Apparu pour la première fois dans les années 1960, le NLU (ou natural language understanding) a connu une évolution significative. Aujourd’hui, les machines sont capables de saisir le sens profond et nuancé du langage humain. Parfois même mieux que les êtres humains eux-mêmes. Découvrez cette technologie NLU, ces applications concrètes et son mode de fonctionnement.
Le NLU ou la compréhension du langage nature
Définition du NLU
Le NLU (ou natural language understanding) est une branche du traitement automatique du langage naturel (NLP) et de l’intelligence artificielle. L’objectif étant de saisir le sens profond d’un texte ou d’un discours oral. Mais il s’agit de bien plus qu’une simple analyse syntaxique. En s’appuyant sur des modèles de machine learning avancés, le NLU est capable de décrypter les connotations émotionnelles, les intentions sous-jacentes et les objectifs exprimés à l’écrit ou à l’oral. En plus, le natural language understanding est programmé pour comprendre le sens, malgré les erreurs humaines courantes (comme les fautes de prononciation, les fautes d’orthographe ou les transpositions de lettres et de mots).
Aujourd’hui, les machines peuvent interpréter le langage naturel de manière contextuelle et répondre de manière appropriée aux différentes requêtes émises. Ce qui représente une avancée significative dans la compréhension approfondie du langage humain.
Bon à savoir : Si l’arrivée de ChatGPT a mis en lumière les avancées du NLU, il existe déjà depuis de nombreuses années à travers les chatbots et les assistants intelligents, tels qu’Alexa, Google Assistant et Siri.
NLU, NLP et NLG : quelle différence ?
Le langage humain étant particulièrement complexe, de nombreuses techniques visent à en affiner la compréhension et le traitement. Le NLU (natural language understanding) en fait partie. Mais c’est loin d’être le seul.
- Le natural language processing (NLP): le traitement du langage naturel regroupe un ensemble de systèmes (dont le NLU) visant à analyser et comprendre le langage humain. Pour ce faire, les machines traitent des données linguistiques non structurées.
- Le natural language generation (NLG) : au même titre que le NLU, la génération de langage naturel est un sous-ensemble du NLP. Ici, l’objectif est de générer automatiquement des textes en langage naturel. Les ordinateurs imitent la façon dont les humains communiquent entre eux, avec plus de fluidité, d’émotion et de personnalité. Par exemple, en utilisant un ensemble de données, les ordinateurs peuvent générer automatiquement un article d’actualité, un email de prospection ou une page de vente.
NLU, NLP et NLG sont utilisés conjointement pour comprendre et produire des textes semblables à ceux des êtres humains.
Exemples d’application
Aujourd’hui, les technologies utilisant le NLU ne cessent de se multiplier. Voici quelques exemples :
- Les réponses vocales interactives (RVI) : ces technologies sont utilisées pour l’acheminement des appels. Ainsi, lors d’un appel, le système RVI analyse la voix de l’appelant, les mots utilisés individuellement et la structure grammaticale afin de déterminer son intention. Il apporte ensuite la réponse la plus appropriée.
- Les assistants personnels intelligents : il s’agit simplement des chatbots. Ces programmes informatiques sont capables de converser avec un être humain sur des sujets extrêmement variés. Bien souvent, ils sont utilisés dans les entreprises pour le service client, notamment pour fournir des réponses aux questions fréquemment posées.
- La détection des sentiments et intentions de l’utilisateur : le NLU (natural language understanding) peut aider les organisations à analyser les commentaires reçus sur les réseaux sociaux. Ce faisant, les entreprises sont plus à même de savoir si leurs clients sont satisfaits ou non des produits ou services proposés.
Le fonctionnement du NLU (natural language understanding)
Pour comprendre et saisir le sens d’un texte ou d’un discours, les systèmes de natural language understanding (NLU) utilise deux techniques fondamentales :
- La reconnaissance d’entités (ou tokens) : ici, le système NLU définit plusieurs entités au sein du message. Parmi ces entités, on retrouve les entités nommées qui correspondent à des catégories, comme les noms de personnes, les lieux, les objets, les signes de ponctuation… Et les entités numériques, comme les quantités, les dates, les devises, les pourcentages… À partir de là, l’ordinateur extrait les informations les plus importantes pour comprendre le sens du texte ou du discours.
- La reconnaissance de l’intention : il s’agit d’identifier le sentiment et l’objectif de l’utilisateur. Pour cela, l’ordinateur s’attache à la structure grammaticale des phrases et aux différentes ambiguïtés possibles dans le sens des mots. C’est sans doute la partie la plus importante au moment de comprendre le langage humain.
In fine, ces algorithmes permettent de rendre le discours humain plus structuré. Il se transforme en un modèle de données composé de définitions sémantiques et pragmatiques qui peuvent être traduites par une machine en temps réel.
NLU et Data Science
Le langage humain est particulièrement complexe et subtil. Permettre à un ordinateur d’en comprendre toutes les nuances relèvent véritablement de l’exploit. Et pourtant, les dernières avancées en matière d’intelligence artificielle nous démontrent que les machines sont plus que jamais capables de comprendre et de s’exprimer comme des humains. Pour les professionnels de la data, le NLU (natural language understanding) ouvre des perspectives prometteuses. Mais encore faut-il se former au machine learning et à ses dernières technologies.
