Dans la série d’articles de blog Le saviez-vous, nous décortiquons les technologies complexes incorporées dans notre IA, Aplysia. Dans cet article, nous allons explorer l’analyse syntaxique et sémantique. Nous commencerons par une vue d’ensemble avant de parcourir les caractéristiques spécifiques intégrées dans notre IA. Enfin, nous vous montrerons comment elles fonctionnent à l’aide d’exemples pratiques.

• Syntaxe et sémantique
  • Qu’est-ce que l’analyse syntaxique ?
  • Qu’est-ce que l’analyse sémantique ?

• Modèles syntaxique et sémantique de HiJiffy
  • Fonctionnalité de proximité
  • Modèle de catégorisation des messages
  • Identification intelligente des établissements
  • Résumé de phrases
  • Système de traduction

Syntaxe et sémantique

Chez HiJiffy, nous sommes à l’avant-garde de la création de chatbots intelligents qui transforment la communication avec les clients. Notre expertise en matière d’IA conversationnelle s’appuie sur l’intégration de techniques syntaxiques et sémantiques. En termes simples, il s’agit des structures linguistiques et de la signification des mots qui vous permettent de voir à quel point elles sont essentielles pour les chatbots.

La syntaxe est un domaine d’étude qui régit la façon dont les mots sont agencés pour former des phrases cohérentes. La sémantique s’intéresse à ce que ces mots représentent et à la manière dont ils transmettent l’information. Leur intégration dans notre chatbot alimenté par l’IA nous permet de comprendre les questions humaines et d’y répondre avec une précision et une pertinence inégalées.

Qu’est-ce que l’analyse syntaxique ?

L’analyse syntaxique est une méthodologie permettant d’étudier le langage conversationnel à l’aide de règles de grammaire formelles. La syntaxe attribue une structure sémantique au texte. Dans notre système IA, la syntaxe est essentielle pour interpréter et comprendre les interactions entre les hôtels et les clients (potentiels). En nous concentrant sur les caractéristiques structurelles du langage, nous nous assurons que nos algorithmes comprennent correctement les données fournies par l’utilisateur.

Exemples de méthodologies syntaxiques :

1. L’étiquetage morphosyntaxique (POS Tagging) :
   • Attribuer des parties du discours à chaque mot d’une phrase (par exemple, nom, verbe, adjectif).
     
     
2. Analyse syntaxique :
   • Analyse de la structure syntaxique d’une phrase pour produire un arbre d’analyse montrant les relations grammaticales.

Qu’est-ce que l’analyse sémantique ?

L’analyse sémantique se focalise sur la compréhension du sens et du contexte du langage. Il s’agit d’une tâche compliquée pour les ordinateurs, car les humains s’appuient généralement sur leur intuition et leurs compétences linguistiques pour interpréter les mots, les signes et les structures de phrases. C’est pourquoi les techniques sémantiques jouent un rôle important dans notre système. En examinant la complexité des requêtes des utilisateurs, nous nous assurons que nos réponses sont précises et adaptées au contexte.

Exemples de méthodologies sémantiques :

1. Reconnaissance d’entités nommées (NER) :
   • Identifier et classer les noms propres (par exemple, les noms de personnes, d’organisations, de lieux).
     
     
2. Désambiguïsation lexicale (WSD) :
   • Déterminer le sens correct d’un mot dans son contexte lorsqu’il a plusieurs sens.

Modèles syntaxique et sémantique de HiJiffy

Afin d’optimiser la précision des réponses des chatbots, nous avons mis au point une IA qui intègre les deux stratégies. Cela nous permet de garantir que la structure et le contexte linguistiques sont connus de nos modèles et systèmes, afin que ces derniers puissent produire des réponses correctes et appropriées.

Notre modèle breveté, développé sur la base de huit années de données spécifiques à l’hôtellerie, a été conçu pour atteindre le plus haut niveau de précision. Ce modèle exclusif de HiJiffy possède une grande variété d’énoncés sémantiques qui sont difficiles à comprendre par d’autres modèles et qui forment finalement la base de notre système conversationnel. Ce modèle s’intègre dans notre système aux côtés d’autres algorithmes d’apprentissage automatique et profond, améliorant ainsi leurs capacités.

Fonctionnalité de proximité

La fonctionnalité de proximité utilise des technologies syntaxiques et sémantiques pour améliorer la capacité du modèle. Elle est fréquemment utilisée pour décoder des messages d’utilisateurs exceptionnellement complexes avec des structures sémantiques très compliquées. Ce modèle fournit les réponses les plus proches d’un sujet donné, de sorte que notre chatbot puisse produire des résultats corrects.

Ce modèle est utilisé dans deux situations :

• Lorsqu’un client pose une question difficile (contenant généralement plusieurs questions).

• Pour compléter une réponse.

