Qu'est-ce que l'intelligence artificielle ? Simplifier l'IA pour les professionnels de l'expérience client et employé

L'intelligence artificielle fait fureur, mais que peut-elle signifier pour l'industrie de l'expérience ? La première étape consiste à comprendre ce qu'est l'IA - et ce qu'elle n'est pas. Voici ce qu'il faut savoir sur l'IA, l'apprentissage automatique, le traitement du langage naturel et bien plus encore.

Il semble qu'il soit impossible de regarder ou de lire quoi que ce soit de nos jours sans que l'intelligence artificielle ou "IA" ne soit mentionnée un million de fois, de manière prudente. Parfois, l'expression "machine learning" (apprentissage automatique) ou "ML" peut apparaître dans les mêmes médias. Mais qu'est-ce que tout cela signifie ? Qu'est-ce que l'IA générative ? Qu'est-ce que l' intelligence artificielle ? Supervisée ? Non supervisée ? Semi-supervisée ? NLP ? Le vocabulaire devient vite lourd. 

Nous ne cessons d'entendre à quel point l'IA va révolutionner le travail, les soins de santé, la finance, la littérature, l'art et tout le reste, y compris l'expérience client et l'expérience employé, comme si l'IA était une sorte de technologie omnisciente d'un autre monde. Certains déclarent même fièrement que l'IA remplacera les personnes dans ces fonctions. En réalité, l'IA est un outil précieux qui a déjà été utilisé pour améliorer la productivité, mais ce n'est ni une panacée ni un substitut à l'homme. Elle a des limites, mais vous ne le savez peut-être pas si vous vous fiez à l'interprétation populaire de l'IA. 

J'écris ce blog pour vous - la personne non technique - pour vous aider à comprendre un peu ce qui se passe avec l'IA et comment elle pourrait avoir un impact sur le CX et l'EX. Aucun diplôme en mathématiques n'est requis. Je l'ai déjà fait pour vous. Commençons donc par le commencement.

L'IA, l'apprentissage automatique, la PNL et les méthodes génératives - Oh My !

Qu'est-ce que l'IA ?

Il est important de noter que l'IA est davantage un concept qu'une technologie pleinement réalisée. Essentiellement, l'IA est la capacité des machines ou des programmes informatiques à penser, à agir et à apprendre comme une personne, ce qui inclut notre capacité à ajuster notre façon de faire en fonction de nouvelles informations, à créer des travaux vraiment nouveaux et à gérer l'ambiguïté. Cela n'existe pas. Le cerveau humain est une chose vraiment incroyable et la création de technologies capables de faire ce que nous faisons est encore un avenir lointain.

Qu'est-ce que l'apprentissage automatique ?

Lorsque les gens utilisent le terme "IA", ils parlent presque certainement d'un ensemble complet de méthodes d'apprentissage machine (ML) qui permettent aux ordinateurs d'"apprendre" en se basant sur des modèles issus d'ensembles de données volumineux. Les deux termes sont utilisés de manière interchangeable et sont souvent confondus l'un avec l'autre, même là où la distinction est importante. Dire que l'IA n'existe pas serait aussi correct que de dire qu'elle existe. Confusion, n'est-ce pas ? Pour simplifier les choses, Microsoft définit l'apprentissage automatique comme "le processus consistant à utiliser des modèles mathématiques de données pour aider un ordinateur à apprendre sans instruction directe [ce qui] permet à un système informatique de continuer à apprendre et à s'améliorer de lui-même, sur la base de l'expérience". 

Par essence, la ML est constituée d'un grand nombre de mathématiques et de statistiques complexes appliquées à des ensembles de données volumineux qui lui permettent de trouver des modèles, ce qui imite l'apprentissage humain. Les méthodes de ML sont généralement classées en trois catégories : supervisée, semi-supervisée et non supervisée. De nombreuses solutions faisant appel à la ML utilisent souvent un mélange de toutes ces méthodes, en fonction des tâches spécifiques qui leur sont confiées. Même les exemples traditionnels de certains types de méthodes d'apprentissage automatique peuvent être exécutés à l'aide de différentes méthodes en fonction de l'outil utilisé. Pour faire simple et rapide, il y a.. :

• La ML supervisée utilise des ensembles de données étiquetés, c'est-à-dire que vous fournissez des étiquettes en tant qu'humain dans l'ensemble de données, indiquant comment une chose donnée devrait être classée, afin de former des algorithmes qui prédisent les résultats. Exemples : filtres anti-spam pour les courriels, classification de textes, reconnaissance vocale.
• La ML semi-supervisée utilise une petite quantité de données étiquetées et une grande quantité de données non étiquetées pour prédire les résultats. Exemples : classification de contenu web, classification d'images ou de discours, identification d'anomalies dans les dossiers bancaires.
• La ML non supervisée utilise une grande quantité de données non étiquetées pour prédire les résultats. Exemples : MedalliaTheme Explorer, moteurs de recommandation, segmentation de la clientèle.

