Avec des outils pour construire des chatbots de plus en plus accessibles, les interfaces conversationnelles sont de plus en plus répandues. Les chatbots permettent déjà aux entreprises d'automatiser de nombreuses tâches routinières (principalement dans l'interaction avec les clients). Nous en sommes encore aux premiers jours des chatbots, mais si les tendances actuelles persistent, nous verrons les bots se déployer plus largement et prendre en charge des tâches et des interactions plus complexes. Gartner a récemment prédit que d'ici 2021, les entreprises dépenseront plus pour les bots et les chatbots que pour le développement d'applications mobiles.

Utiliser le machine learning pour surveiller et optimiser les chatbots

chatbot et machine learning

Comme toute autre application logicielle, à mesure que les robots sont déployés dans des applications du monde réel, les entreprises auront besoin d'outils pour surveiller leur performance. Pour un seul et simple chatbot, on peut imaginer que les développeurs surveillent manuellement les fichiers de logs à la recherche d'erreurs et de problèmes. Les choses deviennent de plus en plus difficiles à mesure que vous augmentez le nombre de bots et que les bots deviennent de plus en plus complexes. Comme dans le cas d'autres applications de machine learning, lorsque les entreprises commencent à déployer beaucoup plus de chatbots, des outils automatisés de surveillance et de diagnostic deviennent essentiels.

La bonne nouvelle, c'est que des outils pertinents commencent à émerger :  Chatbase  est un service d'analyse et d'optimisation de chatbot qui tire parti de la recherche et des technologies d'apprentissage machine développées par Google. Essentiellement, Chatbase permet aux entreprises de se concentrer sur la construction et le déploiement des meilleurs chatbots possibles.

La démocratisation des outils pour les développeurs de Chatbots

Il a été difficile de faire en sorte que le traitement du langage fonctionne bien et de reconnaître toutes les différentes façons que les gens peuvent utiliser pour dire la même chose. Il y a eu une explosion d'outils qui exploitent le machine learning et les moteurs de traitement du langage naturel (NLP) pour donner un sens à tout ce que l'on demande aux robots. Mais avec une capacité accrue et la capacité de traiter les données : il y a maintenant de meilleurs outils tiers pour toute entreprise afin de tirer profit et de construire un bot optimisé.

Je vois trois niveaux de constructions de chatbot :

  • Il y a le type non technique où le marketing ou les ventes pourraient créer un prototype en utilisant une interface utilisateur comme Chatfuel, qui ne nécessite aucune programmation, et créer une expérience de base. Ou ils pourraient même créer une sorte de bot arbre de décision qui n'est pas flexible, mais qui est bon pour peut-être des expériences de base de plomb-gen. Mais souvent, ils ne peuvent pas gérer les entrées dactylographiées. C'est souvent basé sur des boutons. Donc, c'est un niveau, les gens non techniques.

  • Ensuite, il y a des équipes qui ont des développeurs dans leur personnel. Ce ne sont pas des experts en apprentissage automatique, mais des développeurs qui peuvent utiliser des moteurs de traitement du langage naturel prêts à l'emploi pour extraire la signification des messages envoyés par les utilisateurs. Ainsi, vous extrayez des intentions et des entités et vous donnez un sens à ce qui arrive à votre robot sans avoir besoin d'avoir une expertise en apprentissage machine.

  • Enfin, il y a des équipes qui ont des experts en apprentissage machine. Ils pourraient construire leur propre moteur NLP pour leur donner plus de contrôle sur la façon dont il fonctionne. Mais souvent, ce n'est pas nécessaire si une solution tierce peut répondre à la plupart de vos besoins. 

Etude de cas d'usage courant

Nous suivons des dizaines et des dizaines de milliers de bots chaque mois avec Chatbase, et ce que nous voyons, c'est que pour les grandes entreprises, elles commencent souvent par le support client pour au moins deux raisons. L'une est que l'automatisation peut leur faire économiser de l'argent, mais aussi parce que les chatbots leur permettent de créer une expérience plus efficace pour leurs utilisateurs. En fait, un sondage réalisé par Salesforce et quelques autres sociétés a révélé que ce que les gens attendent des robots est des réponses rapides 24 heures sur 24 et 7 jours sur 7 à des questions simples. C'est dans cette objectif que l'on a vu l'essort des chatbot messenger

Nous voyons aussi des robots de génération de leads. Celles-ci sont plus simples à construire et souvent il suffit de vivre sur le site Web d'une entreprise pour essayer de rassembler et de qualifier les prospects. Ils peuvent, la plupart du temps, faire un travail correct et faire un peu mieux qu'une simple forme de réponse. Ils peuvent être réactifs lorsqu'ils recueillent des informations auprès de l'utilisateur. Ils offrent une expérience plus interactive et, dans de nombreux cas, peuvent être plus agréables pour le client.

Les erreurs courantes

Les demandes non prises en charge sont celles que vous n'avez tout simplement pas construites, comme quelqu'un qui demande à un chatboot de voyage de changer la place de son siège, et vous n'avez tout simplement pas construit cette fonctionnalité. En tant que chef de produit, disons, en exécutant un projet de bot, vous voudriez connaître les fonctionnalités les plus demandées. Vous pouvez utiliser le machine learning pour regrouper les requêtes similaires et montrer au produit ce qu'il faut construire en fonction de la popularité.

L'incompréhension se produit lorsque l'utilisateur demande X, mais le bot pense qu'il a demandé Y. Cela peut être une expérience vraiment ennuyeuse pour l'utilisateur final. Vous allez probablement perdre l'utilisateur final dans ces situations. Cela se produit plus souvent lorsqu'un bot élargit ses cas d'utilisation, ce que l'on appelle l'intention et les poignées. Plus il y a d'intentions, plus l'occasion de mal étiqueter et de mal comprendre l'utilisateur. Chatbase recherche ces situations mal étiquetées ou mal comprises, et nous suggérons d'autres intentions. Nous suggérons des correctifs.

La dernière est celle des demandes manquées. C'est lorsque vous avez construit la fonctionnalité, que vous avez une intention pour un certain type de requête, et peut-être que vous reconnaissez une centaine de façons de demander cette intention spécifique. Il y en a peut-être une centaine d'autres que vous ne reconnaissez pas. Ainsi, au lieu d'avoir, disons, un analyste d'affaires qui parcourt vos journaux pour trouver les cent autres, nous détectons automatiquement ces façons supplémentaires de dire la même chose et nous vous les suggérons pour que vous puissiez réparer le bot.

Tout savoir sur les chatbots à le machine learning