Les réseaux de neurones arfificiels

Les réseaux de neurones arfificiels

Généralités

Contexte

Depuis quelques années, les chatbots se développent à grande vitesse et sont intégrés par de plus en plus d’entreprises. L’essor de ces petits agents conversationnels, principalement dédiés à la relation clientèle, est dû à l’utilisation accrue des smartphones ainsi qu’aux types d’applications téléchargées. Selon un rapport de SensoTower, en tête du classement des applications mobiles les plus téléchargées se trouvent les réseaux sociaux tels que Facebook et Instagram mais également les applications de messageries instantanées Whats’App et Messenger. Le succès de ces derniers traduit un besoin d’échange d’informations de manière instantanée et en continu. Les entreprises ont compris qu’elles pouvaient tirer parti de cette tendance en intégrant à leur stratégie la conversation libre comme nouveau format d’échange. (Rebuel, 2018) Cette technologie est appréciée des utilisateurs. En effet, une étude de Mindshare UK et IBM indique que 63% des 18-65 préfèrent converser avec le robot d’une société ou d’une marque. (L’ADN, 2016).
Le développement des chatbots va également de pair avec l’avancée technologique en matière d’intelligence artificielle et les progrès dans la gestion de grande quantité de données. Un chatbot peut désormais apprendre des données qui lui sont fournies et générer lui-même des réponses, ce qui permet d’assurer une qualité très satisfaisante de conversation avec les utilisateurs.
Cet outil est désormais facile d’accès. En effet de nombreuses solutions sont proposées sur internet pour le créer facilement et rapidement.

Chatbot : Définition

Le mot chatbot provient de la concaténation des mots anglais chat pour discussion et bot pour robot. En français technique, on utilisera plus volontiers le terme d’agent conversationnel. Un chatbot est un programme informatique qui permet de simuler une conversation avec un être humain. La conversation peut être textuelle ou vocale. Pour simuler au mieux cette conversation, le chatbot est bien souvent doté d’une personnalité qui doit s’accorder avec l’identité de la société ou de la marque qui le promeut. Elle peut être définie grâce à différents attributs que l’on peut donner au chatbot : un aspect visuel, un nom, le champ lexical utilisé. (L’ADN, 2016)
Les objectifs principaux d’un chatbot sont d’informer, d’assister et divertir. (Ashcroft, 2019).Le chatbot facilite l’accès à l’information pour l’utilisateur et facilite la tâche à ceux qui ont choisi de l’intégrer à leur entreprise. En tant que programme informatique, il ne peut exécuter que des tâches bien définies et d’un certain niveau de complexité. Dépassant un certain stade, les requêtes d’utilisateurs ne peuvent plus être traitées par le chatbot qui doit passer le relai à un être humain.

Bref historique

Les prémices du phénomène chatbot apparaissent déjà en 1950. Alan Turing, mathématicien réputé, est l’instigateur d’un test qui porte son nom. Ce dernier consiste à démontrer les capacités d’une machine à imiter une conversation humaine. (Beillaud, s.d) Le principe du test est le suivant : un évaluateur analyse une conversation textuelle entre un humain et une machine et cherche à déterminer en moins de cinq minutes qui est l’humain.
(L, 2017) Ce test sera utilisé par la suite pour définir si un programme de type chatbot est suffisamment intelligent.
Le programme informatique ELIZA, développé par Joseph Veizenbaum voit le jour en 1966.
Il est le premier programme à passer le test de Turing. (L, 2017) Il a pour but de se substituer à un thérapeute qui répond aux patients par des questions ouvertes. Son fonctionnement se base sur l’identification de mots clés dans un texte, la transformation et la génération d’une réponse appropriée. Exemple, si l’utilisateur entre « Ma mère prend soin de moi », ELIZA récupèrera le mot clé « mère », transformera la phrase donnée et répondra par une question de type « Qui d’autre dans votre famille prend soin de vous ? ». (Veizenbaum, 1996).S’en suivent de nombreux programmes de type chatbot. Jabberwacky en 1998, développé par le britannique Rollo Carpenter, est un chatbot, encore en ligne à ce jour, qui a pour objectif de simuler une conversation humaine de manière amusante et divertissante. (A Visual History Of Chatbots, s.d) En 1994 Microsoft lance le compagnon Office Clippy. C’est à cette occasion que naît le terme chatterbot. (Reboulleau, 2017)
A partir des années 2000, les chatbots se démocratisent peu à peu dans les entreprises dans le domaine de la relation clientèle et se présentent sous forme d’avatar. On notera en particulier l’assistant virtuel Ikea développé sur leur site web, prénommé Anna, capable de donner des réponses concernant les produits, la livraison, et les heures d’ouvertures du magasin le plus proche de l’internaute. (Chatbot Anna, s.d).
Dès 2010 des agents conversationnels plus humanisés tels que Siri pour Apple, Google Now pour Google ou Cortana pour Microsoft font leur apparition.
L’année 2016 est un tournant pour les chatbots car, jusqu’alors uniquement présents sur les sites web, ils sont dorénavant intégrés aux applications de messagerie. C’est Facebook le premier qui annonce la prise en charge des chatbots sur sa plateforme, ce qui permet aux entreprises de communiquer avec leurs clients via l’application Messenger. (Chatbot et Big Data : le lien entre agents conversationnels et données, 2019). Depuis, les chatbots ont été intégrés sur d’autres plateformes de messagerie Whatsapp, Telegram, Skype, Slack etc. De nombreuses solutions sont proposées aujourd’hui sur internet pour créer des chatbots.