Chacune de ces méthodes vise à identifier des modèles qui imitent l'apprentissage humain de différentes manières, dans l'espoir d'obtenir des informations précieuses en fonction du type de tâche et de données à traiter. Imaginez par exemple que vous essayez de recommander des produits à un certain client. Il serait absurde de perdre du temps à étiqueter les données pour chaque client, ce qui signifie que l'apprentissage automatique non supervisé est probablement le meilleur modèle. 

La partie "imitation" est très importante. La ML - et donc l'IA - nécessite beaucoup de matériel d'entrée pour essayer de trouver des modèles, qui sont ensuite utilisés soit pour fournir des informations sur un ensemble de données, soit pour générer du contenu avec des résultats assez précis. La première situation est particulièrement précieuse dans les domaines de l'analyse de texte et de l'analyse vocale, qui fonctionnent tous deux à partir de données textuelles et audio. 

Qu'est-ce que le traitement du langage naturel ?

Sur Medallia, lorsque vous utilisez l'analyse de texte, l'analyse de la parole ou la transcription de la parole en texte, vous utilisez invariablement l'IA/ML. Pour ce faire, nous utilisons le traitement du langage naturel (NLP), parfois appelé compréhension du langage naturel (NLU) dans notre secteur. Le NLP/NLU est un sous-ensemble de l'apprentissage automatique, ce qui signifie que le NLP/NLU est une série de méthodes d'apprentissage automatique appliquées au langage humain naturel. Siri, Alexa, Google Home et probablement même votre voiture utilisent des méthodes NLP pour transcrire ce que vous dites en texte. Les grands modèles de langage (LLM) tels que ChatGPT/GPT-3 d'OpenAI, BERT, LLaMA de Meta et Ernie de Baidu sont tous des NLP car ils s'intéressent à l'apprentissage à partir du langage naturel pour générer un contenu textuel de type humain. 

Qu'est-ce que l'IA générative ou les modèles génératifs ?

Aucun contenu généré n'est vraiment ni complètement nouveau. De même, tous les modèles génératifs d'IA/ML ne s'appliquent pas uniquement au texte. L'utilisation de méthodes de ML pour générer des informations "nouvelles" ou manquantes est appelée IA générative, ou modèles génératifs. L'IA générative, telle que définie par IBM, "fait référence aux modèles d'apprentissage profond qui peuvent générer du texte, des images et d'autres contenus de haute qualité en fonction des données sur lesquelles ils ont été formés". Comme le ML imite l'apprentissage humain, il est limité par l'ensemble de données sur lequel il a été formé afin de produire ou de générer d'autres résultats. Ces résultats peuvent être des images comme dans le cas de DALL-E, du son ou de la synthèse vocale comme dans le cas de Meta Voicebox, ainsi que des tableaux de bord analytiques, du texte et bien d'autres choses encore. 

L'industrie de l'expérience doit-elle être prudente face à l'IA générative ?

L'engouement pour l'IA - d'autant plus que ces modèles génératifs existent depuis des années - s'explique par le fait qu'ils sont enfin entre vos mains, celles de l'utilisateur quotidien, et qu'ils sont utiles à votre vie de tous les jours. 

Cependant, tous les utilisateurs de l'IA générative doivent également tenir compte de certains risques liés à l'utilisation de ces modèles, dont certains sont inhérents à l'analyse des données et à l'IA en général. En particulier, il est essentiel de savoir sur quelles données un modèle a été entraîné afin de limiter les biais et autres risques. Comme pour tous les modèles d'IA/ML, des données d'entraînement biaisées, inexactes ou malveillantes produiront des résultats biaisés, inexacts ou malveillants. Des données incomplètes ou des données qui surreprésentent involontairement - ou intentionnellement, en cas de malveillance - certains groupes peuvent donner lieu à des résultats qui reflètent ces données. Des livres comme Invisible Women de Caroline Criado Perez et Weapons of Math Destruction de Cathy O'Neil ne sont que deux des nombreux ouvrages consacrés à la partialité dans l'analyse des données qui démontrent pourquoi cela peut constituer un problème majeur pour toutes les formes d'IA. L'obtention et la garantie de données d'entraînement de haute qualité, bien gérées et bien entretenues peuvent contribuer à minimiser certains de ces problèmes. 

