NLU: Compréhension du Langage Naturel
Depuis l’apparition des machines, l’homme souhaite plus que tout entrer en communication avec elles. Depuis plus de 60 ans, les recherches en Intelligence Artificielle tendent à ce but. S’il existe déjà des langages de programmation qui permettent une forme d’échange avec la machine, ces échanges ont tendance à rester particulièrement artificiels. Le but des chercheurs est ainsi de rendre naturelles les communications homme-machine.
Le Natural Language Processing (NLP) ou le Traitement Automatique des Langues Naturelles (TALN) est le domaine qui se concentre sur la compréhension, la manipulation et la génération du langage naturel par les machines dans le but de créer des échanges pertinents et naturels avec elles.
Le Natural Language Understanding (NLU) ou la Compréhension du Langage Naturel, est un sous-domaine récent du NLP. Comme son nom l’indique, le NLU s’intéresse spécifiquement à la manière dont le langage écrit est compris par la machine: cette dernière doit pouvoir ainsi comprendre ce que la phrase «J’ai toujours été un bon hôte» signifie malgré l’ambiguïté du terme «hôte». Ce sous-domaine comprend également l’ensemble des tâches telles que l’analyse de sentiment, le résumé automatique de texte, les systèmes de questions-réponses ou encore les agents conversationnels.
Il existe aujourd’hui deux types de chatbots: celui qui fonctionne à base de commandes, c’est-à-dire des questions prédéfinies (bots d’interaction textuelle) et celui qui tente d’imiter le langage naturel en analysant les mots de son interlocuteur et que l’on appelle communément agent conversationnel. Le langage naturel est ce qui fera toute la différence entre un chatbot et un agent conversationnel.
Afin d’imiter au mieux l’expression naturelle humaine, les machines doivent comprendre et apprendre à se servir des marqueurs d’intention et d’émotion tels que l’humour, les temps de pause, les marqueurs d’oralité ou encore les smileys. Elles doivent également partager certaines caractéristiques sociolinguistiques du locuteur humain pour garder une certaine proximité avec lui: notamment concernant le niveau de langue et le style de langage.
La force d’un agent conversationnel, contrairement au chatbot classique, réside dans sa capacité à contextualiser le dialogue et à comprendre les coréférences, pour éviter ce genre de dialogue:
Humain: «J’ai mangé des pâtes»
Machine: «Bon appétit»
Humain: «Tu en veux?»
Machine: «Si vous ne voulez pas, tant pis.»
Il est évident dans ce dialogue que le «en» de la deuxième intervention humaine n’est pas compris par la machine car le contexte et la coréférence n’ont pas été pris en compte. Là est le problème majeur des agents conversationnels existants: ces derniers ne sont pas encore capables de tenir compte du contexte de la conversation ni de son historique. Ainsi, plus la conversation est longue, plus elle sera difficile à tenir pour l’agent.
Il existe cependant des systèmes pour recentrer la conversation lorsque l’utilisateur sort du contexte de l’agent conversationnel. Cela peut passer par une escalade: le chatbot renvoie l’utilisateur vers un conseiller humain ou lui rappelle ses propres limitations, mais cela peut également passer par un simple retour à la question de base. Ainsi, dès l’instant où l’agent n’a pas un indice de confiance suffisant dans son analyse contextuelle de la phrase de l’utilisateur, il peut demander une réponse plus claire sans pour autant faire chuter l’expérience. Dans le cas d’un agent de réservation de billets de train, par exemple, la réponse de recentrement «Veuillez reformuler votre réponse» est moins engageante et naturelle que «Je n’ai pas bien compris. Souhaitez-vous toujours partir à Rome?».
