu le contenu d'une image (informatique cognitive), ce qui permet d'en faire simplement un résumé automatique et de les indexer.

Conclusion

Il ne fait aucun doute que l'intelligence artificielle et le Machine Learning modifient la façon dont les entreprises traitent et abordent leurs vastes quantités de données non structurées. Elles appliquent ces technologies avancées dans ce domaine pour avoir plus de visibilité, de compréhension et de capacités analytiques sur ce que l'on a souvent appelé « la matière noire » du patrimoine informationnel de l'entreprise.

Le marché de l'analyse de textes non structurés est d'ailleurs de plus en plus fourni, que ce soit avec des offres venant de grands éditeurs, ou d'autres de startups spécialisées (comme le français, Proxem).

Comme les contenus non structurés ne cessent de croître, il est important d'avoir des moyens de continuer à les capter, de les analyser et de les comprendre pour en tirer des informations précieuses. Bien saisir les différences entre NLP et NLU est la première étape cruciale de ce projet.