En outre, l'IA générative peut se heurter à des problèmes de propriété intellectuelle et de plagiat si elle a été entraînée sur ce type de contenu. Les modèles d'IA ne savent pas qu'ils sont entraînés sur des images ou des textes en ligne protégés par des droits d'auteur ou correctement attribués. Par conséquent, ces modèles peuvent finir par générer un "nouveau" contenu qui néglige de fournir les attributions de source ouverte appropriées ou d'éliminer les données protégées par le droit d'auteur de ses données d'entraînement. À partir de 2023, de nombreuses actions en justice seront intentées contre des entreprises d'IA générative pour ce type de problèmes. Il est donc essentiel que chaque entreprise comprenne les données sur lesquelles son IA générative est entraînée.

Comment l'IA peut-elle contribuer à l'expérience des clients et des employés ?

Lorsque l'on parle de l'utilité de l'IA, c'est généralement dans le contexte de l'automatisation. Bien que l'automatisation soit un élément important de l'utilité de l'IA, ce n'est pas l'automatisation en elle-même qui a de la valeur. L'automatisation en elle-même peut être risquée lorsque les situations changent ou lorsque l'IA peut faire une erreur, d'autant plus qu'aucune IA ni aucun être humain ne sera jamais précis à 100 % ou ne réussira jamais à prendre des décisions. 

Cela dit, de nombreuses entreprises dotées d'équipes chargées de l'expérience client, du centre de contact et de l'expérience des employés doivent en faire plus avec moins de temps et d'argent. Les automatismes alimentés par l'IA peuvent aider vos équipes à traiter d'énormes volumes de données de retour d'information, à réduire considérablement le temps nécessaire pour obtenir des informations et à augmenter la productivité des employés, tout en améliorant l'expérience des clients. Au-delà de l'utilisation du NLP pour obtenir des informations sur vos données, l'avenir de l'IA dans le domaine de l'expérience client et employé est prometteur.

Par exemple, les résumés automatisés des appels pourraient éliminer les notes après appel pour le centre de contact. La synthèse des dossiers des clients, des employés et de l'entreprise pourrait permettre aux utilisateurs de comprendre plus rapidement les expériences collectives qu'une personne a eues avec votre entreprise et de prendre des décisions sur la base de ces données. La détermination des meilleures actions à entreprendre pourrait être renforcée par l'IA afin de personnaliser exactement les prochaines mesures à prendre pour améliorer l'expérience et la satisfaction d'une personne à l'égard de votre entreprise. 

L'IA au service du praticien de l'expérience quotidienne

Il n'est pas nécessaire d'être un data scientist ou un statisticien pour tirer parti de l'IA dans votre vie quotidienne. En utilisant simplement Siri ou une plateforme comme Medallia, vous tirez parti de l'IA pour améliorer votre productivité. À l'avenir, les méthodes génératives deviendront de plus en plus le moteur d'une productivité et d'une personnalisation accrues de vos flux de travail et de vos interactions avec les entreprises. 

S'il y a un message à retenir de ce blog, c'est bien celui-là : L'IA n'est pas une nouvelle technologie effrayante qui va prendre votre travail. C'est un outil qui nécessitera probablement une assistance humaine constante pour être aussi efficace que prévu. Cela signifie que des personnes devront surveiller et maintenir en permanence vos modèles d'IA, quels qu'ils soient - en interne ou en open-source - pour répondre à vos exigences en matière de conformité, de qualité et de réglementation. Le maintien de la sécurité des données, de la transparence des données de formation et de la qualité des résultats nécessitera du personnel, qu'il s'agisse d'éthiciens ou d'ingénieurs en données. En définitive, si l'IA/ML utilisable constitue une véritable percée, nous devons faire preuve de circonspection dans son utilisation tout en profitant de la commodité qu'elle apporte dans nos vies.

Inscrivez-vous à Experience '24 pour en savoir plus sur la manière dont Medallia utilise l'IA et continue de changer la donne.