UTML : une nouvelle technologie pour lever les derniers freins sur l’IA

1. 1. Générez vos datasets d’apprentissage

       

      • • Faites simplement une extraction des données enregistrées dans vos S.I. autour des messages de vos clients. Nous préconisons qu’un administrateur métier effectue un contrôle de qualité, par exemple pour éliminer ce qui correspond à des processus périmés, ou au fruit du travail de conseillers trop juniors. Quelques heures suffisent et vous disposez de vos données d’apprentissage, le plus souvent sous un format XLS.

1. 1. Protégez vos données

       

      • • Lorsqu’UTML est utilisé seul (non intégré dans une IA OWI), les textes des messages ne sont pas utiles, et vous pouvez donc préparer des fichiers qui contiennent uniquement l’identifiant du message et les qualifications présentes dans votre S.I. : aucune donnée sensible ou personnelle.
      • • Lorsqu’UTML est utilisé au sein d’une solution OWI, cette nouvelle utilisation n’impacte en rien les garanties dont vous bénéficiez.

1. 1. Configurez UTML

       

      • • Cataloguez vos données : Par un simple chargement de ce fichier, vous visualiserez la liste des données issues de votre S.I. Vous pourrez ainsi identifier des erreurs éventuelles dans ces libellés et les corriger directement dans votre fichier.

       

      • • Choisissez un modèle d’IA en fonction de votre activité : UTML ne s’intéresse pas à la structure profonde du modèle d’IA, mais uniquement à l’organisation des informations qu’il produit : la petite partie émergée de l’iceberg. À noter : ce paramétrage peut être obtenu par chargement de fichier ou par saisie. Bien sûr, si votre IA est OWI, il vous suffit de désigner le modèle et de l’intégrer dans votre environnement.
      • • Saisissez vos règles métier (resp. la structure de votre base de connaissance): Par rapport à ce qui se trouve dans votre documentation interne, il est souvent nécessaire d’adapter le formalisme des règles métier pour remplacer certaines formulations par les libellés précis des informations issues du modèle d’IA. C’est un travail indispensable parce qu’il vous permet de vous assurer que le modèle que vous avez choisi convient. D’ailleurs, le plus souvent, vous constaterez le besoin d’y faire quelques adaptations (très simples à saisir dans l’écran OWI). Cette tâche peut également être faite dans un fichier XLS, qui sera ensuite intégré automatiquement. Aucune surcharge : ce travail, vous l’auriez fait même sans UTML, puisque ce sont ces mêmes règles métier qui seront utilisées dans le fonctionnement cible de votre cas d’usage, que vous utilisiez ou non la solution OWI (dans ce dernier cas, un export sous format XLS vous permettra d’initialiser ensuite une solution tierce).

1. 1. Lancez la Transformation : C’est prêt : UTML dispose de toutes les informations nécessaires. Lancez la Transformation et observez les annotations qui apparaissent. Si vous utilisez le Machine Learning d’OWI, vous pouvez le lancer. Sinon, vous récupérez dans un fichier XLS des messages annotés conformes au modèle qu’ils vont permettre d’entraîner. De nouvelles extractions de votre S.I. sont disponibles ? Quelques clics pour intégrer et transformer ce nouveau fichier.

1. 1. En continu aussi, automatiquement : Nous mettons à disposition des web services de « signalement » qui permettent d’envoyer en temps réel dans UTML ce qui correspond à une ligne de fichier d’un dataset d’apprentissage, la transformation est ainsi effectuée en temps réel. Et dans le cadre des solutions OWI (mailbot, chatbot, callbot), UTML exploite directement les informations obtenues grâce aux actions ou réactions des conseillers et des clients pour produire des annotations. C’est ainsi qu’UTML permet l’amélioration continue de la solution.

1. 1. SaaS ou on premise : Pour UTML « seul » (disponible à partir de la version V6.3) comme pour toute solution OWI, vous avez le choix entre une solution SaaS sécurisé ou une installation en quelques clics sur un de vos serveurs. Enfin, UTML est nativement présent dans toutes les solutions OWI (mailbot, chatbot, callbot, analytics) à partir de la version V6.2.

