IA : le NLP au service de l’inclusion des femmes dans le numérique

Microsoft illustre ainsi le potentiel de l’IA (Intelligence Artificielle) au service du bien commun ! Prenant part au programme, j’ai eu le plaisir d’accompagner l’entreprise Social Builder dans la catégorie Diversité et Inclusion. Je vous raconte cette belle aventure.

L’expérience utilisateur d’un chatbot à perfectionner

Social Builder est une entreprise sociale qui agit pour l’égalité femmes-hommes dans le monde numérique. Elle a pour but d’aider les femmes dans leur reconversion et insertion professionnelle, à travers des actions d’orientation et de formation et d’insertion. L’outil qui sert l’ambition de Social Builder est Adabot, son assistant virtuel.

Lancé en octobre 2018 sur Facebook Messenger, Adabot connecte les femmes en recherche d’emploi ou en reconversion professionnelle à l’écosystème du numérique sur leur territoire. Véritable coach d’orientation virtuel, il guide l’utilisatrice dans tout son parcours professionnel. Cependant, le fonctionnement du bot ne permettait pas à l’association d’atteindre efficacement ses objectifs, notamment faire d’Adabot un levier décisif pour l’orientation des femmes vers le numérique. 

Plusieurs freins ont été identifiés :

• L’authentification obligatoire via un compte externe dès l’entrée du parcours ;
• Le manque, voire l’absence, de personnalisation des réponses ;
• Le manque de collecte de données qui permettrait pourtant d’enrichir l’expérience des utilisatrices.

Ainsi, tout l’enjeu du projet Share AI est d’implémenter des solutions d’IA afin d’améliorer significativement l’expérience utilisateur à travers Adabot.

 

Les solutions technologiques d’IA déployées

Une des premières ambitions est de reconvertir Adabot en un bot intelligent propriétaire, autrement dit un bot natif au site de Social Builder. Ensuite, la résolution des problèmes identifiés en amont pourrait déjà rendre le bot beaucoup plus intelligent, précis, conforme et évolutif. Enfin, pour devenir une réelle intelligence artificielle, Adabot devra comprendre l’intention de l’utilisatrice, quelle que soit la complexité de la phrase, et être en mesure de poser des questions en retour pour lever toute ambiguïté ou simplement pour en savoir plus sur son interlocutrice. Il a besoin d’une mémoire pour réutiliser des informations clés tout au long de la conversation, à des fins de contexte ou de personnalisation, comme remettre la conversation sur la bonne voie si l’utilisatrice pose des questions hors-sujet. Aussi, Adabot devra, en plus d’atteindre un certain niveau linguistique, pouvoir apprendre de ses interlocutrices.

Nous avons donc pensé que le recours au NLP (Natural Language Processing) permettra une analyse des sentiments des utilisatrices à travers leurs réponses et une meilleure compréhension de leurs intentions. Ceci afin de déterminer leur ressenti et leur proposer des options leur permettant d’adhérer plus facilement au parcours proposé. Le cœur du sujet est de rendre le bot plus intelligent grâce à l’amélioration perpétuelle de la qualité de ses réponses et qu’il puisse offrir aux utilisatrices un coaching personnalisé. Le NLP est tout indiqué pour améliorer Adabot !

Nos objectifs sont d’améliorer le taux de rétention du bot et de fiabiliser l’accompagnement des utilisatrices dans leur parcours grâce à de meilleures performances dans : 

L’accès et l'utilisation du système ;

• La pertinence des réponses apportées ;
• Une meilleure compréhension des intentions des utilisatrices ;
• Un accompagnement personnalisé.

 

Le NLP : dans quel contexte l’utiliser, ses bénéfices et ses limites

Dans le domaine de l’IA, avec l’avènement du deep learning, le NLP couvre de nombreuses tâches telles que la compréhension de textes, leur classification, la traduction, la prédiction (encore appelée génération) et bien d’autres. Il permet aux bots de comprendre la sémantique du langage utilisé, les structures de texte et les phrases parlées.

