Des ordinateurs qui parlent votre langue

Je veuxvolerdeBostonàMilwaukeenext
samediformiessoeurs
anniversaire et je ne veux pas arrêter
Chicago et je ne veux pas
payer plus de quatre cents dollars
et la fête commence à trois heures donc je
besoin d'y arriver avant.

Dites-le gentiment à un agent aérien humain, et il ou elle démêlera rapidement vos mots et trouvera des vols qui correspondent à vos critères. Dites-le à la ligne de réservation automatisée de la compagnie aérienne, cependant, et tout ce que vous obtiendrez est une voix numérique joyeuse, désolé, je n'ai pas compris.

Ne blâmez pas la voix. Même en supposant que les ordinateurs de la compagnie aérienne surmontent les mots brouillés, le bruit de fond et l'accent de Boston pour restituer la demande en texte précis, aucun système de traitement du langage n'a la puissance de calcul nécessaire pour donner un sens à vos contraintes de prix et de routage, ignorez les non-pertinences comme le fait que samedi est l'anniversaire de votre sœur, et comprenez que si la fête commence à 15h00, vous n'êtes pas intéressé par les vols qui arrivent à Milwaukee à 16h00.

Si les ordinateurs pouvait comprendre et répondre à de telles demandes de routine en langage naturel, les résultats seraient gagnant-gagnant : les compagnies aériennes n'auraient pas besoin d'embaucher autant d'agents, et les consommateurs n'auraient pas à lutter avec la confusion des interfaces tactiles qui les laissent furieusement appuyant sur le bouton 0, essayant vainement d'atteindre un opérateur en direct.

Les futuristes envisagent un tel monde depuis au moins 1968, lorsque 2001 : L'Odyssée de l'espace HAL 9000 est devenu l'ordinateur interactif vocal par excellence. Les chercheurs universitaires et d'entreprise intrigués par la froideur pure et simple de l'idée ont bricolé depuis aussi longtemps des systèmes de reconnaissance et de réponse à la parole humaine. Mais les technologies ne s'imposent pas parce qu'elles sont cool : elles ont besoin d'un impératif commercial. Pour le traitement du langage, c'est l'énorme dépense du service client en direct qui fait enfin sortir les technologies du laboratoire. Une simple pression ou un simple appel téléphonique se dirigent rapidement vers le tas de ferraille, car des entreprises telles que Nuance Communications et SpeechWorks fusionnent des stratégies auparavant concurrentes dans un logiciel qui déduit l'intention derrière les demandes orales ou écrites des gens. Les principales compagnies aériennes, banques et entreprises de biens de consommation utilisent déjà les systèmes, et bien que la technologie ne puisse pas encore tenir la fin d'une conversation, elle aide les appelants avec des questions simples à éviter les longues files d'attente et libère les agents humains pour traiter avec demandes plus complexes.

De telles améliorations ont mis en place des systèmes de langage naturel pour une croissance explosive : 43 % des entreprises nord-américaines ont acheté un logiciel de réponse vocale interactive pour leurs centres d'appels ou mènent des études pilotes, selon Forrester Research, une société d'analyse technologique. Alors que de plus en plus d'entreprises remplacent leurs anciens menus de téléphone à touches, le marché actuel de 500 millions de dollars pour les applications vocales basées sur le téléphone augmentera pour atteindre 3,5 milliards de dollars d'ici 2007, selon Steve McClure, vice-président du groupe de recherche sur les logiciels de la société d'analyse de marché IDC. À la fin de 2002, par exemple, Bell Canada a installé un système de réponse vocale de 4,5 millions de dollars construit par Nuance, de Menlo Park, en Californie. D'après les résultats que nous constatons, le retour sur investissement réel ne prendra qu'environ 10 mois, a déclaré Belinda Banks, directrice associée du service à la clientèle de Bell Canada. Dans l'ensemble, l'entreprise s'attend à économiser 5,3 millions de dollars en frais de service à la clientèle cette année seulement.