Application des chatbots

Comme dit précédemment un chatbot peut être développé pour accomplir plusieurs missions. Une fois les objectifs définis pour sa mise en place, il fera partie de l’une ou des quatre familles suivantes. (The Social Client, 2016)

Le chatbot serviciel

Le chatbot serviciel apporte un service précis à l’utilisateur. La Société nationale des chemins de fer français (SNCF) est la première à lancer son service après-vente sur la plateforme Messenger de Facebook. Dès l’achat du billet, le client reçoit une notification avec la confirmation de la commande et des détails sur la transaction. Il est dès lors en mesure de retrouver son billet, de vérifier ses informations ou d’échanger avec un conseiller au besoin.

Le chatbot expérientiel

Le chatbot expérientiel fait vivre une expérience. L’expérience du « Chatbot sans tabac » proposée par la marque Ramsay Générale Santé a connu un franc succès auprès de 5000 personnes. L’idée est venue pour donner suite au constat suivant : il est très dur d’arrêter de fumer seul. Le chatbot développé tend à accompagner les fumeurs qui souhaitent arrêter. Il propose aux participants une nouvelle mission au réveil, une source d’inspiration, des défis etc. (The Social Client, 2016).

Le chatbot commercial

Le chatbot commercial réalise une transaction commerciale. On l’appelle aussi chatbot ecommerce. Fleurop Interflora par exemple, offre la possibilité de commander des fleurs en discutant avec leur chatbot. (Seydtaghia, 2016) Pizza Hut a lancé un bot Messenger ainsi qu’un bot Telegram en phase de test en Israël pour commander sa pizza. Le client entre le numéro de pizza après avoir consulté la liste de produits, indique les ingrédients à ajouter et confirme. Le paiement se fait via les applications. (The Social Client, 2016).

Le chatbot entertainment

Le chatbot entertainment a pour but de divertir. Il peut proposer jeux, questions réponses, commentaires. Il offre une expérience ludique aux utilisateurs avec qui il interagit. (The Social Client, 2016) Les exemples sont nombreux : Andy English Bot, Dad Joke Bot, Game of Thrones Survival, Jessie Humani etc. Arrivé sur la page facebook en question, l’utilisateur peut accéder au bot en cliquant sur envoyer un message. Il suffit ensuite de démarrer la conversation et se laisser guider par le bot.

Avantages

Le succès des chatbots est considérable car ils offrent aux entreprises de nombreux avantages. Ils leur permettent d’être accessible en continu : plus de temps d’attente pour être en contact avec un collaborateur helpdesk, le chatbot répond instantanément. Il est devenu possible de répondre de manière personnalisée aux clients et d’être présent sur les plateformes de messagerie, ce qui implique que les clients éventuels n’ont plus besoin de télécharger d’application sur leur smartphone, bien souvent surchargé d’applications inutilisées. (L’ADN, 2016).
Les chatbots apportent une plus-value car les processus basiques de vente ou d’apport d’informations concernant produits ou informations diverses sont automatisés. Le processus d’achat par exemple passe de quelques minutes à seulement quelques secondes via un chatbot commercial. (The Social Client, 2016) Cette solution omnicanale permet également de garder une trace des conversations et d’améliorer le suivi des demandes. (De Clisson, 2018).

