chatbot

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.

Notre étude consiste à concevoir un prototype du chatbot FAQ interactif basé aux états-des-arts des agents conversationnels. Par rapport au FAQ inflexible, notre FAQ interactive a intégré le concept de la conversation humaine, et est plus conviviale que les chatbots traditionnels du type domaine fermé. Nous avons aussi comparé des méthodes différentes pour la correspondance de questions, y compris la méthode « rule-based » et les méthodes de similarité textuelle. Les résultats ont montré que, pour notre corpus limité mais homogène, la meilleure méthode est celle de la similarité Jaccard.

Le but de cette étude est de fournir une solution pour implémenter une nouvelle langue dans un système de dialogue vocal basé sur des règles. Notre approche repose sur l’hypothèse selon laquelle la traduction automatique peut aider à résoudre le problème de la portabilité vers une nouvelle langue. Nous procédons à la traduction automatique du système de dialogue de l’anglais vers le mandarin et évaluons ses performances. Les résultats indiquent que cette approche est efficace pour concevoir un système de dialogue multilingue.

La création d’un système de dialogue prend en compte en premier lieu le domaine d’application. Il existe des systèmes qui sont conçus pour traiter un domaine ouvert (généraliste), d’autres pour traiter un domaine fermé (spécialisé). Nous trouvons plusieurs termes qui représentent les systèmes de dialogue, parmi eux, l’agent conversationnel, l’assistant intelligent ou le chatbot. Le point commun entre ces termes est l’interaction entre l’homme et la machine en langage naturel. Nous présentons dans ce mémoire la méthode que nous avons mis en place pour créer le prototype d’une application de chatbot à domaine fermé pour l’entreprise Yves-Rocher. Le rôle de ce chatbot est d’aider les clients à chercher des soins et des produits cosmétiques. Nous avons utilisé la plateforme Dialogflow de Google pour créer notre agent qui gère les conversations. Nous avons créé une application en nodejs qui gère la recherche des produits. Cependant, la base de données des produits que nous avons utilisée pour implémenter notre agent, ne contient pas de synonymes ou de variations de termes pour chaque produit. Pour cela, nous avons créé une méthode pour simplifier et générer des termes pour chaque produit afin d’enrichir notre base de données.

Les systèmes de question-réponse connaissent depuis une vingtaine d'années un véritable essor, dû à l'amélioration des techniques d'intelligence artificielle et des technologies de pointe offrant de plus grandes puissances de calcul pour la recherche Web notamment. Dans notre étude nous nous situons dans un système à domaine fermé (ontologie finie) par opposition à un domaine ouvert où une question de n'importe quel domaine pourrait être posée. Nous sommes dans le cadre d'un domaine militaire où notre base de connaissance est une documentation réglementaire. Nous avons élaboré un système classique de question-réponse avec la technologie IBM Watson en trois étapes. D'abord, l'analyse du sujet et des indices de la question par un système de classification hybride basé sur les règles et l'apprentissage automatique. Ensuite, le dialogue avec l'utilisateur à travers un chatbot pour interagir avec lui et récupérer des indices manquants non trouvés par le classifieur . Enfin, le moteur de recherche permettant d'indexer la question, et de fournir le bon paragraphe de la documentation. Nous parvenons à répondre correctement à plus de 80% des questions.