Et ce n'est que la première phase du déploiement des systèmes de traitement du langage. Des entreprises comme Nuance et SpeechWorks de Boston, les deux leaders du marché des systèmes de réponse vocale interactive, réussissent en partie parce qu'elles ont adapté leurs technologies à des domaines restreints, tels que les informations de voyage, où les vocabulaires et les concepts qu'ils doivent maîtriser sont limités. Même si de tels systèmes prennent le pas sur le créneau du service client, d'autres entreprises poursuivent toujours le défi d'une véritable compréhension du langage naturel. Si les efforts de recherche d'IBM et du Palo Alto Research Center (PARC), par exemple, portent leurs fruits, les ordinateurs pourraient bientôt être capables d'interpréter presque n'importe quelle conversation, ou de récupérer presque toutes les informations qu'un internaute souhaite, même si elles sont enfermées dans un fichier vidéo ou une langue étrangère ouvrant des marchés partout où les gens recherchent des connaissances via des réseaux informatiques. Prédit McClure d'IDC, alors que l'interface graphique [interface utilisateur graphique] était l'interface des années 1990, la NUI, ou interface utilisateur naturelle, sera l'interface de cette décennie.

Tu peux répéter s'il te plait?

Construire un système de service client vraiment interactif comme celui de Nuance nécessite des solutions à chacun des défis majeurs du traitement du langage naturel : transformer avec précision la parole humaine en texte lisible par machine ; analyser le vocabulaire et la structure du texte pour en extraire le sens ; générer une réponse sensée ; et répondre d'une voix humaine.

Les scientifiques du MIT, de l'Université Carnegie Mellon et d'autres universités, ainsi que des chercheurs d'entreprises comme IBM, AT&T et le Stanford Research Institute (maintenant SRI International), ont lutté pendant des décennies avec la première partie du problème : transformer la parole en quelque chose avec lequel les ordinateurs peuvent fonctionner. Les premiers produits pratiques sont apparus au début des années 1990 sous la forme de programmes de reconnaissance vocale grand public, tels que Voice Type d'IBM, qui prenaient la dictée mais forçaient les utilisateurs à faire une pause après chaque mot, limitant ainsi l'adoption. Au milieu des années 1990, la technologie avait progressé et conduit à des systèmes de dictée tels que NaturallySpeaking de Dragon Systems et ViaVoice d'IBM, qui peuvent transcrire une parole ininterrompue avec une précision allant jusqu'à 99 %.

À peu près à la même époque, quelques scientifiques se sont séparés des laboratoires universitaires et d'entreprise pour créer des startups visant à s'attaquer aux problèmes encore plus complexes - et aux marchés potentiels plus vastes - du deuxième domaine du traitement du langage, appelé compréhension du langage. Ce sont en grande partie les avancées dans ce domaine qui ont positionné le terrain pour sa véritable poussée de croissance. Ces avancées reposent sur deux réalisations importantes, selon Michael Phillips, directeur de la technologie de SpeechWorks, ancien chercheur au Laboratoire d'informatique du MIT. Le premier était qu'il était inutile d'atteindre la lune - le rêve vieux de plusieurs décennies de systèmes capables d'une conversation générale de type HAL. Il existe un mythe selon lequel les gens veulent parler aux machines de la même manière qu'ils parlent aux gens, dit Phillips. Les gens veulent une machine efficace, amicale et utile, pas quelque chose qui essaie de les faire croire qu'ils ont une conversation avec un humain. Cette hypothèse simplifie considérablement le travail de construction et de formation d'un système de langage naturel.

La deuxième prise de conscience était que le moment était venu de combiner des philosophies détenues depuis longtemps par des factions rivales dans la communauté du traitement du langage. Une philosophie dit essentiellement que comprendre la parole est une question de discernement de sa structure grammaticale, tandis que l'autre soutient que l'analyse statistique - faire correspondre des mots ou des phrases à une base de données historique d'exemples de discours - est un outil plus efficace pour deviner le sens d'une phrase. Les startups ont appris que les systèmes hybrides qui utilisent les deux méthodes sont plus précis que l'une ou l'autre approche seule.

Mais cette idée n'est pas arrivée du jour au lendemain. Au MIT, Phillips avait aidé à développer un logiciel expérimental capable de reconnaître la parole et, sur la base de sa compréhension de la grammaire, de donner un sens à une demande et de répondre de manière logique. Comme d'autres systèmes basés sur la grammaire, il a divisé une phrase en ses composants syntaxiques, tels que le sujet, le verbe et l'objet. Le système a ensuite organisé ces composants dans des diagrammes arborescents qui représentaient le contenu sémantique d'une phrase, ou la logique interne - qui a fait quoi à qui et quand. Le logiciel se limitait à aider les utilisateurs à naviguer dans Cambridge, MA, explique Phillips. Vous diriez « Où est le restaurant le plus proche ? » et il dirait : Quel genre de restaurant voulez-vous ? Vous diriez, chinois », et il vous trouverait une place.