Ainsi, nous pouvons extraire l’information utile dans un large volume de données textuelles. Il contribue notamment à identifier les problèmes récurrents sur un produit ou un service en se basant sur les avis des utilisateurs, et par conséquent d’en déduire des indicateurs de performance, tels que le taux de satisfaction et le ressenti client.     

Nous avons d’abord identifié plusieurs verrous technologiques à lever :

• L’accès au bot nécessite une authentification via un compte externe à la plateforme ;
• L’arbre de décision du bot existant est statique ;
• Les données sont très peu exploitables pour améliorer le bot ;
• Aucun interfaçage n’existe entre le bot et le CRM de Social Builder.

Afin de lever le premier obstacle, Social Builder a transféré le bot sur une autre plateforme, appelée Vizir. Aussi, dans le cadre du respect du RGPD, l’utilisatrice a désormais la possibilité de consentir ou non à la sauvegarde de l’historique de son échange avec le bot. Une fois cet historique sauvegardé, nous avons mené une analyse des échanges, dans le but de mesurer les performances du bot et de déterminer les causes de rétractation ou les éventuels problèmes rencontrés par les utilisatrices.

La mesure de performance passe par la production d’indicateurs. Adabot proposait déjà certains KPI en ce sens : nombre de nouvelles utilisatrices, durée des échanges, satisfaction par sondage. Ces indicateurs restent insuffisants pour une mesure efficace. Afin de prendre en compte les utilisatrices ne répondant pas aux sondages de satisfaction, nous avons préféré orienter notre analyse sur les propos des utilisatrices. Grâce à une analyse des sentiments basée sur les échanges, nous pouvons désormais mesurer :

• Le taux de rebond, qui relève le pourcentage d’utilisatrices qui ont visité le site sans consulter le bot ;
• Le ressenti utilisateur, qui détecte via les mots employés, si l’utilisatrice est intéressée ou indifférente aux métiers du numérique après sa discussion avec le bot ;
• L’inscription à des évènements ou formations grâce au bot, pour constater si une utilisatrice a été convaincue de s’y inscrire après son échange ;
• L’intérêt numérique grâce au bot, qui permet de voir si l’échange a conduit l’utilisatrice à développer un intérêt pour les métiers du numérique.    

Nous avons donc utilisé AI Builder. Cette fonctionnalité de Microsoft Power Platform qui fournit des modèles IA conçus pour optimiser les processus métier, a permis d’entraîner un modèle d’analyse de sentiments dont le but est de classifier les avis des utilisatrices en trois catégories : Positif, Neutre, Négatif.

• La première indique que l’utilisatrice a été satisfaite de son échange avec le bot et a obtenu toutes les informations dont elle avait besoin.
• La seconde regroupe l’ensemble des utilisatrices hésitantes et dubitatives suite à leur échange avec le bot. Ces utilisatrices restent donc à convaincre ultérieurement à travers une conversation téléphonique, par exemple avec l’un des experts Social Builder.
• La dernière catégorie nous donne une vue d’ensemble des utilisatrices déçues par le bot soit parce qu’elles n’ont pas obtenu les informations dont elles avaient besoin soit, parce qu’elles ne se reconnaissent pas dans les situations identifiées dans le bot. Les conversations de ces utilisatrices sont analysées davantage afin de décortiquer tous les goulots d’étranglement possibles ayant rendu leur échange stérile. Cela permettra par la suite à Social Builder d’améliorer les conversations du bot et/ou de proposer de nouveaux parcours adaptés à ces diverses situations.

 

Les travaux avec Social Builder sur Adabot sont encore en cours et de nouvelles idées sont susceptibles d’émerger avec l’intégration du NLP, comme la traduction afin d’inclure les utilisatrices ne parlant pas français. Le NLP devrait conduire Adabot à mener une réelle conversation avec ses interlocutrices, tandis que les données conversationnelles d’une personne pourront fournir des informations inestimables en comprenant les tendances et en interprétant mieux le sentiment des utilisateurs. Le modèle de traitement de langage naturel s’est donc révélé essentiel pour l’analyse des conversations ainsi que pour la détection d’un ensemble d’indicateurs capables d’éclairer sur le déroulement de la conversation.