Limites

La plupart des chatbots conçus à l’heure actuelle fonctionne avec la récupération de mot clés dans la requête de l’utilisateur. Si la question n’est pas comprise, alors il répond de manière inappropriée ou passe le relai à être humain qui doit souvent prendre en charge plusieurs conversations en même temps. L’impatience et la déception des utilisateurs vis-àvis de ces situations peut vite se faire ressentir. (Leblal, 2016).
Grâce aux nouvelles connaissances en matière d’intelligence artificielle, les bots sont auto-apprenants et promettent de meilleurs résultats, Cela implique cependant une mise à jour continuelle et automatique de la base de données. (Leblal, 2016).
Programmés pour apprendre à partir de réponses humaines, si celles-ci ne sont éthiquement correctes, cela peut poser un problème quant à la génération de réponses des bots. Microsoft a été confronté à ce cas avec deux de ses bots. Tay, un chatbot sur Twitter, en 2016, a tenu des propos pour le moins déroutants lorsque certaines questions lui ont été posées. Exemple : « Hitler avait raison, je hais les juifs ». Microsoft a dû le mettre hors ligne après seulement huit heures d’existence. (Tual, 2016) Autre scénario du même type avec Zo, chatbot cette fois mis en ligne sur Kik, une application de messagerie instantanée un peu moins connue que Twitter. En réponse à la question: “What do you think about healthcare ?”
Zo a répliqué: “The far majority practice it peacefully but the quaran is very violent”, phrase qui intervient sans qu’il n’y ait eu de provocation. (Millon, 2017) Ce genre de cas démontre les limites quant à l’auto-apprentissage d’un bot et demande une supervision humaine.

Table des matières
Liste des illustrations
Liste des tableaux
Introduction
1. Généralités
1.1. Contexte
1.2. Chatbot : Définition
1.3. Bref historique
1.4. Application des chatbots
1.4.1. Le chatbot serviciel
1.4.2. Le chatbot expérientiel
1.4.3. Le chatbot commercial
1.4.4. Le chatbot entertainment
1.5. Avantages
1.6. Limites
2. Approche technique
2.1. Types de chatbot
2.1.1. Chatbot simple
2.1.2. Chatbot conversationnel
2.1.2.1. L’intelligence artificielle
2.1.2.2. Machine Learning
2.1.2.3. Deep Learning
2.1.2.4. Les réseaux de neurones arfificiels
2.1.2.5. Réseau de neurones récurrents (RNR)
2.2. Fonctionnement du chatbot conversationnel
2.2.1. La compréhension du langage naturel
2.2.2. Traitement de la demande
2.2.3. Génération de réponse
2.2.4. Architecture
2.3. Les possibilités de création d’un chatbot
2.4. Graphisme et configurations
3. Problématique
4. Chatbot et éducation
4.1. Quelques cas d’application
4.2. Rôles
4.3. Fonctionnalités
4.4. Chatbot et Moodle
4.4.1. T-Bot
4.4.2. Q-Bot
4.4.3. Plugin chatbot
5. Définition de cas d’application
5.1. Descriptif
5.2. Analyse des besoins
5.2.1. Equipe de support
5.2.2. Professeur
5.2.3. Etudiant
5.3. Choix de cas
5.3.1. Indiquer quelle est la clé d’inscription au cours
5.3.2. Proposer un quiz pour l’étudiant
6. Choix du moteur chatbot
6.1. Critères de sélection
6.2. Analyse comparative
6.3. Dialogflow
6.3.1. Client SDK
6.3.2. Web demo integration
7. Design
7.1. Eléments communs aux deux cas d’applications
7.2. Cas d’utilisation 1 – Clé d’inscription
7.2.1. Diagramme d’activités
7.2.2. Création des intentions
7.2.3. Création d’entités
7.3. Cas d’utilisation 2 – Quiz pour étudiant
7.3.1. Diagramme d’activité
7.3.2. Création des intentions
7.3.3. Création d’entités
8. Développement
8.1. Architecture
8.2. Environnement de développement
8.2.1. Installation de Moodle
8.2.2. Architecture des dossiers
8.2.3. Git
8.2.4. PHPStorm
8.2.5. Ngrok
8.3. Développement de plugin Moodle
8.3.1. Bloc HTML
8.3.2. Service web
8.3.3. Configuration administrateur
8.4. Business logic du chatbot
9. Tests
9.1. Création de données Moodle
9.1.1. Utilisateurs
9.1.2. Cours
9.1.3. Quiz
9.1.4. Attribution des rôles et accès aux quiz
9.2. Simulations
10. Méthodologie de gestion de projet
10.1. Général / Product backlog
10.2. Rôles
10.3. Evénements
10.4. Sprints
10.4.1. Sprint 0
10.4.2. Sprint 1
10.4.3. Sprint 2
10.4.4. Sprint 3
10.5. Difficulté d’application / Remarques
11. Bilan
12. Conclusion
12.1. Résultat de la thèse
12.2. Recommandations
12.3. Perspectives d’avenir
13. Références
14. Annexes 
Annexe I – Comparatif moteurs NLP
Annexe II – Faisabilité cas support
Annexe III – Utilité / Faisabilité cas étudiant
15. Déclaration de l’auteur

Télécharger le rapport complet