Peu de temps après que Phillips a obtenu la licence de la technologie du MIT en 1994 et est parti pour lancer SpeechWorks, lui et les chercheurs de son concurrent Nuance ont constaté que l'une de leurs applications cibles, le pilotage des appels, nécessitait quelque chose de plus. Il existe des entreprises qui ont 300 numéros 800 différents, explique Phillips. Le client ne comprend pas la structure de l'organisation - il sait juste quel problème il a. La bonne chose à faire est de poser une question, comme : Quel est le problème que vous rencontrez ? » Mais par rapport à une demande pour un restaurant chinois à proximité, de telles questions sont dangereusement ouvertes.

Le problème se complique lorsque l'on considère que l'ambiguïté de la plupart des discours humains - pensez à une phrase comme il a vu la fille au télescope - signifie que de nombreuses demandes sont ouvertes à de multiples interprétations. Il y a tellement de manières différentes pour quelqu'un de parler au système qu'il est prohibitif d'essayer de couvrir tout cela dans les grammaires, déclare John Shea, vice-président du marketing et de la gestion des produits chez Nuance.

SpeechWorks a finalement trouvé une solution viable en 2000, lorsqu'il a associé le logiciel du MIT à une technologie de traitement statistique du langage développée par AT&T Labs-Research à Florham Park, NJ. Le système d'AT&T est construit autour d'une base de données de fragments de phrases communs tirés de dizaines de milliers d'appels téléphoniques enregistrés impliquant à la fois des communications d'homme à homme et d'homme à machine. Chaque fragment de la base de données est noté pour son association statistique avec un certain sujet et classé en conséquence. Un fragment tel que les appels que je n'ai pas passés, par exemple, pourrait être fortement corrélé au sujet des demandes de renseignements sur la facturation d'un numéro non reconnu, et le système acheminerait l'appel vers un agent qui pourrait créditer le compte de l'appelant. Si le système n'est pas sûr de son choix, il invite l'appelant à fournir plus d'informations à l'aide de la technologie de synthèse vocale. En fin de compte, selon AT&T, le système achemine correctement plus de 90 % des appels, un taux de réussite bien supérieur à celui des appelants lorsqu'ils naviguent seuls dans les anciennes arborescences téléphoniques.

Nuance a développé un système similaire, basé sur la technologie de SRI, qui peut utiliser des méthodes grammaticales ou statistiques, ou les deux, pour extraire le sens du discours d'un appelant. Nous utilisons différentes approches en fonction des besoins du client, explique Felix Gofman, responsable marketing produit chez Nuance. Vous pouvez mélanger et faire correspondre. Dans un domaine spécifique, comme la banque, les sujets et le vocabulaire des questions des appelants seront limités et le système pourra fonctionner uniquement à l'aide de listes prédéfinies de ce que les clients pourraient dire. Pour les domaines nouveaux ou plus étendus tels que la commande d'un service téléphonique, le système stocke chaque question entendue dans une base de données, puis utilise des techniques statistiques pour comparer les nouvelles questions aux anciennes entrées dans une recherche de correspondances probables, améliorant ainsi la précision au fil du temps.

La technologie de centre d'appels de SpeechWorks est utilisée par des entreprises aussi diverses que Office Depot, le service postal américain, Thrifty Car Rental et United Airlines. Mais l'entreprise qui pousse la technologie au plus près de ses limites est Amtrak. Les voyageurs qui appellent le système téléphonique automatisé d'Amtrak peuvent non seulement obtenir les horaires des trains, mais aussi effectuer des réservations et débiter des billets sur leur carte de crédit. Lorsque nous nous sommes lancés, l'objectif principal était d'augmenter les taux de satisfaction des clients, explique Matt Hardison, chef des ventes, de la distribution et du service client du chemin de fer. Mais en prime, dit-il, les économies de coûts de main-d'œuvre ont remboursé l'investissement de 4 millions de dollars d'Amtrak dans la technologie en 18 mois.

Nuance, quant à lui, compte de gros clients dans les secteurs de la finance et des télécommunications, notamment Schwab, Sprint PCS et Bell Canada. British Airways a déclaré à la société qu'après avoir déployé les systèmes de reconnaissance vocale Nuance l'année dernière, son coût moyen par appel client est passé de 3,00 $ à 0,16 $. Et selon les banques de Bell Canada, 40 pour cent des clients avaient l'habitude de mettre à zéro ou de demander un opérateur en direct, tout en naviguant dans l'arborescence téléphonique à clavier de l'entreprise. Entre la mise en œuvre du système par la société en décembre 2002 et mars 2003, ce nombre est tombé à 15 %, selon Banks.

Une compréhension plus profonde

Malgré tout leur succès, cependant, ces systèmes ne comprennent en aucun cas vraiment ce qu'ils entendent. Ils ne traitent que des règles de grammaire, des probabilités et des exemples stockés. En effet, ils excellent précisément parce que leurs créateurs se sont détournés de la quête d'un système suffisamment intelligent pour lire et résumer un livre ou soutenir une conversation générale.

Mais d'autres chercheurs conservent une vision plus large des possibilités de traitement du langage naturel. Comme Ron Kaplan, un chercheur au PARC qui a développé une grande partie de la théorie grammaticale de base derrière de nombreux systèmes de langage naturel d'aujourd'hui, ils créent des logiciels capables de gérer une bien plus grande variété d'entrées - des articles de journaux à la masse désorganisée de multimédia informations sur le Web. Kaplan critique ce qu'il appelle les méthodes superficielles utilisées pour des applications de niche telles que la gestion des appels. Par rapport à l'alternative consistant à maintenir un personnel coûteux d'agents de service client, ils ne sont en fait pas mauvais, dit-il. Mais par rapport à ce que vous aimeriez, ils puent. Une interface en langage naturel plus efficace, selon Kaplan, éliminerait le besoin d'adapter soigneusement les systèmes et permettrait aux utilisateurs de parler ou d'écrire librement.

De l'avis de Kaplan, deux problèmes entravant cette vision sont que les bases de données d'échantillons de langues sur lesquelles s'appuient des systèmes plus simples sont trop petites, et les algorithmes statistiques qu'ils utilisent sont conçus pour éliminer l'ambiguïté dans une grande partie de ce que les gens disent, possible sur le sens le plus probable. Kaplan pense que si cette ambiguïté est éliminée trop tôt, le sens correct d'un énoncé, en particulier d'une phrase longue ou complexe, peut être perdu. Il a donc passé la dernière décennie à travailler sur un système basé sur la grammaire, appelé Xerox Linguistic Environment, qui essaie en fait de préserver ambiguïté. Le système analyse un énoncé dans chaque diagramme de phrases possible autorisé en vertu d'un ensemble de 314 règles régissant les relations entre les différentes parties du discours (les chercheurs du PARC ont assemblé les règles manuellement sur trois ans). Une phrase complexe de 40 mots ou plus, par exemple, peut être interprétée de 1 000 manières différentes.

L'analyse grammaticale du système est si approfondie qu'elle capture correctement, en moyenne, 75 % des relations logiques dans une phrase, ce qui est en fait très élevé par rapport à ce que font la plupart des méthodes statistiques, explique Kaplan. Ce taux de précision peut être augmenté à environ 80 % si le logiciel tire parti de ces méthodes statistiques, en comparant chaque interprétation possible à des diagrammes similaires dans une base de données entraînée - dans le cas du logiciel PARC, un magasin de centaines de milliers de diagrammes précis de phrases dessinées. à partir de le journal Wall Street des articles.

Kaplan prévoit d'abord de lancer le système sur l'énorme base de connaissances numériques de Xerox sur les techniques de réparation des copieurs, qui est constamment consultée et mise à jour par les techniciens de terrain de l'entreprise. Il y comparera des milliers d'entrées individuelles afin d'éliminer les redondances et les contradictions. Il se peut que de nombreux techniciens aient découvert la même solution à un problème courant, comme le remplacement du tambour d'un copieur, explique Kaplan. Vous obtenez un tas d'entrées disant la même chose, mais de différentes manières. Trouver et éliminer automatiquement une telle redondance, ajoute-t-il, peut aider les techniciens à passer moins de temps à trier les options. Le logiciel pourrait également devenir à terme le noyau d'un système avancé de traduction de documents dans différentes langues, une tâche particulièrement entachée d'ambiguïté ( voir Le défi de la traduction ).

Avant qu'un ordinateur puisse comprendre ou traduire des informations stockées exprimées en langage naturel, il doit cependant les trouver. Cela devient de plus en plus difficile à mesure que l'univers numérique s'étend. C'est pourquoi IBM poursuit un projet ambitieux visant à utiliser le traitement du langage naturel dans la gestion des informations non structurées, la masse de texte numérique, d'images, de vidéo et d'audio stockés sur les réseaux informatiques. Une grande partie de l'activité d'IBM repose sur son produit de base de données, DB2, mais une base de données traditionnelle ne peut récupérer que des informations qui ont déjà été organisées et indexées. IBM veut donner aux utilisateurs professionnels et aux consommateurs un accès immédiat aux données non indexées qui languissent sur des millions de disques durs à travers le monde, étendant efficacement sa domination dans la gestion des données structurées dans le domaine des informations non structurées. Pour y parvenir, la société poursuit une initiative visant à fusionner différentes approches de traitement du langage dans un logiciel puissant capable de rechercher, d'organiser et de traduire intelligemment toutes ces données. Le projet, appelé Architecture de gestion de l'information non structurée, pourrait alimenter les activités de l'entreprise jusqu'à l'ère d'Internet. Au fur et à mesure que les paris sur la recherche avancent, c'est un gros problème, déclare Alfred Spector, vice-président senior de la division.

Les logiciels de traduction et autres produits qui utilisent la nouvelle architecture sont encore au stade de prototype. Mais en fin de compte, explique David Ferrucci, l'architecte logiciel principal du projet, l'architecture aidera IBM à créer des systèmes qui récupèrent les dernières informations qu'un utilisateur souhaite à partir de n'importe quelle source numérique, dans n'importe quelle langue, et de les fournir sous une forme organisée. Déjà, les entreprises américaines dépensent 900 millions de dollars par an sur des portails d'informations d'entreprise qui aident les employés à trouver les documents dont ils ont besoin, selon Giga Information Group à Cambridge, MA, et les opportunités pour IBM et d'autres entreprises développant des logiciels pour gérer les informations non structurées ne feront que se multiplier à mesure que ces informations s'accumulent. Il existe désormais clairement une justification commerciale pour traiter des données non structurées, conclut Spector.

Si les efforts pour faire face à l'ambiguïté, aux informations non structurées et à d'autres complexités du langage réussissent, nous pourrions finalement arrêter de traiter les ordinateurs comme des tout-petits, en simplifiant tout ce que nous disons pour l'adapter à leur compréhension immature du monde. Lorsque ce jour viendra, et cela pourrait arriver bientôt, les consommateurs peuvent s'attendre à trouver des interfaces vocales automatisées à chaque instant, leur permettant d'utiliser un anglais simple (ou français ou chinois) pour interagir avec tout, des archives Web aux appareils électroménagers et aux automobiles.

Et ce serait vraiment quelque chose à dire.

Babel du traitement du langage ENTREPRISE LA TECHNOLOGIE EMPLACEMENT AT&T Reconnaissance vocale automatisée ; synthèse vocale au son naturel
New York, État de New York Plaisanter Classification et réponse automatisées des e-mails San Francisco, Californie, et Jérusalem, Israël IBM Reconnaissance vocale automatisée ;
Traduction; architectures standard pour la gestion des informations non structurées Armonk, NY Intelligence Reconnaissance vocale audiovisuelle Santa Clara, CA Inxight Logiciel pour découvrir, explorer et catégoriser les données textuelles sur les réseaux d'entreprise Sunnyvale, CA iPhrase Technologies Recherche de texte en langage naturel sur les sites Web d'entreprise Cambridge, MA Microsoft Vérification de la grammaire ; interfaces de requêtes ; traduction Redmond, WA Nuance Communications Systèmes de réponse vocale interactifs pour le service client par téléphone Menlo Park, CA Centre de recherche de Palo Alto Algorithmes améliorés pour extraire le sens d'un texte écrit Palo Alto, CA SpeechWorks Systèmes de réponse vocale interactifs pour le service client par téléphone Boston, MA StreamSage Recherche et indexation en langage naturel de matériel vidéo et audio Washington, DC

cacher