Qu’est-ce que le traitement automatique du langage naturel (NLP) ?

Points clés à retenir

• Le traitement automatique du langage naturel aide les ordinateurs à traiter le langage humain, qu’il s’agisse de textes écrits ou de paroles.
• Le NLP permet d’effectuer des tâches comme la traduction, la recherche, la synthèse, l’analyse des sentiments et les conversations avec des chatbots.
• Commencez par une petite tâche à faible risque, protégez les informations sensibles et vérifiez les résultats avant de vous y fier.

Le traitement automatique du langage naturel (NLP) est une branche de l’intelligence artificielle qui aide les ordinateurs à analyser, interpréter et générer du langage humain. Il fait le lien entre les mots employés par les personnes et les tâches que les logiciels peuvent accomplir, comme répondre à une question, classer un ticket d’assistance ou résumer un document.

Comment ça fonctionne

Le langage humain est complexe. Nous utilisons de l’argot, laissons certaines choses implicites et donnons à un même mot des sens différents selon le contexte. « C’est froid » peut décrire le temps, une boisson ou le comportement de quelqu’un.

Les systèmes de NLP utilisent des règles, des méthodes statistiques, l’apprentissage automatique ou une combinaison de ces approches pour repérer des régularités utiles dans le langage. Les systèmes modernes apprennent souvent ces régularités à partir de vastes ensembles de textes plutôt que de s’appuyer entièrement sur des instructions rédigées manuellement.

Le processus exact varie, mais voici les étapes courantes.

1. Recevoir du langage en entrée

L’entrée peut être une requête de recherche, un e-mail, un document ou un message adressé à un chatbot. Pour une entrée vocale, un système de reconnaissance vocale peut d’abord convertir l’audio en texte.

2. Découper l’entrée en éléments exploitables

De nombreux systèmes divisent le texte en *tokens*. Un token peut être un mot, une partie de mot ou un signe de ponctuation. Certains processus découpent également les documents en sections ou repèrent les limites des phrases.

3. Représenter le sens et le contexte

Les modèles modernes transforment les tokens ou les passages en représentations numériques. Celles-ci peuvent aider à repérer les relations entre les mots et les concepts, par exemple le fait que « résilier mon abonnement » et « arrêter mon forfait mensuel » expriment des intentions similaires.

Le contexte compte : « carte » n’a pas le même sens dans « carte routière » et « carte bancaire ».

4. Effectuer une tâche précise

Un système peut classer un e-mail comme indésirable, extraire une date de livraison, trouver un document pertinent ou générer une réponse. Les différentes tâches de NLP peuvent faire appel à des modèles et à des étapes de traitement différents.

5. Évaluer le résultat

Pour être utile, un système doit être testé sur des exemples réalistes. Pour un système d’orientation des tickets, cela signifie vérifier que les messages parviennent à la bonne équipe. Pour un résumé, il faut vérifier son exactitude, sa couverture du contenu et l’éventuel ajout d’informations non étayées par le modèle.

Les grands modèles de langage, ou LLM, constituent l’une des approches utilisées en NLP. Ils sont puissants, mais toutes les tâches linguistiques ne nécessitent pas un grand modèle génératif ; un classificateur plus simple ou un système fondé sur des règles peut suffire.

Exemples concrets

Vous utilisez probablement régulièrement le NLP, même lorsqu’un produit ne le met pas en avant.

Service client : Un chatbot peut reconnaître les questions courantes et fournir des réponses pertinentes. Un système de classification distinct peut orienter les réclamations liées à la facturation vers l’équipe comptable. Lorsqu’il est connecté à des documents fiables de l’entreprise, un assistant peut rechercher des informations avant de rédiger une réponse.

Gestion des e-mails et des documents : Le NLP peut aider à trier les messages, à extraire des noms et des dates, et à résumer de longs rapports. Par exemple, une équipe peut transformer des notes de réunion en une ébauche de liste d’actions, puis vérifier les responsables et les échéances.

Recherche : Une recherche tenant compte du langage peut associer une question à des informations pertinentes même lorsque les formulations diffèrent. Une personne qui recherche « frais liés au travail à domicile » peut avoir besoin d’un document intitulé « Politique de remboursement des frais de télétravail ».

Traduction et accessibilité : Le NLP permet la traduction entre langues et des fonctionnalités comme la simplification de texte. Associé aux technologies vocales, il contribue également au sous-titrage et aux interfaces vocales.

Avis clients : L’analyse des sentiments estime si un texte exprime des sentiments positifs, négatifs ou neutres. Elle peut aider à organiser les avis, mais le sarcasme et les opinions nuancées la rendent imparfaite.

