La mascarade des chatbots : créer une personnalité grâce à la PNL et à la grammaire

L'engouement pour les chatbots ne cesse de croître. Maintenant que les principales plateformes de messagerie, notamment Messenger (Facebook), Telegram ou Slack proposent des services liés aux robots, la question qui reste à se poser est peut-être la suivante : les chatbots tiennent-ils leurs promesses ? La réponse est complexe. Alors que sur le plan technique, les frameworks, les services et les bibliothèques de création de robots ne cessent de s'améliorer, la capacité des chatbots à comprendre leurs utilisateurs et à s'exprimer doit être affinée pour une adoption massive. Examinons les défis sous-jacents du traitement du langage naturel et de l'obtention d'une expression similaire à la nature. Il existe essentiellement deux manières de créer un chatbot : les robots basés sur des règles et les chatbots basés sur l'intelligence artificielle (IA).

• Chatbot basé sur des règles : ce sont les plus simples... si l'utilisateur dit A, le bot dira B. Par exemple, un robot météo répondra en indiquant la météo de Los Angeles à la requête « météo + LA ». Les règles peuvent intégrer une certaine flexibilité pour fonctionner correctement même si l'utilisateur saisit la commande avec une faute de frappe, par exemple. Cependant, le bot ne pourra pas traiter une requête inconnue.
• Chatbot basé sur l'IA : cette approche est totalement différente, même si les deux peuvent être mélangées. Ces robots peuvent analyser la langue de l'utilisateur pour en extraire le sens et répondre en conséquence — ils peuvent traiter une entrée inconnue. Pour ce faire, les chatbots basés sur l'IA utilisent une technique appelée traitement du langage naturel (NLP).

Le traitement du langage naturel : la clé des chatbots intelligents

Le traitement du langage naturel (NLP) est un moyen pour les ordinateurs d'analyser, de comprendre et d'en tirer un sens du langage humain. iCapps

iCapps donne une définition assez claire et simple de la PNL [note de bas de page]. Essentiellement, l'objectif de la PNL est de créer programmes capables de comprendre les entrées linguistiques courantes au lieu de demander à l'utilisateur de prétraiter ses requêtes pour les rendre compréhensibles par une machine (les premières conversations « Siri »). Pour ce faire, La PNL repose sur six étapes clés. Nous allons détailler ce qui se cache derrière chacune de ces étapes pour faire le lien entre une invite écrite et l'analyse de l'expression en langage naturel :

1. Tokénisation

Avant de traiter une demande écrite, le texte doit être décomposé en mots et en phrases pour faciliter l'analyse. À cet égard, la tokenisation est un prétraitement: il identifie les unités de base (mots et phrases) qui seront traitées lors de l'analyse. Bien que cette étape puisse sembler élémentaire, la tokenisation doit être précise pour que le reste de l'analyse soit pertinent. En effet, puisque la tokenisation est la première étape de la PNL, les erreurs commises ici se propageront et poseront des problèmes d'interprétation ultérieurement. Bien que cela puisse sembler simple (les mots sont séparés les uns des autres par des espaces, duh !) la réalité de la tokenisation est plus complexe : « Los Angeles » est une entité individuelle même si elle est composée de deux mots. « Je suis » est composé de deux mots et de deux idées différentes, sans aucun espace entre eux. En outre, Les techniques de PNL peuvent être appliquées à des « textes sales » — des instructions qui contiennent des fautes d'orthographe, des espacements incorrects ou une mauvaise utilisation de la ponctuation, ce qui rend les choses encore plus délicates. Par conséquent, différentes méthodes de tokenisation ont été développées, chacune ayant ses forces et ses faiblesses. Le Article du blog des développeurs d'IBM sur le sujet est un bon point de départ pour en savoir plus. Les méthodes de tokenisation ne sont pas absolues : elles sont choisies et adaptées en fonction de la nature du texte analysé.

2. Analyse lexicale

Avec un processus de tokenisation réussi, les mots sont correctement séparés les uns des autres. Bien entendu, l'étape suivante consiste à classer les jetons pour faciliter leur traitement. Un moyen simple de classer les jetons consiste à utiliser une catégorisation de langue déjà existante — la nature grammaticale des mots.