Comment ça marche (aperçu) ?

UTML cherche à « inverser » les calculs qui auraient été effectués à partir des résultats produits par l’IA pour obtenir les résultats choisis par les conseillers (note 4). Ces calculs sont de natures diverses, en particulier des règles métier ou la structure d’une base de connaissance : dans l’approche retenue sur UTML, nous remontons en niveau d’abstraction, ce qui assure non seulement des résultats précis, mais aussi des traitements plus rapides.

L’algorithme d’UTML suit la logique d’un « SAT Solver » appliqué aux résultats S.I. attendus :

 

• • Les règles métier et/ou la base de connaissance sont généralisées en un graphe dirigé acyclique, où chaque nœud est une étape du « raisonnement » qui traite un message à partir des résultats de l’IA. Chaque arrête correspond à la condition permettant de passer d’un nœud à un autre, et que l’on associe à une formule logique.

• • Pour chaque message, les annotations sur les données du S.I. sont encodées sous forme de formules logiques : on repère les nœuds du graphe qu’il faut atteindre, on trouve les chemins permettant d’y arriver, et on compose les formules correspondant aux arrêtes. On aboutit à une formule logique impliquant les résultats de l’IA, dont la satisfaction est équivalente au bon traitement du message.

• • On applique ensuite un algorithme de logique formelle pour déterminer les résultats permettant de satisfaire cette formule :

     

    • • Convertie en « Conjunctive Normal Form », la formule fait apparaître les résultats directement nécessaires au bon traitement du message
    • • On applique des règles de simplification logique ((a∨b)∧(¬a∨b)≡b, par exemple) pour réduire la taille de la formule et éviter de créer des annotations « bruitées »
    • • Lorsque l’on doit faire un choix sur une valeur pour avancer dans la résolution, on essaie toujours d’utiliser les résultats précédemment produits par le modèle, pour aboutir à des annotations qui ne sont pas trop « éloignées » du modèle en production.

• • Il ne reste qu’à transcrire les résultats fournis par cet algorithme sous forme d’annotation.

L’utilisation de la logique formelle donne une grande flexibilité au processus : n’importe quel modèle ML de classification est compatible avec cette approche, en représentant les différentes classes possibles par des variables booléennes.

Note 1 : Adoption des bots par les consommateurs

85% des interactions client-marque impliqueront l’usage de chatbots en 2022.*

69% des clients préfèrent les chatbots intelligents à l’échange humain pour leur rapidité.**

74% des clients souhaitent avoir une conversation avec un humain pour des demandes plus complexes.

*Gartner (2018) cité dans Building the AI-powered customer center of the future by Customer Think (June 2018)
**Ubisend – Chatbot Survey (2017)

Note 2 : Principaux freins

Analyse détaillée des principales causes, parmi les projets sur lesquels ont été rencontrées des difficultés

Note 3 : Produire des données d’entraînement : ce qui ne fonctionne pas

17 projets ont été en difficulté à cause du manque de données d’entraînement, et pourtant la difficulté de la transposition de données métier en annotations IA était anticipée.

Pour 11 de ces projets, nous avons évalué que c’est principalement la personne en charge de cette mission (trop technique), qui n’a pas réussi à bien comprendre le langage des métiers, ce qui s’est traduit par une démotivation générale et, au final, des annotations non fiables.

Pour 3 de ces projets, l’intervenant externe qui avait été missionné par le client à la place des métiers a fourni des annotations non conformes à la réalité des attentes de ces métiers.

Note 4 : Amélioration continue

Lorsque le modèle d’IA fonctionne déjà, en production ou en pilote, UTML va exploiter les résultats produits par votre solution d’IA et, en plus tagger précisément le ou les « nœuds » causes de l’erreur, pour fiabiliser le fonctionnement du machine learning en amélioration continue