Il y a quelque temps déjà nous rappelions sur notre blog le potentiel du vocal au sein des projets de transformation digitale.

En effet, du service client à l’assistance métier, sur un site serviciel grand public ou au sein d’une digital workplace, le vocal s’impose doucement comme un levier de transformation majeur.

L'assistant vocal peut alors être pensé comme une interface homme-machine, en nous servant les données sur un plateau (Peux-tu me procurer cette donnée s’il te plait ?). Mais il est également capable de s’illustrer comme un intermédiaire entre humains. Il fluidifie alors les échanges et les organisations (A qui dois-je m’adresser s‘il te plait ?).  

Mais quel que soit le cas d’usage, le véritable enjeu pour les métiers, est de bien s’approprier le contexte. Car en ChatBot comme en langues étrangères, la traduction littérale est rapidement mise à mal. Elle a d’ailleurs rapidement laissé place à la traduction contextuelle. Celle qui ne traduit pas bêtement, mais qui comprend, et qui contextualise. Elle est déjà presque celle qui pense.

Nous pouvons donc désormais compter sur le « speech to context » et le « context to speech ». Et ainsi nous sommes libérés du langage. Nous travaillons désormais sur les intentions.   

 

Voilà donc notre sujet en 2020 : Se fixer un cas d’usage, et comprendre les intentions de nos usagers.

Pour ce faire nous avons à notre disposition un socle technique déjà solide, et très accessible : Les produits grands publics sont disponibles sur étagère, et pour les entreprises, les briques logicielles permettent de lancer des projets qui n’ont plus rien de la science-fiction.

En la matière, la mise en place d'un ChatBot pose des problèmes standards. Il nous faut : 

  • Dessiner la cible : C’est-à-dire concevoir le ChatBot
  • Envisager une trajectoire : C’est-à-dire choisir les briques logicielles pour mener la réalisation

S’agissant de la cible, notre approche était détaillée dans un article précédent : 7 questions pour créer un ChatBot efficace. Nous proposions alors des étapes de conception permettant de dessiner une véritable « personnalité » pour votre assistant.

La mise en œuvre est quant à elle un sujet résolument technique.

En son cœur on trouve la brique sémantique : C’est la brique NLP (pour Natural Langage Processing), avec un certain nombre d’options dans un marché foisonnant et évolutif. Cette montagne de difficulté a donc finalement accouché d’une souris. Les briques sont disponibles c’est un fait, et elles sont performantes !

 

Devant ces solutions du marché les opportunités sont manifestes, et nos convictions sont claires. Il s’agit d’éviter les pièges.

Nous souhaitons ainsi offrir :

  • Une intégration qui protège les données : Dans notre monde numérique l’intelligence économique est en effet devenue un sujet de préoccupation prépondérant pour toutes les organisations, et notamment pour les services publics
  • Un code applicatif que l’on peut s’approprier : Les contextes technologiques et les projets sont désormais des cycles courts, les DSI souhaitent rapprocher le code du métier et assurer sa réversibilité

Nous avons donc penché vers l'open source : avec la brique Rasa. L’alternative (Dialog flow de Google) est en effet basée sur un modèle Cloud assez peu compatible avec les enjeux RGPD et les solutions d’hébergement sur territoire Européen que l’on exige de nous par ailleurs.

Plus important : Nous avons choisi non pas de déléguer la brique intelligente à un modèle SaaS, mais bien de la confier aux équipes de développement. L’idée est de limiter l’accès en tant que service à la brique sémantique. Les cas d’usages métier restent en propriété, au sein du connecteur. 

 

En pratique le connecteur délivre les services suivants :

  • Ecoute des questions en provenance de l'interface applicative (le Chat)
  • Traduction en intention humaines à l’aide de la brique sémantique

Mais surtout :

  • Renvoi des intentions métier à l'application (requête).

Et c’est précisément ici que se trouve l’âme de votre ChatBot : C’est-à-dire vos choix métier, vos cas d’usage, et vos équipes projet.

 

Ce nouveau produit peut ainsi être appréhendé avec l’arsenal projet classique :

  • L’interface graphique est pensée en tant que produit UX design : L’outillage méthodologique est alors d'un appui certain (Design thinking, atelier innovants)
  • Les fonctions métiers sont évaluées en atelier technique (Design with datas, modèle des données et requêtes associées)
  • La mise en œuvre projet est quant à elle déroulée en cycles agile ou cycle en V selon la verticalité souhaitée et le contexte contractuel.

 

C’est ainsi que nous associons le connecteur à la brique NPL et que nous packageons l’ensemble dans une interface graphique pour constituer un produit fini.

Le ChatBot est alors complet et fonctionnel. Les capacités sémantiques sont seules déléguées à un service tiers. La protection des données sensibles, et le code métier restent aux mains du donneur d’ordre. L’ensemble est alors sécurisé sur l’extérieur.

Grâce au recours à un brique technologique accessible et facilement intégrable telle RASA, et en s’appuyant sur les méthodologies de design de service, il est devenu pratique, facile et sûr d’enrichir sites et applications avec un ChatBot.

Alors, demain sur les vôtres ?

 

Regardez le replay de notre webinar chatbot

Tags
#Assistant conversationnel