‍

La linguistique qui sous-tend les chatbots -iCapps

Tout d'abord, c'est pratique car la correspondance entre un mot et sa nature grammaticale est facile à faire à l'aide d'un dictionnaire. En plus de cela, comme la grammaire est l'ensemble des règles régissant la composition des clauses et des phrases dans la langue, le tri des jetons avec les critères grammaticaux facilitent les étapes suivantes, notamment la suivante : l'analyse syntaxique.

3. Analyse syntaxique

Alors que la tokenisation et l'analyse lexicale se font au niveau du mot, l'analyse syntaxique passe au niveau de la phrase pour identifier la relation entre chaque mot. En gros, cela vous ramène à l'école : article + adjectif (s) + nom = groupe de matières, etc.

La linguistique qui sous-tend les chatbots - iCapps

Essentiellement, le l'analyse syntaxique fournit l'ordre et la structure de chaque phrase du texte. L'identification des sujets, par exemple, est particulièrement importante pour l'une des étapes suivantes, l'intégration du discours, qui examine le contexte de chaque phrase.

4. Analyse sémantique

Au cours de cette étape, l'ordinateur cherche la signification de chaque mot. Ce qui peut à nouveau ressembler à une étape simple pour un humain (nous avons des dictionnaires pour ça, duh !) est plus délicat pour un ordinateur. Certains mots sont simples et donc faciles à interpréter : « monosémie », par exemple, est l'exemple parfait du corps et de l'âme: c'est un nom qui fait référence exclusivement à « la propriété de n'avoir qu'un seul sens ». Le sens réel voulu peut être beaucoup plus difficile à comprendre pour les mots polysémiques. Le terme « Set » a 119 significations différentes et peut être utilisé comme un verbe transitif ou intransitif, un nom, un adjectif, une interjection, ainsi que pour participer à des phrases verbales (comme « en retrait ») et à des expressions idiomatiques (comme « tout ensemble »). Les étapes précédentes facilitent cette tâche dans une certaine mesure. En effet, si nous savons que « ensemble » est utilisé comme nom, il nous reste 28 significations différentes possibles. Le contexte est crucial ici pour découvrir le sens voulu par l'orateur.

5. Intégration du discours

L'intégration du discours examine signification des phrases par rapport aux phrases précédentes. La cohérence entre les phrases suivantes du texte est supposée. Pour y parvenir, la clé réside dans les pronoms qui doivent être correctement reconnus comme tels, puis liés à l'antécédent pertinent. Par exemple, dans l'instruction suivante, l'ordinateur doit être capable de reconnaître correctement « it » et de le lier à « CALLR » :

CALLR est une API de messagerie vocale et SMS. Il aide les particuliers et les entreprises à créer des communications intelligentes, automatisées, personnalisées et contextuelles.

Les références anaphoriques peuvent être difficiles à interpréter, en particulier dans naturel langue où les antécédents des pronoms peuvent ne pas être clairs ou absents.

6. Analyse pragmatique

La pragmatique étudie la façon dont le contexte contribue au sens. C'est l'étape qui passe de ce qui est dit à ce que l'on veut dire, qui est la plus difficile des six étapes. L'ambiguïté est difficile à gérer avec les ordinateurs, mais c'est tout ce que nous faisons lorsque nous, les humains, parlons. Selon les langues et les situations, le contexte peut être plus ou moins important. Même les linguistes humains ont du mal à définir des méthodes pour analyser le sens donné par le contexte. Diverses théories ont émergé pour expliquer l'utilisation référentielle du langage, telles que les six fonctions du langage de Jakobson [note de bas de page] ou la théorie des actes de parole [note de bas de page]. Définir ce qu'est le contexte est déjà une tâche difficile pour un linguiste ; la conscience contextuelle est sans doute la partie la plus difficile de la PNL.[cta href= » https://www.callr.com/usecases/sms-bot/ "txt="Commencez à créer des robots compatibles SMS » btn="Consultez notre API "]

Pourquoi échouent-ils ? Les sept péchés des chatbots

Les chatbots actuellement disponibles ne répondent le plus souvent pas aux attentes des utilisateurs pour des raisons allant de problèmes de conception liés aux limites techniques. Fabricio de UxDesign.cc résume, principalement du point de vue de la conception, les sept péchés des chatbots :

1. Disponibilité limitée de l'IA

Même si la plateforme et les bibliothèques de PNL sont de plus en plus accessibles et courantes, comme indiqué dans notre article précédent, L'IA reste difficile et coûteuse à mettre en œuvre. Cela signifie que malgré l'engouement technologique que suscitent les chatbots, une grande partie de la base de robots actuellement déployée s'appuie toujours sur une logique d'arbre de décision déclenchée par des mots pour répondre aux requêtes. L'intelligence de ce type de bot dépend de la rigueur de la personne qui a conçu l'arbre et de sa capacité à anticiper les cas d'utilisation et les entrées potentiels. Même si ces robots peuvent être efficaces dans certains contextes spécifiques, ils générer rapidement de la frustration en raison de leur manque de capacités linguistiques. Ils sont souvent désemparés face à notre façon de parler dans le monde réel : abréviations, phrasé non grammatical, fautes d'orthographe... De plus, en raison de leur logique de décision arborescente, ils ne sont pas en mesure de répondre de manière appropriée à des cas d'utilisation imprévus:

Une météo qui se laisse berner par l'ambiguïté entre Paris, la capitale de la France et toutes les autres villes (plus de 20 ans) situées dans plusieurs États américains.

2. Les cas d'utilisation sont-ils vraiment si solides ?

Lorsque des technologies innovantes apparaissent, elles ont tendance à susciter un engouement particulier au sein des communautés de développeurs et de designers. Tout comme les applications, ou le site Web avant cela, les chatbots deviennent incontournables pour toute entreprise qui souhaite paraître innovante. La ruée vers l'or des chatbots entraîne le développement de robots capables de résoudre des cas d'utilisation non pertinents ou d'offrir une expérience client médiocre. Cela conduit à une multiplication de robots mal conçus, soit ne répondant pas à un cas d'utilisation réel, soit ne faisant que faire pire que les solutions existantes (sites, applications) [note de bas de page] : robots pour blagues à papa, robots fleuristes personnels, robots météorologiques... Les bons chatbots, en revanche, sont ceux qui résoudre un problème d'une manière plus pratique et plus simple que ne l'auraient fait les sites Web ou les applications. Par exemple, Kip est un robot Slack conçu pour simplifier la gestion des commandes collectives d'épicerie et de nourriture au bureau. Le utilisation efficace des fonctions intégrées de Slack permet à @Kiptalk d'être pratique et réactif.

Le bot Kip Slack est en action

3. Manque de transparence : à qui/à qui je parle ?

La façon dont les chatbots se présentent encadre l'interaction de l'utilisateur. Même si les créateurs de robots veulent qu'ils se sentent aussi humains que possible, ils doivent garder à l'esprit l'importance de définir les bonnes attentes. Les gens font preuve d'empathie envers les autres, pas envers les machines. Le choix entre un « bot humanisé » et un bot assumant son identité mécanique est difficile ; il s'agit essentiellement de la relation que vous souhaitez établir entre votre chatbot et ses utilisateurs. Les utilisateurs ont tendance à être plus patients et à tolérer les erreurs commises par un robot honnête quant à sa nature robotique. Bien que le fait de donner aux robots des réponses génériques prédéfinies à utiliser lorsqu'ils ne comprennent pas une requête peut aider à maintenir le flux de conversation, est-ce que cela contribue à renforcer la confiance ?

4. Manque de connaissance du contexte

La conversation humaine est difficile à reproduire à cause de ses confiance dans le contexte : nous utilisons et comprenons le sarcasme, adaptons notre façon de discuter en fonction des canaux et des personnes auxquelles nous nous adressons [note de bas de page] et savons lire entre les lignes. Les robots ne le peuvent pas. Imaginez qu'un ami vienne chez vous : Friend: « Tu as des bières ? » Vous: « Aidez-vous. » Rien de plus que ces deux mots, votre ami en déduit que vous avez des bières, qu'elles sont probablement à leur place habituelle et qu'il peut en prendre une ou deux si vous buvez aussi.

