Qu’est-ce que le natural language processing (NLP) ?

Si l’intelligence artificielle fait désormais partie du langage courant, elle est composée de nombreuses facettes plutôt discrètes et pourtant présentes dans de nombreux outils du quotidien. Le traitement naturel du langage (ou natural language processing) présente de nombreux avantages business qui gagnent à être connus de tous.

Sommaire :

1. Le langage, berceau de l’intelligence
2. À quand remonte le natural language processing ?
3. Sur quelles techniques repose le natural language processing ?
4. Quelques cas d’usage business du natural language processing
5. Quels sont les prérequis avant de tenter le natural language processing

1. Le langage, berceau de l’intelligence

« L’intelligence, en se remplissant de mots, se remplit aussi de la nature des choses. » Dans la Philosophie de l’Esprit, Hegel démontrait tout simplement que sans langage il ne pouvait exister de pensée et que, sans pensée, aucune forme d’intelligence ne pouvait se développer. C’est donc sans surprise que le Natural Language Processing (NLP) – une technologie qui permet aux machines de comprendre le langage humain – est aujourd’hui l’un des principaux moteurs de l’intelligence artificielle. Et ce n’est pas nouveau, puisque l’intelligence d’une machine s’évalue historiquement par sa capacité à tenir une conversation humaine crédible, avec le test de Turing proposé dès 1950.

À l’heure actuelle, chatbots, modération automatique de contenus, retranscriptions audio en temps réel, traductions en direct, etc. sont autant de services qui nécessitent une maîtrise approfondie du langage et des langues. « Le langage est à l’origine de ce qui définit l’homme et sa relation à la société. Et derrière le langage, se nichent des enjeux business qui permettent parfois d’élargir un marché à des populations isolées, comme les malentendants, ou de mieux engager des marchés sur lesquels les entreprises interviennent déjà », explique Damien Cudel, Cloud Solution Architect Manager chez Microsoft France.

Lire aussi Konverso : l’assistant virtuel qui dope la productivité des entreprises

Replay

Vers un numérique plus durable et soutenable

Découvrez la proposition de Microsoft pour un numérique soutenable et durable traduite en 21 actions.

Visionner le replay

2. À quand remonte le natural language processing ?

Les premières tentatives remontent aux années 50, période où les américains, en pleine Guerre Froide, tentaient d’analyser les communications soviétiques. Ils s’essayent à ce moment-là à de premiers tests d’industrialisation du traitement du langage. Mais les moyens étaient bien trop faibles pour déboucher sur des résultats probants. Ces outils fonctionnaient comme des systèmes experts, qui consistent à simuler les capacités d’un humain spécialiste d’un domaine. Comment ? En se fondant sur une base de faits, de règles et un moteur d’inférence, pour à la fois gérer des évènements entrants mais aussi générer des actions.

Exemple : émission automatique d’un bulletin météorologique à partir d’une interprétation de données collectées. Mais ces systèmes experts ont rapidement montré leurs limites : les machines n’ont pas de notion du sens commun. Elles ne savent ni contextualiser, ni gérer les ambiguïtés d’un propos, choses qu’un interlocuteur humain résout de lui-même. Cela a ralenti considérablement l’évolution de ces techniques.

Lire aussi Machine learning ou deep learning ? Apprenez à faire la différence

3. Sur quelles techniques repose le natural language processing ?

On peut capter le langage de plusieurs manières : à partir de textes déjà numérisés ou contenus dans une image, dans un manuscrit, par reconnaissance vocale ou extraction de l’information sur des pages web, comme le font les moteurs de recherche. Les champs de recherche et d’application du traitement du langage s’appuient ensuite sur plusieurs règles et méthodes. Tout d’abord la syntaxe, qui permet, entre autres, de repérer dans une phrase verbes et sujets. Vient ensuite l’analyse sémantique qui identifie le sens le plus probable associé à cet enchaînement de mots.  Pour réussir à faire tomber cette tour de Babel, les technologies disposent d’un large corpus de datas (wikipedia, documents officiels, pages web, etc.) pour s’entraîner. Elles exploitent également des moyens de calcul très importants et des algorithmes pour produire de la valeur rapidement à partir de toute cette manne.

Lire aussi Apprentissage supervisé et non supervisé : quelles différences ?

