Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
Le traitement automatique du langage naturel (TALN, ou NLP en anglais) est le domaine de l’informatique et de l’intelligence artificielle qui regroupe les techniques permettant à une machine d’analyser, de transformer et de générer du langage humain.
Il porte sur l’écrit comme sur l’oral. L’Office québécois de la langue française privilégie le terme « traitement automatique des langues » (TAL). Il en cite plusieurs applications : la traduction automatique, la synthèse et la reconnaissance de la parole, l’analyse de sentiments. Le traitement mobilise plusieurs niveaux d’analyse : le découpage du texte en unités, la morphologie, la syntaxe, la sémantique et la pragmatique, c’est-à-dire le sens en contexte.
Les méthodes ont changé de nature. Les premiers systèmes reposaient sur des règles linguistiques écrites à la main. Les modèles statistiques, puis les réseaux de neurones, ont pris le relais. L’architecture des Transformers, publiée en 2017, sert de base aux grands modèles de langage actuels. Les tâches se répartissent en deux familles. L’analyse consiste à classer des textes, à en extraire des noms ou des dates, à détecter un sentiment ou à retrouver une information. La génération consiste à traduire, résumer, rédiger ou dialoguer.
Le TALN est un domaine, pas un outil : un modèle de langage en est l’un des instruments. L’IA générative recoupe son versant génération, mais s’étend aussi à l’image et au son. En marketing et en relation client, le TALN sert à analyser des avis et des réponses ouvertes d’enquête, à trier des demandes entrantes, à alimenter un chatbot ou à assurer une veille sur de grands volumes de textes.
Les entreprises accumulent du texte qu’elles lisent peu : avis clients, réponses ouvertes d’enquête, courriels, transcriptions d’appels, commentaires publiés en ligne. Le TALN rend ce gisement exploitable à grande échelle. Notre point de vue : la difficulté n’est plus technique. Elle tient à la définition de catégories utiles à la décision et au contrôle de la qualité des résultats. Un classement automatique de milliers d’avis ne vaut que si ses catégories correspondent à des leviers d’action.
Trois familles d’outils coexistent, et le bon choix dépend de la tâche.
L’architecture des Transformers a été introduite par l’article « Attention Is All You Need » (Vaswani et al., 2017). Les auteurs l’évaluaient sur la traduction automatique et sur l’analyse syntaxique de phrases anglaises. Elle a depuis été reprise pour la plupart des grands modèles de langage.
Pour une tâche d’analyse, constituez un échantillon annoté à la main, que l’outil n’a jamais vu. Comparez ses résultats à cette référence avec deux mesures. La précision indique la part des textes classés dans une catégorie qui y appartiennent vraiment. Le rappel indique la part des textes de cette catégorie que l’outil a retrouvés. Faites annoter une partie de l’échantillon par deux personnes : si elles divergent souvent, la catégorie est mal définie, et aucun outil ne fera mieux. Pour une tâche de génération, une grille de relecture humaine reste la référence.
Advalians repère avec vos équipes les cas d’usage de l’IA à forte valeur sur vos contenus et votre reporting, puis organise un déploiement progressif et mesuré.
Le TALN est un domaine, le modèle de langage est un outil. Le TALN regroupe toutes les techniques de traitement du langage par une machine, y compris des règles simples et des modèles statistiques anciens. Un modèle de langage est entraîné à prédire la suite d’un texte et sert aujourd’hui à de nombreuses tâches du domaine.
Conséquence pratique : avant de choisir un modèle, décrivez la tâche à accomplir, qu’il s’agisse de classer, d’extraire, de résumer ou de répondre. Certaines se traitent mieux et moins cher sans grand modèle.
Commencez par la décision à éclairer, pas par l’outil. Par exemple : quels irritants traiter en priorité au prochain trimestre ? Définissez ensuite cinq à dix catégories reliées à des leviers d’action. Annotez à la main un échantillon de quelques centaines d’avis, qui servira de référence.
Testez alors une ou deux approches sur cet échantillon, mesurez leurs écarts et retenez la plus fiable. Passez au volume complet seulement ensuite, avec une revue humaine régulière d’un échantillon de résultats.
Comparez-la à un échantillon annoté par des humains, que l’outil n’a jamais vu. Calculez pour chaque catégorie la précision, soit la part des textes classés positifs qui le sont vraiment, et le rappel, soit la part des textes positifs que l’outil a retrouvés.
Examinez ensuite les erreurs une par une. Si elles portent sur l’ironie, la négation ou le jargon de votre secteur, ajoutez des exemples de ce type. Refaites la mesure à intervalles réguliers, par exemple chaque trimestre, car le vocabulaire des clients change.
Le premier risque concerne les données personnelles : un verbatim contient souvent un nom, un numéro de contrat ou une adresse. Leur envoi à un service externe peut constituer un traitement soumis au RGPD. Le second risque est une conclusion fausse, tirée d’un classement erroné puis diffusée en comité de direction.
Pseudonymisez les textes avant traitement quand c’est possible. Vérifiez dans le contrat du prestataire ce qu’il peut faire des données transmises. Accompagnez chaque résultat de sa marge d’erreur mesurée.
Non. Un grand modèle de langage se justifie pour des tâches variées, peu fréquentes ou de génération : résumer, reformuler, répondre en langage libre. Pour une tâche étroite et répétée, comme repérer un numéro de commande ou classer des demandes dans dix catégories stables, des règles ou un modèle spécialisé coûtent moins cher et donnent des résultats plus constants.
Critère de choix : comparez sur un même échantillon annoté la qualité, le coût par millier de textes et la stabilité des résultats.
Par Thomas Bizot – Président du cabinet Advalians
Le référencement naturel (SEO) est depuis longtemps le pilier essentiel du marketing digital,..