Chatbot sûr demande votre position à chaque requête.

Les robots qui ne sont pas alimentés par les technologies de traitement du langage naturel ne peuvent pas conserver d'informations contextuelles pendant longtemps. Ils peuvent perdre de vue ce que dit le client avant qu'il ne pose sa question.

5. Absence de communication avec les systèmes d'entreprise existants

Pour être efficace, les robots doivent être capables d'interagir avec les processus métier actuels au lieu d'en créer de nouveaux. En fin de compte, les chatbots font partie d'un vaste écosystème constitué de nombreux points de contact entre les clients et les marques. La création d'un chatbot fonctionnant en silo nuit non seulement à la capacité du bot à traiter les requêtes des utilisateurs et à y répondre, mais elle complique également les choses pour que l'entreprise gère les demandes générées par les canaux de robots. Seuls les robots capables d'interagir avec des processus métier préexistants peuvent générer de la valeur de manière constante, comme Kip en a déjà parlé : il commande l'article indiqué sur la liste d'épicerie collectée avec Slack via Amazon.

6. Manque de concentration

Les robots efficaces s'attaquent à des problèmes spécifiques pour lesquels ils peuvent apporter plus de valeur que leurs homologues préexistants (site Web, applications ou tout autre mode d'interaction). Les canaux préexistants pour résoudre le problème utilisateur défini doivent être étudiés en profondeur créer un chatbot qui améliore la conception et l'efficacité de l'interaction. De plus, un manque de concentration peut rendre le bot à la fois difficile à développer et à maintenir.

7. Absence de protocole d'escalade humaine

Les robots ne sont pas la solution à toutes les interactions avec les clients. Même si la tentation de l'automatisation est compréhensible pour les entreprises comptant de nombreux clients, il y a toujours des situations où une touche humaine est requise. Ces situations doivent être prises en compte et incluses dans l'arbre de décision/les actions des robots. En effet, sans escalade appropriée, ces situations se traduisent par un utilisateur laissé en suspens, probablement frustré par son interaction infructueuse avec le bot. La perspective commerciale dominante actuelle tend à considérer les chatbots comme un moyen de réduire le besoin de véritables humains pour gérer les interactions avec les clients.. La vérité sur les robots efficaces et engageants est le contraire : ils sont utilisés pour créer un nouveau canal d'interaction où une personne réelle sera disponible si nécessaire. Avec une meilleure compréhension de ce qu'est la PNL, d'un point de vue linguistique et des principales raisons de l'échec des robots actuels, il est temps de revenir à la linguistique et d'explorer ce dont les robots ont besoin pour obtenir une expression vraiment naturelle. Comme les caractéristiques linguistiques varient d'une langue à l'autre, nous nous concentrerons uniquement sur l'anglais, qui est la langue la plus courante pour les robots et celle pour laquelle les recherches sont les plus avancées. [cta href= » https://www.callr.com/usecases/sms-bot/ "txt="Permettez à vos utilisateurs d'interagir avec vos robots sur leur canal préféré : SMS » btn="Consultez notre API "]

Comment obtenir une expression vraiment naturelle ?

1. Vocabulaire : la quantité est facile, la polysémie ne l'est pas

Selon les estimations et la façon dont un « mot » est défini, il existe environ 500 000 mots dans la langue anglaise. La plupart d'entre eux sont très rarement utilisés: ils peuvent être obsolètes, appartenir à un jargon spécifique à un domaine ou spécifiques à un registre. En effet, un locuteur natif anglais instruit possède un vocabulaire actif d'environ 50 000 mots. [note de bas de page] Une fois de plus, sur ces 50 000 mots, certains d'entre eux figurent dans la plupart de nos textes. Les mots fréquemment utilisés incluent les plus flexibles : les verbes, les prépositions et les pronoms. Les recherches indiquent que 2 145 mots représentent 80 % de tout le texte anglais.[note de bas de page] Comme l'a prouvé l'analyse des défis de l'analyse sémantique, la difficulté ne réside pas dans la quantité de vocabulaire à appréhender mais dans sa flexibilité : la polysémie est difficile à calculer. Nous avons accès au contexte pour faire le tri entre les dizaines de significations potentielles d'un mot afin de trouver celle qui correspond à notre situation actuelle. Actuellement, les chatbots n'ont que peu ou pas de connaissance du contexte ; ils doivent s'appuyer sur d'autres stratégies.

