Est-ce que votre bot doit-être en autoapprentissage ?

Est-ce que les chatbots apprennent seuls ? Voici une question récurrente. Elle émane d’une croyance en lien avec l’intelligence artificielle qui estime qu’une machine est aussi intelligente qu’un être humain et que, par conséquent, elle apprend et raisonne de façon autonome. Ce n’est pas le cas, en voici les raisons.

Technologies du chatbot

Un chatbot (ou agent conversationnel) a besoin de 3 sortes de technologies :

- le Natural Language Understanding (NLU) : compréhension du langage naturel,

- la logique : l’action que doit exécuter le bot suite à la compréhension d’une chose,

- les programmes externes : qui lui permettent de capter les informations demandées.

Cet ensemble de technologies constitue un programme informatique. Le chatbot intelligence artificielle est donc incapable d’apprendre de façon autonome.

La NLU

Les algorithmes des chatbots permettent de prélever des données structurées d’un texte, qu'il soit oral ou écrit - c'est le même principe qui permet à un agent vocal IA de comprendre une conversation téléphonique. La première étape de la création d’un dialogueur passe donc par la création d’une application de NLU. Cela signifie que vous devez prévoir tous les sujets que le chatbot doit assimiler. Il ne comprendra pas ce qui sort de ce cadre bien défini et n’apprendra pas seul à répondre à des sujets non prévus.

Quand tous les sujets sont listés, le paramétrage consiste à donner des exemples de requêtes compréhensibles pour tous les sujets. L’algorithme comprendra ainsi des centaines (ou des milliers) de manières d’exprimer un sujet à partir d’une dizaine de phrases rentrées de façon manuelle.

Il est impératif d’entraîner régulièrement le dialogueur afin qu’il s’améliore au fil du temps. Ce travail est absolument indispensable pour la compréhension du chatbot intelligence artificielle.

Les chatbots les plus récents s'appuient de plus en plus sur des modèles de langage (LLM) plutôt que sur un moteur NLU classique à intentions prédéfinies. Cela leur permet de comprendre des formulations plus variées sans qu'il soit nécessaire de fournir des dizaines d'exemples pour chaque intention. Cela ne change toutefois pas le principe de fond : un LLM ne s'entraîne pas seul en production, il reste guidé par les données et les instructions qui lui sont fournies en amont, et son comportement doit être supervisé et ajusté par une équipe projet.

Si vous pensiez qu’un dialogueur peut apprendre seul c’est vrai mais seulement s’il a appris au préalable ce qu’il a besoin de savoir pour cela.

La logique

Les bots possèdent une logique qui est cryptée (arbre conditionnel) ce qui exclut toute forme d’apprentissage automatique. Les dialogueurs automatisent des tâches destinées à l’homme avec des objectifs bien précis. Le chatbot a besoin également d’un nombre certain d’informations à recueillir et à vérifier avant de remplir son objectif.

Dans une démarche traditionnelle, l’utilisateur est soumis à un flot de questions et réponses, plus ou moins simples, aux règles préfixées, jusqu’à la réalisation du but final (création d’un document, d’un ticket support…).

Dans une démarche learning, c’est l’algorithme qui décide de la voie logique à suivre tout en tenant compte de la mémoire utilisateur.

Dans ce cas et à l’instar de la NLU, l'agent conversationnel travaille en totale autonomie mais il apprend de façon supervisée.

Il est donc entièrement faux de croire que les chatbots sont capables d’apprendre seuls. Ils apprennent uniquement ce qu’on leur dit d’apprendre.

Les projets chatbots nécessitent un chef de projet qui est chargé de la gestion du chatbot au fil du temps. Il s’agit d’une ressource indispensable à la création et au suivi d’un agent conversationnel.

FAQ - Autoapprentissage et NLU des chatbots

Pourquoi un chatbot ne peut-il pas apprendre de façon complètement autonome sans supervision humaine ?