Analyse des données : Les interfaces en langage naturel peuvent transformer une question métier en SQL, le langage couramment utilisé pour interroger les bases de données. Snowflake Copilot est un exemple d’outil permettant de traduire des demandes en langage naturel en SQL pour les entrepôts de données cloud. Les requêtes générées doivent néanmoins être vérifiées, surtout lorsque les définitions métier sont ambiguës.

Avantages et limites

Le principal avantage du NLP est de faciliter le traitement à grande échelle des tâches impliquant beaucoup de contenu linguistique.

Il peut réduire les tâches de tri répétitives, aider à trouver des informations plus rapidement et produire des premiers jets utiles. Les interfaces en langage naturel peuvent aussi rendre les logiciels plus accessibles : les utilisateurs peuvent poser une question au lieu d’apprendre une commande spécialisée.

Cependant, un résultat formulé avec fluidité n’est pas nécessairement correct.

Les principales limites sont les suivantes :

• Ambiguïté : Une demande courte peut avoir plusieurs interprétations raisonnables.
• Détails inventés : Les systèmes génératifs peuvent produire des affirmations plausibles qui ne sont pas étayées par la source.
• Performances inégales : Les résultats peuvent varier selon les langues, les dialectes, les sujets spécialisés et les styles d’écriture.
• Biais : Les données d’entraînement et la conception du système peuvent entraîner des résultats injustes ou trompeurs.
• Risques pour la confidentialité : L’envoi de messages clients ou de documents internes peut exposer des informations sensibles.
• Manque de contexte : Un modèle peut ne pas connaître la terminologie, les politiques ou les dernières décisions de votre organisation.

Pour les décisions importantes, utilisez le NLP comme une aide plutôt que comme l’autorité finale. Vérifiez les sources originales et faites appel à des personnes qualifiées pour examiner les questions à fort enjeu dans les domaines juridique, médical, financier ou de l’emploi.

Comment se lancer

Vous n’avez pas besoin de créer un modèle pour découvrir le NLP.

1. Choisissez une tâche de portée limitée

Essayez de résumer un article public, de classer des exemples d’avis ou d’extraire des dates d’un document non sensible. Définissez ce qu’un bon résultat doit contenir avant de commencer.

2. Choisissez un outil adapté

Pour la rédaction conversationnelle et la synthèse, ChatGPT ou Claude peuvent constituer un point de départ accessible.

Pour les développeurs qui explorent la recherche en entreprise, Cohere propose des représentations vectorielles de texte et des fonctionnalités de génération augmentée par la recherche. La génération augmentée par la recherche, ou RAG, fournit à un modèle des éléments récupérés afin de l’aider à fonder ses réponses sur des sources ; elle ne garantit pas leur exactitude.

3. Donnez des instructions claires

Précisez la tâche, les documents sources, le format de sortie et les limites à respecter. Par exemple :

Résume le texte ci-dessous en cinq puces. Inclus uniquement les informations présentes dans le texte. Conserve les dates et les chiffres, et signale tout élément peu clair.

4. Comparez avec l’original

Recherchez les conditions omises, les chiffres modifiés, les affirmations inventées et les interprétations incorrectes. Pour la classification, testez des exemples mixtes et ambigus, pas seulement des cas évidents.

5. Examinez les questions de confidentialité avant d’élargir l’usage

Vérifiez les conditions de traitement des données de l’outil et les politiques de votre organisation. Conservez une étape de validation humaine partout où des erreurs pourraient causer un préjudice.

FAQ

Le NLP est-il la même chose que l’intelligence artificielle ?

Non. L’IA est le domaine plus large, tandis que le NLP se concentre sur le langage humain. L’apprentissage automatique est un ensemble de méthodes utilisées dans de nombreux systèmes de NLP, et les grands modèles de langage sont un type de modèle utilisé pour les tâches linguistiques.

Tous les chatbots utilisent-ils le NLP ?

Pas nécessairement. Un chatbot qui propose uniquement des boutons et suit des menus fixes peut utiliser peu ou pas de NLP. Un chatbot qui interprète des messages saisis librement utilise généralement des techniques de traitement du langage, même s’il peut toujours s’appuyer sur des règles pour certaines parties de la conversation.

Ai-je besoin de compétences en programmation pour utiliser le NLP ?

Non. De nombreux assistants et applications professionnelles proposent des fonctionnalités de NLP prêtes à l’emploi. La programmation devient plus utile lorsque vous souhaitez connecter des sources de données privées, automatiser un processus, évaluer systématiquement les performances ou créer une application spécialisée.