2. Les maximes d'un chatbot honnête

Pendant que nous parlons, une grande partie de la transmission du sens se fait par les choix que nous faisons. Lorsqu'un photographe prend une photo, il lui donne un angle, une saturation, un cadrage particulier. Au final, il traduit son point de vue, son point de vue dans ce qui est, au sens le plus élémentaire du terme, une représentation très fidèle du monde réel. Nous faisons de même avec la langue. Nous choisissons de parler de certaines choses et pas d'autres, d'utiliser des mots spécifiques pour faire référence à ce que nous voulions dire, d'ordonner ces mots d'une certaine manière parmi toutes les possibilités... Ces choix ont un sens en eux-mêmes.. Il ne nous reste donc qu'à deviner pourquoi la personne qui vous parle a fait ces choix linguistiques. Notre analyse n'est pas purement intuitive ou aléatoire. Pour comprendre l'implicature des instructions (leur signification implicite), nous nous appuyons sur quelques principes fondamentaux. Herbert Paul Grice a étudié la sémantique et est bien connu pour sa théorie de l'implicature [note de bas de page]. Il a isolé quatre maximes principales que nous utilisons pour comprendre les implicatures :

• Maxime de quantité — nous rendons les informations que nous donnons aussi informatives que nécessaire (pour le but actuel de l'échange), mais pas trop détaillées (ce qui nuirait à la compréhension).
• Maxime de qualité — nous essayons d'apporter une vraie contribution. Ce qui signifie ne pas dire ce que nous pensons être faux, mais aussi éviter de parler en l'absence de preuves suffisantes.
• Maxime de pertinence — nous essayons de rester pertinents et de dire des choses pertinentes dans le contexte de la discussion... Difficile pour un bot !
• Maxime de Manner — nous essayons de nous rendre faciles à comprendre. Cela signifie qu'il faut rester aussi concis que possible, éviter toute ambiguïté, être clair et essayer de rester ordonné.

Nous avons une compréhension intuitive de ces maximes et attendons de chaque orateur que nous rencontrons qu'il les suive autant que possible.. Bien que certaines personnes à qui nous discutons ne le fassent pas, nous avons tendance à être frustrées par l'échange qui devient soit difficile à suivre (trop de quantité, pas assez de qualité, pas assez de pertinence, manque de manières), soit trop informatif (manque de quantité ou de qualité). On peut s'attendre à ce que nous détenons les chatbots — s'ils sont suffisamment naturels — selon les mêmes normes.

3. L'autoréférence du bot : à qui/à qui parlons-nous ?

Le personnage féminin soumis est toujours très répandu chez les robots. De plus, les robots capables de traiter des requêtes et d'y répondre par audio adoptent principalement une voix féminine pour la génération de la parole. Siri, probablement l'assistant virtuel le plus célèbre, est sorti pour la première fois avec une voix féminine en 2011. L'option de donner une voix masculine à Siri n'est arrivée que deux ans plus tard.

Le pingouin bleu non sexiste représentant Kip[/caption] Certains créateurs de robots évitent le problème de la définition du genre en créant un personnage non sexiste. Par exemple, Kip, le slackbot dont il a été question plus haut, utilise une mascotte de pingouin comme personnage. Les créateurs de bots ont essentiellement trois options en ce qui concerne l'autoréférence du chatbot :

1. Évitez tout cela ensemble: diverses stratégies d'évitement de l'autoréférence peuvent être appliquées, par exemple en utilisant une mascotte non sexiste ou en produisant une réponse évasive lorsqu'on demande directement au bot quel est son sexe.
2. Utiliser le pronom « I » à la première personne du singulier: bien que le « je » soit la manière la plus simple de répondre à cette question, il fixe également des attentes élevées pour les clients. Si le bot ne parvient pas à afficher une véritable personnalité, son autoréférence peut sembler purement artificielle.
3. Utiliser le pronom « Nous » à la première personne du singulier: « nous » peut sembler être un juste milieu. Cela peut faire référence à l'équipe à l'origine du bot, ou simplement à l'équipe dont le bot se fait passer (comme les employés de banque pour un robot d'employé de banque). Pourtant, le mot « nous » a déjà été largement utilisé pour rendre les communications professionnelles plus conviviales ; un chatbot se faisant appeler « nous » peut souffrir de la lassitude du « nous corporatif ».

