logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
Menu
mobile logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
21 novembre 2017
A la Une, DAP, Innovation en action, News

Entreprises : un assistant conversationnel d’aide à la décision

⏱ 3 min

La société Zelros développe des assistants conversationnels aidant les employés à trouver plus vite les bonnes informations pour leurs prises de décisions. Avec une philosophie simple :  la meilleure façon d’obtenir une réponse à une question est encore de la poser !

Bilans, reportings, tableaux de bord, graphiques, classeurs Excel, portails intranet et autres bases de données en tous genres… Dans la plupart des entreprises, les employés sont aujourd’hui submergés de datas !  Résultat,  ils perdent un temps fou à fouiller l’intranet pour y dénicher les informations dont ils ont besoin pour prendre des décisions. Exemples : quel client à rappeler en priorité ? quel dossier traiter en premier ? quelles sont mes factures les plus à risque ?…

Pour résoudre ce problème, la société Zelros développe depuis fin 2016 des assistants conversationnels connectables à ces multiples sources de données internes. Skype for Business, Slack, Microsoft Teams, Hangout… via la messagerie instantanée de  l’entreprise, l’employé demande en langage naturel ce qu’il cherche au chatbot, et ce dernier se charge de dénicher les informations correspondantes dans ces masse de datas. « C’est la fin de l’ère du « search » :  avec l’intelligence artificielle (IA), nous entrons dans l’ère de l’assistance pour employés augmentés », résume Christophe Bourguignat, CEO de Zelros qu’il a cofondée fin 2015.

Le secteur de l’assurance en tête

Côté efficacité, le taux de réponse moyen des assistants conversationnels Zelros serait aujourd’hui de 85 %. « Chez un client, un de nos chatbots a réduit de 6 minutes à 30 secondes le temps d’accès à des informations d’aide à la décision ! », se félicite Christophe Bourguignat. Depuis mi-2017, la jeune société en déploie déjà une dizaine chez de grands groupes comme Engie, Air Liquide, Natixis … ou bien encore CNP Assurances. On l’aura compris, le secteur où ils rencontrent actuellement le plus de succès est sans conteste l’assurance.

Chez ces assureurs, les chatbots Zelros se connectent à des données structurées (ex : contrats, sinistres, informations clients…), mais aussi non structurées comme les bases de connaissances métier.  Dans la pratique, ils reposent tout d’abord sur un moteur NLU (Natural Language Understanding) développé en interne et adapté aux contextes métiers des différentes entreprises clientes. « Ce moteur NLU utilise de la classification en apprentissage supervisé, en s’appuyant sur les librairies scikit-learn et spaCy après divers prétraitements », précise Christophe Bourguignat. Et pour l’améliorer encore, la société mène divers travaux de recherche. Exemple ? L’entrainement de réseaux de neurones récurrents pour une interaction avec l’homme encore plus naturelle.

Plusieurs « intelligences » mises en œuvre

Mais au-delà de la simple interaction « question/réponse », d’autres types d’intelligences sont mises en œuvre comme de la recommandation (next best action). Ici, l’idée est que le chatbot soit par exemple capable de dire à l’employé : tu m’as demandé ceci, sache qu’en général ensuite on me demande cela. « Pour y parvenir, nous entraînons des modèles de machine learning sur des historiques de dialogues anonymisés, nous utilisons de l’apprentissage supervisé et des algorithmes contextual bandit. » L’objectif est aussi d’éduquer l’assistant virtuel en analysant toutes les interactions avec les employés qui ont échoué; autant d’échanges en langage naturel regroupés à l’aide d’algorithmes de clustering non supervisés.

« Risque de résiliation client ou de fraude, prédiction de temps de traitement de dossier, appétence pour un produit… : nous proposons aussi ce qu’on appelle des scores prédictifs, calculés à partir de modèles machine learning développés par nos clients ou par nos soins », complète Christophe Bourguignat. Ces scores prédictifs sont issus de modèles d’apprentissage supervisés classiques de type régression ou classification. « Nous constatons en effet que nos clients privilégient des modèles transparents et explicatifs, en particulier dans le contexte de l’arrivée prochaine de la réglementation européenne sur la protection des données personnelles (RGPD)« , conclut Christophe Bourguignat.

Jean-Philippe BRALY
Termes liés :
  • Données
  • Chatbot
  • Intelligence artificielle
  • Classification
  • Apprentissage supervisé
  • Machine Learning
  • Clustering
  • Régression
Share:
Posts you'd might like
L’apprentissage profond permet de lire dans notre cerveau… ce qu’il voit
Cette IA hybride apprend à jouer au sudoku…
et à concevoir des protéines
Canicules, orages violents : l’IA apprend à prévoir les épisodes météo extrêmes
Des réseaux de neurones “informés par la physique”, pour modéliser et simuler des systèmes complexes
Faut-il créer un GIEC de l’intelligence artificielle ?
Entretien avec Raja Chatila
ChatGPT a-t-il accouché d’une souris ?
Entretien avec Jean-Gabriel Ganascia
DAP, la newsletter du Data Analytics Post Recevez chaque semaine un éclairage sur les data science

Peut-on laisser un algorithme apprendre tout seul ?

A la différence de l’apprentissage supervisé, le contexte non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés.

En savoir plus

ARTICLES RÉCENTS
  • L’apprentissage profond permet de lire dans notre cerveau… ce qu’il voit
  • Cette IA hybride apprend à jouer au sudoku…
    et à concevoir des protéines
  • Canicules, orages violents : l’IA apprend à prévoir les épisodes météo extrêmes
  • Des réseaux de neurones “informés par la physique”, pour modéliser et simuler des systèmes complexes
  • Faut-il créer un GIEC de l’intelligence artificielle ?
    Entretien avec Raja Chatila

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU