NLU peut sembler n'être qu'un acronyme de plus dans l'écosystème de l'IA, mais il est essentiel pour que l'IA comprenne ce que nous voulons vraiment dire.
Comment Siri sait-il si vous demandez votre chemin ou si vous jouez une chanson ?
Comment un chatbot IA peut-il faire la différence entre une question sur un produit et une demande d'assistance ?
Voyons comment fonctionne le NLU et pourquoi il est nécessaire pour des interactions plus intelligentes avec l'IA.
Qu'est-ce que le NLU ?
La compréhension du langage naturel (NLU) est un sous-ensemble du traitement du langage naturel (NLP) qui permet aux machines d'interpréter et de comprendre le langage humain.
Le NLU est utilisé dans les chatbots d'IA, les assistants virtuels et les outils d'analyse des sentiments. Elle permet aux machines d'interpréter avec précision les intentions des utilisateurs, qu'il s'agisse de texte ou de voix, afin qu'elles puissent prendre les mesures qui s'imposent.
Le NLU est considéré comme un problème difficile pour l'IA (également connu sous le nom d'IA-complet), ce qui signifie qu'il nécessite une intelligence artificielle pour être résolu. Le NLU est impossible à résoudre sans intelligence artificielle (IA).
Comment fonctionne le NLU ?
Le NLU décompose le langage humain pour en interpréter le sens et l'intention. Voici comment cela fonctionne, étape par étape :
- Le texte est prétraité afin de supprimer les éléments inutiles (comme la ponctuation et les mots vides).
- Le système identifie les éléments clés tels que les entités, les mots-clés et les phrases du texte.
- Il analyse la structure des phrases pour comprendre les relations entre les mots et les concepts.
- Le modèle NLU associe les éléments reconnus à des intentions ou à des objectifs spécifiques.
- Le moteur NLU affine sa compréhension en fonction du contexte et de l'historique des interactions avec l'utilisateur.
- Le système fournit un résultat structuré qui peut déclencher des actions ou des réponses appropriées.
Exemple concret
Prenons un exemple.
Patrick utilise au travail un agent d'intelligence artificielle qui s'intègre à toutes ses applications principales, y compris son calendrier.
Patrick tape à son agent IA : "Fixez un rendez-vous avec Anqi à 13 heures demain, ou à une heure similaire. Prévoyez un suivi deux semaines plus tard."
Son agent IA le fera :
- Identifier l'intention : L'agent identifie que Patrick souhaite organiser une réunion.
- Extraire les entités clés : L'agent identifie que Patrick parle de "Anqi", le contact, de "13 heures", l'heure, et de "demain", la date.
- Analyse des énoncés : L'agent identifie que l'action est "planifier", qu'elle doit être effectuée avec Anqi, et que l'heure et le jour doivent être 13 heures demain.
- Compréhension du contexte : L'agent vérifie les calendriers de Patrick et d'Anqi pour s'assurer de leur disponibilité. Si demain 13 heures n'est pas libre, il proposera une heure similaire, comme demandé.
- Action finale : L'agent planifie la réunion et le suivi en envoyant des invitations à Patrick et Anqi.
Utilisations concrètes de l'UML
Il est probable que vous rencontriez le NLU dans votre vie quotidienne, souvent sans même vous en rendre compte. Voici quelques-unes des applications les plus courantes dans le monde réel :
Assistants vocaux
Les assistants vocaux tels que Siri, Alexa et Google Assistant s'appuient sur le NLU pour comprendre l'intention qui se cache derrière vos commandes vocales.
Par exemple, lorsque vous dites "Fixez un rappel pour mon rendez-vous chez l'ongle à 14 heures", l'assistant décompose votre phrase, identifie l'intention (fixer un rappel) et extrait les entités (rendez-vous chez l'ongle, demain, 14 heures).
Le NLU permet à ces assistants de comprendre les demandes verbales et d'y donner suite en prenant les mesures qui s'imposent.
