Patrick Séguéla, CEO de Synapse Développement
Les premiers mots d’un Chatbot : l’enfer pour les clients ?
70% des requêtes soumises aux chatbots sur l’application Facebook Messenger restent sans réponse. Ce chiffre, tiré d’un article des Echos, témoigne de la difficulté de ces robots dit « intelligents » à satisfaire les utilisateurs. En effet, de plus en plus d’entreprises veulent désormais surfer sur la vague des chatbots mais finissent par échouer dans ce que le journal appelle « la Vallée de la mort » de l’Intelligence Artificielle. Comment expliquer un taux d’échec aussi élevé ?
Ces chatbots se montrent décevants à l’usage : réponses non pertinentes, capacités de langage naturel limitées, incapacité à comprendre les questions posées... Les facultés cognitives de ces « agents conversationnels » demeurent souvent limitées.
Pour comprendre pourquoi il est si difficile d’apprendre à un robot à communiquer, il faut revenir à la construction de son « intelligence ». En effet, lorsqu’une entreprise veut créer un chatbot, elle part d’une toile vierge. La quasi-totalité des chatbots du marché sont déclaratifs, c’est-à-dire qu’il faut rentrer toutes les questions possibles – et leurs réponses associées – à la main. Si imaginer les trois premières interactions est assez facile, couvrir ensuite la diversité des questions d’avant vente ou de support client relève de l’impossible.
Les Chatbots déclaratifs ont ainsi quatre problèmes majeurs :
Manque de robustesse : le chatbot risque de ne pas comprendre une grande partie des questions posées par l’utilisateur, car celui-ci n’aura pas utilisé les bons mots ou aura utilisé une formulation incorrecte, non reconnue par le bot.
Couverture limitée : le chatbot ne couvrira que la liste des questions et des réponses rentrées manuellement. Il y aura donc forcément des manques et le bot ne pourra pas répondre à l’ensemble des questions possibles sur toutes les fonctionnalités du service ou du produit.
Coût de mise en place : par sa dimension déclarative, la mise en place d’un chatbot sans réelle intelligence artificielle prend énormément de temps et nécessite un investissement humain conséquent. De plus, il s’agit d’une tâche rébarbative et laborieuse pour le poste de support mobilisé.
Difficulté de maintenance : puisque la saisie est manuelle, il est nécessaire de maintenir en parallèle la documentation ET les connaissances du chatbot, sans quoi il fournira rapidement des réponses erronées ou incomplètes.
Pour construire un chatbot intelligent, il convient donc de remplacer ces quatre obstacles, coûteux pour les clients, par un outil capable de mettre en place un premier lot de questions de façon complétement automatique. En effet, ce n’est que par l’automatisation de la génération de questions/réponses que le chatbot peut acquérir une vraie valeur ajoutée pour l’entreprise, tout en faisant preuve d’une certaine « intelligence », utile à l’utilisateur.
L’objectif final est de décharger le service support ou les services métier, tout en fournissant aux utilisateurs un conseiller virtuel capable de comprendre une requête et d’y répondre de façon pertinente. Le chatbot peut fournir deux types de solutions : soit il oriente l’utilisateur dans la documentation, soit il l’aide à résoudre directement le problème – changer son mot de passe par exemple. Or, ce conseiller virtuel doit pouvoir satisfaire ces requêtes sans intervention humaine préalable, faute de quoi en essayant de résoudre un problème RH (service support surchargé), on crée… un nouveau besoin RH (un employé chargé de rentrer à la main tous les couples de questions/réponses).
Machine Reading : vers des chatbots autonomes ?
Pour parvenir à l’automatisation du travail du bot, de nouvelles solutions disruptives apparaissent comme par exemple la technologie dite de « Machine Reading ». Par « Machine Reading », on entend la capacité pour un robot à lire un document et à le comprendre. On dit qu’un bot peut « comprendre » un texte quand il est capable d’en faire la traduction dans son propre langage. Le système reconnaît ainsi la structure de l’information en déterminant la fonction de chaque groupe constituant la phrase. Dans un deuxième temps, il y associe un ensemble de données sémantiques en commençant par déterminer le sens du mot dans son contexte. Par exemple, un domino n’aura pas le même sens pour un vendeur de magasin de jouets et pour un électricien.
A partir de cette analyse complexe, le bot va construire une représentation sémantique du texte sous forme de graphes. C’est grâce à ces graphes que le chatbot va pouvoir générer un premier lot de questions-réponses de manière entièrement automatique. Ce groupe de questions/réponses offre déjà l’avantage d’être souvent plus complet qu’un ensemble généré manuellement, car il comprend automatiquement toutes les itérations et les dérivées d’une même question, en prenant en compte les synonymes et les formes variables d’interrogation pouvant être employées par l’utilisateur.
La technologie du « Machine Reading » est innovante en ce qu’elle donne une réelle « intelligence » au chatbot. Néanmoins, il est bien important de comprendre que la connaissance du bot dépend entièrement de la qualité de la documentation qu’on lui fait lire. Le chatbot n’est pas un expert du produit, mais il sait répondre sur la base d’une documentation du produit, qu’il s’agisse d’une procédure, d’un manuel utilisateur ou d’un règlement intérieur. Plus cette documentation est complète, plus le chatbot sera est performant et peut couvrir un nombre important de requêtes.
Une fois le chatbot mis en place, il continue de s’améliorer à mesure des interactions avec les utilisateurs. Ceux-ci vont pouvoir évaluer la pertinence des réponses données afin que, progressivement, le chatbot élimine de lui-même les questions et/ou réponses non-pertinentes. Pour optimiser ce processus, il est possible de supprimer manuellement les réponses inadaptées afin d’accélérer le perfectionnement du bot.
Au sein des entreprises, les Knowledge Manager sont bien armés pour intégrer cette nouvelle activité de formateur d’Intelligence Artificielle ou de dialoguiste pour agent conversationnel. En effet, une très bonne connaissance métier est indispensable pour « éduquer » le chatbot et le personnaliser aux besoins et caractéristiques de ses utilisateurs. La valeur ajoutée par les Knowledge Manager est donc déterminante et tend à prouver que les robots intelligents ne sont pas là pour remplacer l’humain…mais bien pour le seconder et lui faire gagner du temps.
70% des requêtes soumises aux chatbots sur l’application Facebook Messenger restent sans réponse. Ce chiffre, tiré d’un article des Echos, témoigne de la difficulté de ces robots dit « intelligents » à satisfaire les utilisateurs. En effet, de plus en plus d’entreprises veulent désormais surfer sur la vague des chatbots mais finissent par échouer dans ce que le journal appelle « la Vallée de la mort » de l’Intelligence Artificielle. Comment expliquer un taux d’échec aussi élevé ?
Ces chatbots se montrent décevants à l’usage : réponses non pertinentes, capacités de langage naturel limitées, incapacité à comprendre les questions posées... Les facultés cognitives de ces « agents conversationnels » demeurent souvent limitées.
Pour comprendre pourquoi il est si difficile d’apprendre à un robot à communiquer, il faut revenir à la construction de son « intelligence ». En effet, lorsqu’une entreprise veut créer un chatbot, elle part d’une toile vierge. La quasi-totalité des chatbots du marché sont déclaratifs, c’est-à-dire qu’il faut rentrer toutes les questions possibles – et leurs réponses associées – à la main. Si imaginer les trois premières interactions est assez facile, couvrir ensuite la diversité des questions d’avant vente ou de support client relève de l’impossible.
Les Chatbots déclaratifs ont ainsi quatre problèmes majeurs :
Manque de robustesse : le chatbot risque de ne pas comprendre une grande partie des questions posées par l’utilisateur, car celui-ci n’aura pas utilisé les bons mots ou aura utilisé une formulation incorrecte, non reconnue par le bot.
Couverture limitée : le chatbot ne couvrira que la liste des questions et des réponses rentrées manuellement. Il y aura donc forcément des manques et le bot ne pourra pas répondre à l’ensemble des questions possibles sur toutes les fonctionnalités du service ou du produit.
Coût de mise en place : par sa dimension déclarative, la mise en place d’un chatbot sans réelle intelligence artificielle prend énormément de temps et nécessite un investissement humain conséquent. De plus, il s’agit d’une tâche rébarbative et laborieuse pour le poste de support mobilisé.