Peter Wallis et Emma Norling ont fait des recherches l'impact de l'intelligence sociale, ou son absence, chez les agents conversationnels pour faire face à des situations problématiques[note de bas de page] comme un interlocuteur grossier. Ils soulignent la nécessité pour les chatbots de « jouer le jeu » afin de désamorcer efficacement les conflits.

Une approche décrite dans un prochain article est basée sur l'idée que les émotions sont essentiellement un moyen de signaler l'escalade d'un conflit. Bien que les lions puissent s'infliger des blessures mortelles les uns aux autres, les combats s'arrêtent généralement bien avant que cela ne se produise. De la même manière, une réaction abusive peut être le signe que l'agent est prêt à blesser (émotionnellement) l'humain, et que l'humain ferait mieux d'arrêter rapidement ou de risquer d'être blessé. Bien qu'un humain n'ait aucune réticence à « blesser les sensations » d'une machine, il peut ressentir différemment le fait d'être traité d'abruti lui-même, même si c'est par une machine. Peter Wallis et Emma Norling, voir [9]

4. À la recherche du robot honnête

Nous avons tendance à nous investir personnellement et émotionnellement dans les chatbots. Chatbotslife a analysé 10 milliards de messages envoyés à des robots et a constaté qu'environ 10 % des robots reçoivent un message du type « Je t'aime » ou « Je te déteste ».

Ce que 10 milliards de messages peuvent nous apprendre sur la création de chatbots - La vie des chatbots

La question de l'autoréférence des chatbots est en jeu. Les humains ont tendance à mystifier les objets — nous voyons les objets pour bien plus que leur simple existence physique: un Coca n'est pas qu'un soda, c'est un mode de vie. Brett Scott parle de ce processus appelé fétichisation dans son article Si vous parlez à des robots, vous parlez à leurs patrons. En effet, l'émergence des chatbots repousse les limites de la personnalité des entreprises. Les entreprises ont déjà la personnalité juridique ; les robots peuvent leur apporter une autre couche de pseudo-humanité en leur conférant une personnalité conversationnelle et artificielle qui brouille encore plus la frontière entre les entreprises et les particuliers.

Le Honest Bot n'existe pas actuellement. La nouvelle vague de robots est, pour reprendre un terme popularisé par le marginal existentialiste Holden Caulfield de The Catcher in the Rye, l'ultime trompe-l'œil. Ils feront semblant d'être amicaux, cool, sérieux, perspicaces et même autoréflexions. Mais ils ne seront jamais simplement eux-mêmes. Parce qu'au final, il n'y a pas de « moi ». Il n'existe qu'une société dont les actions sont détenues par qui sait qui, peut-être enregistrée au Panama. Brett Scott

Alors que les robots sont désormais principalement considérés comme un nouveau moyen pratique permettant au consommateur d'interagir avec les marques, la recherche du bot honnête met en évidence les enjeux profonds de l'industrie des chatbots. Au fur et à mesure que la personnalisation des chatbots se précise, les données collectées sur chaque utilisateur augmentent également. Il peut finir par être revendu et consolidé avec d'autres bases de données répondant à l'agenda économique des propriétaires du bot et des plateformes de robots. L'utilisateur final pourrait se retrouver encore plus vulnérable qu'auparavant face à des méthodes intrusives de collecte de données et de publicité. C'est le moment de demandez-vous quels sont les avantages à tirer des chatbots et qui va exploiter ces avantages. Nous devons rester attentifs au battage médiatique et nous assurer que nous bénéficions réellement des robots, et non l'inverse. Une fois qu'ils feront partie de notre quotidien, il sera déjà trop tard. [cta href= » https://www.callr.com/usecases/sms-bot/ "txt="Déploiement de robots SMS simplifié avec CALLR » btn="Consultez notre API "]