Vous avez peut-être réussi à créer un petit pilote de chatbot ou de callbot ? Mais en essayant de le l’améliorer au fur et à mesure, vous vous êtes rendu compte qu’il ne répondait plus bien sur certaines de vos questions. Vous avez peut-être testé un chatbot en production ? La satisfaction de vos clients n’est pas aussi grande que vous l’espériez ? Votre bot a du mal à comprendre vos utilisateurs et vous ne savez pas comment l’améliorer ?
Comment comprendre le language naturel grâce au NLP
L’outil de Kwalys permet de palier à cette grande difficulté que l’on rencontre sur beaucoup de plateforme. Lorsqu’un humain s’exprime en language naturel il faut donc pouvoir générer les utterances pour bien comprendre l’utilisateur. Alors comment améliorer sensiblement l’ensemble des réponses ? L’astuce est de se mettre à la place des utilisateurs finaux et de pouvoir tester les phrases de manière différentes afin de vérifier que l’ensemble fonctionne bien. La seconde méthode est d’aller piocher dans des FAQ. L’ensemble des corpus de questions réponses afin de délimiter le usecase le plus rapidement possible
Kwalys analyse et compare les datas de votre bot en visualisant et en comprenant où il fonctionne et où il ne fonctionne pas. Grâce à ces informations et ces jeux de données, vous pouvez ensuite prendre des décisions éclairées sur la manière dont vous améliorez les performances de votre bot. Kwalys s’appuie sur les techniques de validation des jeux de données et des intentions et entités qui doivent être améliorées. Avec vos données et vos questions, vous pouvez choisir entre deux types de tests ; les tests avec des jeux de questions sur des corpus métiers identifiés. Des tests plus élargis pour savoir ou placer le curseur
Améliorer les réponses avec des itérations en continue
Kwalys utilise des techniques classique de validation croisée. On intègre des méthodologies de type K-fold et leave-one-out. Notre expérience montre que le sur apprentissage nuit à la qualité des réponses d’où l’intérêt de pouvoir tester en permanence la façon dont les utilisateurs s’expriment. Notre panel de beta testeurs teste le robot en permanence. Ils dénichent les phrases qu’il faut améliorer à chaque itération via un apprentissage non linéaire. En observant la façon dont le robot s’exprime. cela en général de pouvoir récolter entre 30 et 100 intensions sur un thème. Au bout de quelques jours et de dépasser un taux de compréhension de la parole au delà de 90%. Cela aura un impact positif sur votre robot.
La puissance des outils de machine learning et de deep Learning (GPT3) montrent une progression importante dans la manière ou les robots s’améliorent et Il est fort à parier que dans le futur toutes ses phases d’apprentissages seront totalement écourtées.
