Menu

Huit approches de traitement de l'IA basée sur le langage naturel

personne avec un smartphone
Table of Contents

Share this page

Mike McNamara
149

Actuellement, l'IA basé sur le langage naturel est plus qu'un simple avantage, c'est une nécessité. Selon Gartner, « d'ici 2024, jusqu'à 80 % des marques proposeront des expériences digitales à leurs utilisateurs via des agents virtuelles ».

L'IA conversationnelle ne se réduit pas aux chatbots. Les systèmes d'IA qui traitent le langage naturel dialoguent comme des humains, comprennent le contexte et offrent des réponses intelligentes en quelques millisecondes seulement. En bref, le traitement du langage naturel est un programme informatique qui comprend le langage humain tel qu'il est parlé. Le traitement du langage naturel est en constante évolution, tout comme les stratégies. Ces dernières et les nouvelles avancées technologiques visent à améliorer le mode de traitement du langage par l'IA.

Gartner a répertorié huit approches de traitement du langage naturel dans sa feuille de route stratégique 2021 pour l'IA d'entreprise : architecture du langage naturel.,Anthony Mullen,Magnus Revang,Stephen Emmott,Erick Brethenoux,Berne Elliot,Jessica Ekholm, 15 décembre 2020 :

1. Modèles de langage généraux ou de transformateur

En 2020, de nombreux fournisseurs ont intégré cette nouvelle approche disruptive dans le traitement du langage. Ces modèles sont utilisés dans l'ensemble du workflow de la technologie NL par les moteurs Insight, l'analyse de texte, la génération de langage naturel (NLG) et l'IA. Ces modèles de langage généraux sont souvent utilisés avec le transfert d'apprentissage pour exploiter des modèles de deep learning prédéfinis (avec des milliers de paramètres) afin de créer des modèles personnalisés dans tous les secteurs et toutes les entreprises. Ils comprennent les modèles BERT/Meena et GPT2/3.

2. Middleware de conversation

Utilisez une combinaison flexible de moteurs vocaux et conversationnel grâce à ce middleware en dissociant le moteur sous-jacent de ses données d'entraînement ainsi que de la conception et de l'intégration de son dialogue. Ces fournisseurs de middleware utilisent généralement les moteurs standard Amazon Lex, Microsoft Bot Framework, Google Dialogflow, IBM Watson et Rasa (consultez le rapport sur l'utilisation d'un middleware d'IA conversationnelle pour créer des chatbots et des assistants virtuels).

3. Développement de la recherche et de la conversation aux requêtes de calcul

La plupart des outils de BI (Business Intelligence) offrent toutes sortes d'interfaces de langage naturel. Mais la plupart d'entre eux ne proposent pas une approche entièrement conversationnelle. Cependant, le traitement des requêtes de calcul s'améliore rapidement. Google TAPAS, le nouvel outil prometteur, utilise des modèles de langage généraux pour accéder aux données tabulaires. Découvrez plus en détail l'évolution de la BI et du langage naturel dans le rapport sur les univers qui s'affrontent alors que l'analytique augmentée rapproche l'analytique, la BI et la data science.

4. Piles et modules de deep learning modulaires des fournisseurs de technologie NL

Les grands fournisseurs comme Alibaba, Oracle, IBM et Microsoft développent des fonctionnalités de document, vocales, de traduction et de conversation à partir d'une pile partagée de modèles NL et de composants communs.

5. Démocratisation du développement des expériences de NL

Que ce soit pour la recherche ou la conversation, de nombreux fournisseurs ont amélioré les interfaces WYSIWYG de leurs outils de développement et facilité l'accès à leurs interfaces non techniques. Des outils de conception à faible code et sans code permettent bien plus qu'un simple dialogue. Le dialogue de conversation n'est qu'un des nombreux éléments que les développeurs peuvent concevoir sans connaissance technique. Actuellement, les plateformes à faible code et sans code permettent souvent non seulement de concevoir des dialogues, mais aussi de développer des applications RPA et de recherche ainsi que plus d'éléments de conception web 2.0 standard.

6. Fournisseurs qui proposent des offres multimodales développant des modèles de langage pour inclure la vision et la traduction par ordinateur

Les services de langage évoluent pour améliorer leur multimodalité et favoriser ainsi une communication riche et naturelle entre les personnes et les machines. Par exemple, Openstream vous permet à la fois de parler et d'interagir avec les applications de mappage. Quant à Baidu Translate, il utilise non seulement les mots prononcés dans une scène vidéo, mais aussi les objets visuels qui s'y trouvent.

7. Évolution de l'accès aux données, de la gestion des métadonnées et des systèmes optimisés par des graphiques

La Data Fabric est actuellement la solution de pointe pour enrichir et gérer les données distribuées. Elle peut vous fournir des services de données, des pipelines, des tiers sémantiques et des API réutilisables grâce à une combinaison d'approches de l'intégration des données. Vous pouvez encore améliorer la Data Fabric en ajoutant la reconnaissance dynamique des schémas ou l'optimisation basée sur les coûts (consultez le rapport sur la démystification de la Data Fabric).

8. Un nouveau pipeline d'outils et de services pour les projets NL

Les entreprises d'étiquetage et d'annotation de données prennent en charge de plus en plus de services d'annotation de texte, vocaux et de document ainsi que de vision par ordinateur. Les agences de traduction gèrent les charges de travail à l'aide de centres de traduction composés à la fois de modèles et de personnes.

En savoir plus

NetApp simplifie la gestion des données pour que vous puissiez donner la priorité à l'IA. Nous accélérons le développement de la puissance, des données et de l'IA. Réduisez les risques grâce aux solutions NetApp® et accédez à vos données lorsque vous en avez besoin. Les solutions d'IA de NetApp éliminent les goulots d'étranglement de la périphérie, au cœur et jusqu'au cloud pour optimiser la collecte de données, accélérer les charges de travail NLP et faciliter l'intégration dans le cloud. Pour en savoir plus, consultez notre page d'accueil sur l'IA et lisez notre blog sur l'IA conversationnelle.

Mike McNamara

Mike McNamara, Responsable du marketing produit chez NetApp, a 25 ans d'expérience dans le domaine du marketing du stockage et de la gestion des données. Avant de rejoindre NetApp il y a plus de 10 ans, il a travaillé pour Adaptec, EMC et HP. Mike a été l'un des principaux responsables d'équipe chargé du lancement de la première solution d'IA/de ML connectée au cloud (NetApp), du système et des logiciels unifiés de stockage de cloud hybride et scale-out (NetApp), du système et des logiciels de stockage iSCSI et SAS (Adaptec), et du système de stockage Fibre Channel (EMC CLARiiON). Ancien président marketing de la Fibre Channel Industry Association (FCIA), il est membre de l'Ethernet Technology Summit Conference Advisory Board et de l'Ethernet Alliance. Il intervient fréquemment lors d'événements ou dans des revues professionnelles. Mike FriesenPress a également publié un livre intitulé « Scale-Out Storage - The Next Frontier in Enterprise Data Management », et Kapos l'a classé parmi les 50 spécialistes du marketing de produits B2B les plus prometteurs.

View all Posts by Mike McNamara