Chatbots pour le service à la clientèle
Lorsque vous vous adressez à un chatbot d'assistance à la clientèle et que vous tapez "Où est mon colis ?", le chatbot utilise la NLU pour déterminer que votre intention est de vérifier l'état de la livraison.
Il extrait l'entité nécessaire - les informations relatives à votre commande - et fournit la mise à jour correcte. C'est cette capacité à comprendre et à répondre aux diverses demandes des clients qui fait du NLU un élément essentiel de l'automatisation moderne du service à la clientèle.
Tri et automatisation des courriels
Le NLU est également à l'origine des systèmes d'automatisation du courrier électronique. Par exemple, ces outils peuvent lire les courriels entrants, en comprendre le contenu et les classer automatiquement dans des catégories telles que "urgent", "promotions" ou "réunions".
Ces systèmes peuvent même générer des réponses appropriées en fonction du contenu du courrier électronique, ce qui permet aux entreprises de gagner du temps dans la gestion de la communication.
Analyse de texte pour le retour d'information et les enquêtes
Les entreprises utilisent souvent la NLU pour analyser les retours d'information provenant d'enquêtes, d'évaluations et de publications sur les médias sociaux.
La NLU permet d'identifier des modèles et des sentiments dans le langage écrit, ce qui permet de comprendre les besoins et les opinions des clients.
Par exemple, un système NLU peut analyser des centaines d'avis de clients et déterminer si la plupart des utilisateurs ont une opinion positive ou négative d'une caractéristique spécifique à l'aide de l'analyse des sentiments.
Composants clés
Tokenisation
La tokenisation consiste à diviser une phrase en unités plus petites, comme des mots ou des phrases, afin de faciliter son traitement par l'IA.
Exemple: "Programmer une réunion à 15 heures demain" est transformé en ["Programmer", "une", "réunion", "pour", "15 heures", "demain"].
Marquage de la partie du discours (POS)
L'étiquetage POS identifie la structure grammaticale d'une phrase en étiquetant chaque mot comme un nom, un verbe, un adjectif, etc.
Exemple: Dans "Programmer une réunion", l'IA marque "Programmer" comme un verbe et "réunion" comme un nom.
Reconnaissance des entités nommées (NER)
La reconnaissance des entités nommées (NER) détecte et classifie les entités importantes telles que les noms, les lieux et les dates dans le texte.
Exemple: Dans "Réserver un vol pour New York vendredi prochain", l'IA identifie "New York" comme un lieu et "vendredi prochain" comme une date.
Classification des intentions
La classification des intentions permet de déterminer l'objectif sous-jacent de l'utilisateur ou le but qui sous-tend sa saisie.
Exemple: "Réserver une table pour deux" est classé comme l'intention de faire une réservation.
Analyse des dépendances
L'analyse syntaxique des dépendances analyse les relations entre les mots pour comprendre la structure grammaticale de la phrase.
Exemple: Dans "Envoyer le rapport à Maria", l'IA indique que "Maria" est la destinataire du rapport.
Analyse contextuelle
L'analyse contextuelle utilise les conversations environnantes ou les interactions antérieures pour s'assurer que les réponses sont pertinentes et exactes.
Exemple: Si un utilisateur a déjà posé une question sur un projet spécifique, l'IA peut adapter les réponses futures en fonction de ce contexte.
Créer un agent NLU personnalisé
Avec les progrès rapides de la technologie de l'IA, n'importe qui peut créer un agent d'IA doté de capacités NLU.
Botpress est une plateforme de création de robots extensible à l'infini, conçue pour les entreprises. Notre site stack permet aux développeurs de créer des chatbots et des agents d'IA pour n'importe quel cas d'utilisation.
Il est facile de commencer grâce à notre niveau gratuit, à nos tutoriels détaillés et à notre système de gestion de l'information. Botpress Academy.
Commencez à construire dès aujourd'hui. C'est gratuit.
Table des matières
Restez au courant des dernières nouveautés en matière d'agents d'IA
Partager ce message sur :
.svg)
