L’IA conversationnelle peut-elle ignorer la formation PNL ? L’IA jaune a un plan

L’un des plus grands défis de configuration auxquels les équipes d’intelligence artificielle (IA) sont confrontées est la formation manuelle des agents. Les méthodes supervisées actuelles sont longues et coûteuses, nécessitant des données de formation étiquetées manuellement pour toutes les classes. Dans une enquête de Recherche dimensionnelle et Aiegion96 % des personnes interrogées déclarent avoir rencontré des problèmes liés à la formation, tels que la qualité des données, l’étiquetage requis pour former le modèle et le renforcement de la confiance dans le modèle.

Alors que le domaine du traitement du langage naturel (TLN) se développe régulièrement grâce aux progrès des réseaux de neurones profonds et des grands ensembles de données de formation, ce problème est passé au premier plan pour une gamme de cas d’utilisation basés sur le langage. Pour y remédier, plateforme d’IA conversationnelle IA jaune a récemment annoncé la sortie de DynamicNLP, une solution conçue pour éliminer le besoin de formation sur les modèles NLP.

DynamicNLP est un modèle NLP pré-formé, qui offre l’avantage aux entreprises de ne pas perdre de temps à former le modèle NLP en continu. L’outil est basé sur l’apprentissage zéro coup (ZSL), qui élimine le besoin pour les entreprises de passer par le processus fastidieux d’étiquetage manuel des données pour former le bot AI. Au lieu de cela, cela permet aux agents d’IA dynamiques d’apprendre à la volée, en configurant des flux d’IA conversationnels en quelques minutes tout en réduisant les données de formation, les coûts et les efforts.

“L’apprentissage zéro-shot offre un moyen de contourner ce problème en permettant au modèle d’apprendre à partir du nom de l’intention”, a déclaré Raghu Ravinutala, PDG et cofondateur de Yellow AI. “Cela signifie que le modèle peut apprendre sans avoir besoin d’être formé sur chaque nouveau domaine.”

En outre, le modèle zéro coup peut également atténuer le besoin de collecter et d’annoter des données pour augmenter la précision, a-t-il déclaré.

Obstacles à la formation à l’IA conversationnelle

Les plates-formes d’IA conversationnelle nécessitent une formation approfondie pour fournir efficacement des conversations de type humain. À moins que des énoncés ne soient constamment ajoutés et mis à jour, le modèle de chatbot ne parvient pas à comprendre l’intention de l’utilisateur et ne peut donc pas offrir la bonne réponse. De plus, le processus doit être maintenu pour de nombreux cas d’utilisation, ce qui nécessite une formation manuelle du NLP avec des centaines, voire des milliers de points de données différents.

Lorsque vous utilisez des méthodes d’apprentissage supervisé pour ajouter des énoncés (entrée d’un utilisateur de chatbot), il est crucial de surveiller en permanence la façon dont les utilisateurs saisissent les énoncés, en étiquetant de manière incrémentielle et itérative ceux qui n’ont pas été identifiés. Une fois étiquetés, les énoncés manquants doivent être réintroduits dans l’apprentissage. Plusieurs requêtes peuvent ne pas être identifiées au cours du processus.

Un autre défi important est la façon dont les énoncés peuvent être ajoutés. Même si toutes les façons dont l’entrée de l’utilisateur est enregistrée sont prises en compte, il reste la question de savoir combien le chatbot sera capable de détecter.

À cette fin, la plateforme DynamicNLP de Yellow AI a été conçue pour améliorer la précision des intentions visibles et invisibles dans les énoncés. La suppression de l’étiquetage manuel aide également à éliminer les erreurs, ce qui se traduit par une PNL plus forte et plus robuste avec une meilleure couverture d’intention pour tous les types de conversations.

Selon Yellow AI, l’agilité du modèle de DynamicNLP permet aux entreprises de maximiser avec succès l’efficience et l’efficacité dans un plus large éventail de cas d’utilisation, tels que le support client, l’engagement client, le commerce conversationnel, l’automatisation des RH et de l’ITSM.

“Notre plate-forme est livrée avec un modèle préformé avec un apprentissage non supervisé qui permet aux entreprises de contourner le processus fastidieux, complexe et sujet aux erreurs de la formation de modèles”, a déclaré Ravinutala.

Le modèle pré-formé est construit à l’aide de milliards de conversations anonymisées, ce qui, selon Ravinutala, aide à réduire les énoncés non identifiés jusqu’à 60 %, rendant les agents d’IA plus humains et évolutifs dans les industries avec des cas d’utilisation plus larges.

“La plate-forme a également été exposée à de nombreux énoncés liés au domaine”, a-t-il déclaré. “Cela signifie que les intégrations de phrases ultérieures générées sont beaucoup plus fortes, avec une précision d’intention de plus de 97 %.”

Tendances et défis futurs pour l’IA conversationnelle

Ravintula a déclaré que l’utilisation de modèles pré-formés pour améliorer le développement de l’IA conversationnelle augmentera sans aucun doute, englobant différentes modalités, notamment le texte, la voix, la vidéo et les images.

“Les entreprises de tous les secteurs auraient besoin d’efforts encore moindres pour ajuster et créer leurs cas d’utilisation uniques, car elles auraient accès à des modèles préformés plus importants qui offriraient une expérience client et employé élevée”, a-t-il déclaré.

Un défi actuel, a-t-il souligné, est de rendre les modèles plus sensibles au contexte puisque le langage, de par sa nature même, est ambigu.

“Les modèles capables de comprendre les entrées audio qui comprennent plusieurs haut-parleurs, le bruit de fond, l’accent, le ton, etc., nécessiteraient une approche différente pour offrir efficacement des conversations naturelles de type humain avec les utilisateurs”, a-t-il déclaré.