4. Quelques cas d’usage business du natural language processing

Interactions et service client

C’est sans doute le plus connu d’entre eux. Le recours aux chatbots est de plus en plus fréquent, notamment pour réaliser une pré-qualification de la demande. Pour un assureur qui reçoit une dizaine de milliers d’appels par jours depuis le monde entier, automatiser les premières réponses lui permet d’économiser plusieurs euros par appel et de réduire la saturation des lignes. Autre avantage : ne plus jamais laisser un client sans réponse et le diriger immédiatement vers le bon interlocuteur. Certaines entreprises comme 1–800 Flowers annoncent avoir augmenté de 70% leurs ventes depuis la mise en place de chatbots !

Lire aussi La révolution de l’IA dans le marketing

La modération automatique de contenus

Ces technologies sont très utiles dans le cadre de l’identification de fake news par exemple. Concrètement, il s’agit d’un système, qui après une phase d’apprentissage sur des données disponibles, réalise une classification de nouvelles informations publiées. Il analyse notamment les mot-clés utilisés et vérifie les articles en les comparant à ceux de sources sûres pour analyser le niveau de crédibilité du site. Ce traitement ne peut être entièrement automatisé, mais les portails ouverts aux interactions des internautes y voient là une parfaite complémentarité homme-machine pour gagner en efficacité.

L’analyse de réputation

L’analyse de réputation est également très prisée. « Que dit-on de moi ou de ma marque ? » Pour y répondre, une marque peut faire appel à l’analyse de sentiments. Comment ? Grâce à un algorithme décryptant la structure linguistique de la langue et comprenant le rôle fonctionnel de chaque mot. A l’aide de cette base de connaissance, il peut déterminer la relation syntaxique entre les mots ou les phrases et identifier la tonalité : positive, négative ou neutre. Un usage très fréquent dans le secteur de l’agro-alimentaire, notamment pour surveiller des réactions aux alertes sur les produits en observant les réseaux sociaux. On parle alors de text mining.

L’intelligence au service de la finance

C’est également un outil puissant d’intelligence économique. Dans le secteur de la finance par exemple, le natural language processing est de plus en plus utilisé pour étudier le marché. Un économiste de RBC Capital Markets a ainsi développé un algorithme, l’ECB-O-Meter, qui analyse les discours des dirigeants des Banques centrales européennes pour prédire les prochaines orientations de politiques monétaires.

La traduction

Enfin, le NLP permet d’automatiser la traduction, toujours en entraînant un système dont le contenu est alimenté par l’humain. Comment ? L’algorithme s’entraîne sur des textes disponibles dans les deux langues pour comprendre comment une expression a été traduite dans d’autres contextes. Le système s’améliore avec le temps, et permet ainsi aujourd’hui à certains d’entre eux (et nous ne citerons pas BING Translator pour ne pas faire d’auto-promo…) d’obtenir des traductions en temps réel avec une précision approchant celle d’un traducteur professionnel. Et le tout, dans plusieurs dizaines de langues. La preuve ci-dessous…

Lire aussi Intelligence artificielle : ce qu’il faut savoir avant de se lancer

5.Quels sont les prérequis avant de tenter le natural language processing

Identifier la problématique business

Toutes les entreprises peuvent se lancer dans un projet incluant du natural language processing. Les possibilités sont infinies ! Pour n’en citer que quelques-unes déjà en place :

Valider le cas d’usage

Et ce, en déployant le moins d’effort, de temps et d’argent possible. Pour cela demandez-vous en premier lieu s’il n’existe pas déjà une solution sur étagère. Les services cognitifs sont pléthoriques, il y en a sans doute un qui répond à votre besoin. « Même s’il ne répond qu’à 80 % à votre besoin, cela vous permettra de valider le besoin et la valeur que vous pouvez en attendre. Avant de vous lancer si besoin dans un développement. » Vous pouvez aussi opter pour l’apprentissage par renforcement : un algorithme existant à spécialiser dans votre domaine d’activité.

Déployer à l’échelle

Cette étape intervient quand la valeur du natural language processing a été démontrée. Pour cela, il faut constituer une équipe en interne composée de data scientists, de data engineers et de data analysts. Ces derniers ont notamment pour mission de faire le pont entre les équipes techniques et les métiers pour concevoir des projets adaptés à une pluralité de secteurs et de verticales. L’équipe interne du projet permet ainsi le développement d’une étroite collaboration entre toutes les parties prenantes. Vous pouvez aussi développer votre propre solution à ce moment-là.

Pour en savoir plus sur le natural language processing : 

Questions Fréquentes