Journal de génie électrique et de technologie électronique

Implémentation d'un système d'IA conversationnelle pour répondre aux questions à l'aide de BERT

Arpita Gupta

L'IA conversationnelle fait référence à l'interaction des utilisateurs via des applications de messagerie ou des assistants virtuels. De telles communications via des agents virtuels ou des chatbots sont conçues pour offrir une expérience utilisateur personnalisée. Les interactions des chatbots sont pilotées par des messages à longue traîne, des requêtes ou une interaction bidirectionnelle avec le public privé. Le véritable pouvoir de l'IA conversationnelle réside dans sa capacité à fournir des interactions hautement personnalisées avec un grand nombre de clients. En tant que cas d'utilisation commerciale, l'IA conversationnelle peut transformer les modes de communication traditionnels en facilitant un engagement approfondi avec les utilisateurs. Une application puissante de l'IA conversationnelle est le système de réponse aux questions. Qu'il s'agisse d'un assistant virtuel ou d'un chatbot, ou de tout système d'assistance conçu par une entreprise, le modèle de réponse aux questions joue un rôle crucial pour fournir de tels services. Un système de réponse aux questions automatisé permet à une entreprise d'offrir à ses utilisateurs une expérience plus dynamique et personnalisée. En pratique, il est difficile pour un être humain de répondre à toutes les questions posées par les utilisateurs en même temps. Si quelqu'un veut le faire, il faudra davantage de ressources pour s'engager avec les clients afin de résoudre leurs problèmes dans les services ou les produits proposés. Le système de réponse aux questions automatisé permet non seulement de gagner beaucoup de temps, mais il constitue également un outil efficace pour comprendre les besoins des clients et leur comportement. L'architecture générale du processus de réponse aux questions consiste à prendre les informations des utilisateurs, à analyser les requêtes, à récupérer les informations de la base de données, à extraire la réponse la plus pertinente, puis à générer la réponse souhaitée. Ce n'est pas aussi simple qu'il y paraît. Pourquoi ? C'est dû aux nombreux défis rencontrés lors de la modélisation. Dans cette session, nous discuterons de plusieurs défis rencontrés lors de la conception d'un système de réponse aux questions, tels que la disponibilité des données, la qualité des données, leur interprétabilité et la barrière linguistique. Bien que plusieurs algorithmes aient été implantés pour concevoir le système de réponse aux questions le plus efficace, BERT surpasse tous. Nous discuterons de la manière dont l'algorithme de représentation d'encodeur bidirectionnel de Transformer[2] aide à résoudre les défis mentionnés et à fournir une solution facultative. Ce didacticiel se concentrera sur la conception d'un modèle de réponse aux questions en utilisant l'outil de communication préféré de l'homme : le traitement du langage naturel. Pour cette session, je supposerai que je suis familier avec les termes de base du traitement du langage naturel et de Python. Le corps de l'exposé portera sur la mise en œuvre de BERT pour la conception d'un modèle de réponse aux questions et sur les techniques d'extraction de fonctionnalités pour les données.