agent conversationnel

Nous proposons un agent conversationnel destiné à des conseillers clientèles dans le
domaine bancaire. Nous montrons qu’il est possible de créer une architecture complètement
basée sur des outils open source fiables. Nous nous appuyons sur le framework RASA, et
basons nos choix des modèles d’apprentissage sur l’équilibre coûts-performances. L’automatisation entre modélisation et implémentation ainsi que la structure en thématiques facilitent
grandement la flexibilité du système. Enfin nous présentons une perspective d’évolution pour
intégrer la gestion d’une FAQ dans l’architecture proposée. Ce composant, qui allie recherche
d’information et système de questions-réponses, permettrait d’élargir le périmètre de l’agent
pour peu d’efforts tout en restant très modulable.

Ce mémoire porte sur l'étude de l'impact de la correction orthographique sur le taux de compréhension d'un agent conversationnel à domaine fermé en milieu bancaire. L'objectif de ce travail est de développer une solution capable de corriger les erreurs d'orthographe des conversations clients avant que celles-ci ne soient traitées par l'agent conversationnel. Nous avons utilisé le logiciel Hunspell pour générer des candidats à la correction. Dans un premier temps, nous avons centré notre approche sur la correction mot par mot. Par la suite, nous avons utilisé les contextes et les plongements lexicaux afin de sélectionner le meilleur candidat. Enfin, une analyse des résultats obtenus permet de conclure à une amélioration de la compréhension de l'agent conversationnel.

Nous nous proposons de réaliser un système de dialogue expérimental robuste doté d'un mécanisme de génération de réponses sans règles linguistiques prédéfinies ni base de connaissances associée. Pour cela, nous nous inspirons d’études mettant en évidence la capacité des plongements lexicaux à encoder des propriétés morphologiques et sémantiques dans la composition de leurs vecteurs (Mikolov et al., 2013 ; Gladkova et al., 2016 ; Drozd et al., 2016 ; Finley et al., 2017). Notre hypothèse est qu’il est possible de générer une réponse sémantiquement pertinente à partir de l'énoncé précédant dans un dialogue. Les plongements lexicaux peuvent alors être considérés comme une modélisation de l'expérience sémantique du chatbot. Aussi avons-nous réalisé un système qui, lorsqu'il reçoit un input humain, analyse la phrase et en extrait les éléments pertinents. Ils sont utilisés pour extraire des plongements lexicaux des unités lexicales sémantiquement liées. Puis, un générateur de phrase prend le relais en prenant deux paramètres : la longueur maximale de la phrase et le mot du début, qui correspond à un des mots extraits des plongements lexicaux. Il en résulte un chatbot poétique, aux réponses parfois surréalistes, qui a toujours son mot à dire.

Ce mémoire propose d'étudier les agents conversationnels. La première partie sera consacrée à la définition et à la description des agents et de leur application. Elle comprendra également un état de l'art des outils existants et une présentation de l'agent ALICE et du langage AIML.La deuxième partie s'intéressera à l'aspect linguistique de ces agents. Elle sera introduite par une brève présentation du dialogue homme-machine et des systèmes de question réponse. Une étude relative aux agents de langue anglaise sera l'occasion de soulever les difficultés en matière d'adaptation de ces agents au français. Une présentation des quelques agents en langue française existants, permettra de vérifier certaines des hypothèses formulées. La conclusion sera l'occasion de faire un point sur le sujet et de poser la question du comportement des utilisateurs face à ces interfaces.