Difficulté de maintenance : puisque la saisie est manuelle, il est nécessaire de maintenir en parallèle la documentation ET les connaissances du chatbot, sans quoi il fournira rapidement des réponses erronées ou incomplètes.
Pour construire un chatbot intelligent, il convient donc de remplacer ces quatre obstacles, coûteux pour les clients, par un outil capable de mettre en place un premier lot de questions de façon complétement automatique. En effet, ce n’est que par l’automatisation de la génération de questions/réponses que le chatbot peut acquérir une vraie valeur ajoutée pour l’entreprise, tout en faisant preuve d’une certaine « intelligence », utile à l’utilisateur.
L’objectif final est de décharger le service support ou les services métier, tout en fournissant aux utilisateurs un conseiller virtuel capable de comprendre une requête et d’y répondre de façon pertinente. Le chatbot peut fournir deux types de solutions : soit il oriente l’utilisateur dans la documentation, soit il l’aide à résoudre directement le problème – changer son mot de passe par exemple. Or, ce conseiller virtuel doit pouvoir satisfaire ces requêtes sans intervention humaine préalable, faute de quoi en essayant de résoudre un problème RH (service support surchargé), on crée… un nouveau besoin RH (un employé chargé de rentrer à la main tous les couples de questions/réponses).
Machine Reading : vers des chatbots autonomes ?
Pour parvenir à l’automatisation du travail du bot, de nouvelles solutions disruptives apparaissent comme par exemple la technologie dite de « Machine Reading ». Par « Machine Reading », on entend la capacité pour un robot à lire un document et à le comprendre. On dit qu’un bot peut « comprendre » un texte quand il est capable d’en faire la traduction dans son propre langage. Le système reconnaît ainsi la structure de l’information en déterminant la fonction de chaque groupe constituant la phrase. Dans un deuxième temps, il y associe un ensemble de données sémantiques en commençant par déterminer le sens du mot dans son contexte. Par exemple, un domino n’aura pas le même sens pour un vendeur de magasin de jouets et pour un électricien.
A partir de cette analyse complexe, le bot va construire une représentation sémantique du texte sous forme de graphes. C’est grâce à ces graphes que le chatbot va pouvoir générer un premier lot de questions-réponses de manière entièrement automatique. Ce groupe de questions/réponses offre déjà l’avantage d’être souvent plus complet qu’un ensemble généré manuellement, car il comprend automatiquement toutes les itérations et les dérivées d’une même question, en prenant en compte les synonymes et les formes variables d’interrogation pouvant être employées par l’utilisateur.
La technologie du « Machine Reading » est innovante en ce qu’elle donne une réelle « intelligence » au chatbot. Néanmoins, il est bien important de comprendre que la connaissance du bot dépend entièrement de la qualité de la documentation qu’on lui fait lire. Le chatbot n’est pas un expert du produit, mais il sait répondre sur la base d’une documentation du produit, qu’il s’agisse d’une procédure, d’un manuel utilisateur ou d’un règlement intérieur. Plus cette documentation est complète, plus le chatbot sera est performant et peut couvrir un nombre important de requêtes.
Une fois le chatbot mis en place, il continue de s’améliorer à mesure des interactions avec les utilisateurs. Ceux-ci vont pouvoir évaluer la pertinence des réponses données afin que, progressivement, le chatbot élimine de lui-même les questions et/ou réponses non-pertinentes. Pour optimiser ce processus, il est possible de supprimer manuellement les réponses inadaptées afin d’accélérer le perfectionnement du bot.
Au sein des entreprises, les Knowledge Manager sont bien armés pour intégrer cette nouvelle activité de formateur d’Intelligence Artificielle ou de dialoguiste pour agent conversationnel. En effet, une très bonne connaissance métier est indispensable pour « éduquer » le chatbot et le personnaliser aux besoins et caractéristiques de ses utilisateurs. La valeur ajoutée par les Knowledge Manager est donc déterminante et tend à prouver que les robots intelligents ne sont pas là pour remplacer l’humain…mais bien pour le seconder et lui faire gagner du temps.