Un chatbot apprend à partir de données étiquetées par des humains : pour chaque intention (ex : "annuler une commande"), des exemples de phrases représentatifs sont fournis manuellement. L'algorithme apprend à généraliser à partir de ces exemples, mais il ne peut pas créer de nouvelles intentions ou apprendre des sujets entièrement nouveaux sans qu'un humain lui indique explicitement ce qu'il doit apprendre et comment l'étiqueter. Un chatbot livré à lui-même peut renforcer des erreurs de compréhension existantes en associant des nouvelles requêtes aux mauvaises intentions. C'est pourquoi l'apprentissage entièrement non supervisé est risqué en production : il peut dégrader la précision au lieu de l'améliorer. L'autoapprentissage supervisé, où un humain valide les nouvelles associations avant qu'elles soient intégrées au modèle, est la pratique recommandée.

Quelle est la différence entre l'arbre conditionnel et l'approche NLU dans un chatbot ?

L'arbre conditionnel (logique if/then) suit des chemins prédéterminés : si le client dit "A", le bot répond "B", si le client dit "C", le bot répond "D". C'est prévisible et facilement explicable, mais rigide : toute formulation inattendue fait sortir le client du chemin et bloque l'interaction. L'approche NLU (Natural Language Understanding) détecte l'intention derrière la phrase, indépendamment de sa formulation exacte : "annuler ma commande", "je veux plus de ce produit" et "comment je fais pour retourner un article" peuvent toutes être reconnues comme la même intention. Les systèmes modernes combinent les deux : la NLU détecte l'intention et déclenche un scénario logique (arbre conditionnel) adapté. Pour des usages simples, l'arbre conditionnel seul suffit. Pour des usages conversationnels complexes où le langage naturel varie beaucoup, la NLU est indispensable.

Combien de phrases d'exemples faut-il fournir par intention pour entraîner correctement un chatbot ?

Le nombre minimum généralement recommandé est de 10 à 15 phrases d'exemples par intention, en couvrant des formulations variées (questions directes, tournures indirectes, registres formel et informel, abréviations courantes). En dessous de ce seuil, l'algorithme n'a pas assez de diversité pour généraliser correctement. En pratique, 20 à 30 exemples par intention bien diversifiés donnent des résultats solides pour la plupart des cas d'usage métier. Pour des intentions très similaires entre elles (ex : "modifier une commande" vs "annuler une commande"), il faut davantage d'exemples discriminants pour que l'algorithme apprenne à les distinguer. La qualité des exemples (diversité, représentativité du langage réel des utilisateurs) est plus importante que la quantité brute. L'analyse des conversations réelles, une fois le bot en production, permet d'enrichir ces exemples avec des formulations auxquelles les concepteurs n'avaient pas pensé.

Qui doit être responsable de la maintenance et de l'entraînement d'un chatbot dans l'entreprise ?

La gestion d'un chatbot nécessite un "bot manager" ou "conversational designer" : un profil qui comprend à la fois les objectifs métier et la logique de fonctionnement de la plateforme. Ce n'est pas nécessairement un développeur : les plateformes modernes sont accessibles aux profils métier. En revanche, ce rôle est une responsabilité à temps partiel non négligeable. Les tâches courantes incluent : l'analyse hebdomadaire des conversations ayant échoué, la création de nouveaux exemples pour les formulations non reconnues, la mise à jour du contenu quand les informations changent (tarifs, procédures), et le suivi des KPI de compréhension. Sans ce pilotage humain, un chatbot se dégrade progressivement au fur et à mesure que les besoins des utilisateurs évoluent sans que la base de connaissances soit mise à jour.

Qu'est-ce que l'apprentissage supervisé appliqué à un chatbot et comment le mettre en œuvre ?

L'apprentissage supervisé consiste à examiner les conversations où le chatbot a été incertain ou a échoué, puis à étiqueter correctement ces exemples pour les intégrer au modèle. Concrètement : la plateforme identifie les messages pour lesquels le score de confiance était bas (sous un seuil défini) ou pour lesquels l'utilisateur a demandé à parler à un humain immédiatement après la réponse du bot. Ces cas sont présentés au bot manager dans une interface de revue, qui attribue la bonne intention à chaque message. Une fois validés, ces exemples enrichissent le modèle lors du prochain cycle d'entraînement. Ce processus est incrémental : le bot s'améliore progressivement en apprenant des vrais cas d'usage de ses utilisateurs réels, ce qui le rend plus performant que s'il avait été entraîné uniquement sur des exemples théoriques conçus en amont du déploiement.