Modèle de catégorisation des messages

Pour améliorer la précision et l’utilité de notre concierge virtuel (chatbot en séjour), nous avons développé un modèle de catégorisation des messages qui applique également les principes de la syntaxe et de la sémantique. Ce modèle classe les messages entrants en trois catégories principales : demandes, plaintes et questions générales (autres sujets).

• Demandes : Identifie les demandes de service telles que le service de chambre, l’entretien ménager ou les changements de réservation.
• Plaintes : Détecte les questions et les problèmes signalés par les clients et veille à ce qu’ils soient traités rapidement.
• Autres sujets : Traite les questions générales et les demandes d’information.

Comment cela fonctionne-t-il ?

• Le client envoie un message à notre concierge virtuel et, en fonction du type de message (demande ou plainte), notre système peut automatiquement transférer la conversation à un agent humain si nécessaire.
• Si un message est classé dans la catégorie des questions générales, le chatbot fournit des réponses immédiates et précises sur la base d’informations préprogrammées.

Voici quelques exemples :

Exemple 1 : Demande

• Saisie utilisateur : « Puis-je avoir des serviettes supplémentaires dans ma chambre ? »
• Catégorisation : Demande

Exemple 2 : Plainte

• Saisie utilisateur : « La climatisation de ma chambre ne fonctionne pas correctement. »
• Catégorisation : Plainte

Exemple 3 : Question générale (Autres sujets)

• Saisie utilisateur : « À quelle heure est servi le petit déjeuner ? »
• Catégorisation : Question générale (Autres sujets)

Cette catégorisation intelligente garantit que les problèmes des clients sont traités rapidement et efficacement afin de créer un impact positif sur l’expérience globale.

Identification intelligente des établissements

Notre système intelligent d’identification des établissements est conçu pour simplifier la recherche d’hôtels au sein d’un groupe spécifique. Cette fonctionnalité permet au chatbot HiJiffy d’identifier rapidement et avec précision les établissements d’un groupe lorsqu’un client potentiel effectue une recherche par nom d’hôtel ou indique un lieu spécifique.

Voyons comment cela fonctionne à l’aide d’un exemple concret :

Exemple 1 – Recherche par nom d’hôtel

• Saisie utilisateur : « Hôtel Central Lisboa »
• Identification intelligente des établissements : Hotel Central Lisboa

Exemple 2 – Recherche par lieu

• Saisie utilisateur : « Je cherche un hôtel à New York. »
• Identification intelligente des établissements : Tous les établissements dans la ville de New York

Résumé de phrases

La fonctionnalité pour résumer des phrases permet de gérer les cas où les clients envoient des messages longs et détaillés. En résumant ces messages, notre système peut extraire efficacement les intentions et les demandes essentielles, ce qui permet au chatbot de répondre avec précision et rapidité (Remarque : cette fonctionnalité n’est disponible que sur certains canaux, comme Instagram).

Lorsqu’un client envoie un long message, cette fonctionnalité analyse le texte pour en identifier les points essentiels. Ce processus implique les éléments suivants :

1. Analyse de texte : Le système analyse l’ensemble du message afin d’identifier les thèmes principaux et les phrases clés.
   
   
2. Extraction de l’intention centrale : Cette fonction extrait du texte les intentions et les demandes principales, en filtrant les détails non pertinents.
   
   
3. Sortie : Le client se voit présenter une série de boutons dont les principales intentions identifiées dans la question. 

Cette synthèse permet au chatbot de comprendre plus rapidement les besoins du client et de fournir une réponse pertinente et précise.

Voici un exemple pour illustrer comment cela marche en pratique :

• Saisie utilisateur : « Bonjour ! Je compte visiter votre hôtel le mois prochain avec ma famille, et nous avons très hâte. Cependant, nous avons quelques exigences spécifiques. Nous avons besoin d’une chambre avec vue sur la ville, accessible aux fauteuils roulants, et d’une literie supplémentaire pour mes deux enfants. Pouvez-vous confirmer ce service et indiquer le coût total pour une semaine ? »
  
  

• Résultats résumés : Le système met à la disposition du client les boutons suivants :
  • FAQ – Types de chambres et vues
  • FAQ – Accessibilité
  • FAQ – Literie supplémentaire
  • Réserver une chambre

Système de traduction

Notre système de traduction fait partie de nos systèmes qui font un usage intensif de ces techniques syntaxiques et sémantiques. Il minimise les barrières linguistiques, permettant une communication parfaite quelle que soit la langue maternelle du client.

En savoir plus sur notre IA

Si vous souhaitez en savoir plus sur les autres technologies utilisées dans notre IA Aplysia, consultez la section de notre site web consacrée à notre intelligence artificielle, suivez HiJiffy sur LinkedIn et inscrivez-vous à notre newsletter en pied de page.

Sources

Cet article est basé sur les contributions techniques d’Eduardo Machado de notre équipe IA.