NLP : des attentes fortes, une réalité contrastée

Introduction

Le traitement du langage naturel, ou NLP, suscite un engouement important, tout comme les concepts connexes que sont le text mining, le NLU, le Speech to text ou text to speech. Les spécialistes de la grande distribution y voient un moyen pour faciliter le commerce conversationnel, c’est-à-dire les échanges avec leurs clients via des chatbots intégrés dans de nombreux canaux de communications.

Ces échanges à l’écrit et à l’oral doivent être compris par des algorithmes reliés à des systèmes experts qui doivent recommander les clients vers les bons produits. Des solutions comme l’assistant (virtuel et physique) Amazon Alexa ont prouvé que cela était possible. Les éditeurs de CRM et de l’analytique s’en inspirent dans le but de faciliter la vie des métiers. Seulement, les véritables cas d’usage en entreprise sont avant tout spécialisés. Là encore, AWS a compris cette attente en présentant un moteur de recherche d’entreprise alimenté par des algorithmes de NLP, entraînés sur des jeux de données dédiés à des verticaux spécifiques (assurance, industrie pharmaceutique, chimie, RH, etc.).

Une grande partie des cas d’usage présentés dans ce guide essentiel en témoigne : le traitement du langage naturel est beaucoup plus efficace quand il est dédié à une tâche particulière. Si ce problème est observable dans la grande majorité des projets de machine learning et de deep learning, le NLP et les technologies connexes introduisent des défis supplémentaires.

Comme l’explique Otman Manad, data scientist chez l’ESN Umanis, « Le NLP est à l’intersection de la linguistique et de l’intelligence artificielle. […] Nous avons beaucoup de données, [mais] ce dont nous avons besoin, c’est du sens ». Pour réaliser une bonne application qui embarque du traitement du langage naturel, il faudrait idéalement associer les compétences d’un data scientist, d’un expert métier… et d’un linguiste.

Et c’est toute la difficulté que pose cette technologie, car un simple mot peut avoir différents sens suivant son contexte. Les data scientists doivent recourir à un ensemble de techniques pour que les algorithmes et les modèles soient en mesure d’interpréter ces nuances.
En la matière, des groupes comme Google, Facebook ou OpenAI développent des modèles de langages comme BERT (Bidirectional Encoder Representations from Transformers), GPT-3 ou RoBERTa qui doivent simplifier la phase de développement des applications.
Puis, ils sont évalués à l’aide de benchmarks développés par des groupes ou des universités : SQuaD, GLUE, RACE, SWAG. Ceux-ci doivent permettre d’évaluer leur performance sur des jeux de données généralistes.

De plus, les modèles et les benchmarks sont principalement consacrés à la langue de Shakespeare. Si l’on prend le cas du français, il y a bien des adaptations comme CamemBERT et le projet FQuaD de la société Illuin Technology, mais ils n’atteignent pas encore le niveau de performance de leurs cousins anglophones. Par ailleurs, ces évaluations de performances sont effectuées à partir de pages Wikipédia : une utilisation de ces projets en entreprise demande de les optimiser pour leur cas d’usage.

Le recours à une ESN, à un cabinet de conseils ou aux services d’un fournisseur comme IBM pour ses solutions NLP basées sur Watson, semble nécessaire pour la plupart des entreprises. Surtout, l’annotation détaillée de documents pour guider les algorithmes et les modèles est une tâche manuelle obligatoire. Voilà tous les aspects évoqués dans ce guide essentiel qui, humblement, effleure la portée, mais aussi la complexité du NLP.

1Effets de mode-

Haro sur le NLP

2Centre de contacts-

NLP et Chatbot, une combinaison prometteuse

3Performances-

Les benchmarks et la complexité du NLP

4Cas d'susage-

En entreprise, priorité au texte