NLP – Généralités sur le Natural Langage Processing

Contrairement aux humains, les ordinateurs ne comprennent que le langage du code, ce qui représente un frein pour l’interaction. En dotant ces machines de la capacité de comprendre le langage humain, l’interaction devient plus intuitive. C’est ce à quoi sert le NLP.

Grâce à cette discipline, les entreprises peuvent développer des algorithmes évolués pour :

• assurer leur service clientèle,
• trouver des informations pertinentes,
• assister leurs clients (Cortana, Siri),
• analyser leur réputation (text mining), etc.

Cet article vise à vous donner un aperçu du NLP et de ses utilisations.

Qu’est-ce que le NLP ?

Le NLP, Natural Langage Processing ou Traitement Automatique du Langage Naturel en français (TALN) est une discipline de l’intelligence artificielle dont le but est de donner aux machines la capacité de comprendre et de générer le langage humain (écrit ou parlé).

Il fait office d’interface entre la linguistique et la science informatique.

Concrètement, le NLP se base sur la compréhension, la manipulation et la génération du langage naturel par les machines dans l’optique de favoriser l’interaction machine/humain.

Il se décline généralement en deux grandes parties :

1. Le NLU, Natural Language Understanding ou Compréhension du langage naturel. Cette partie rassemble des modèles de machine learning ayant pour but la compréhension en profondeur des données et échanges. Son rôle est d’identifier les intentions derrière les écrits et les paroles des humains.
2. Le NLG, Natural Langage Generation ou Génération du langage naturel. Il regroupe les modèles langage de machine learning dont le but est de créer et de générer automatiquement des textes à la manière d’un humain.

Comment fonctionne le NLP ?

L’objectif du NLP est de donner un sens aux données linguistiques des humains afin qu’elles soient compréhensibles par un ordinateur. Pour cela, les machines se servent de capteurs assimilables à nos yeux et nos oreilles pour lire et écouter.

La compréhension du langage naturel se fait ensuite grâce à une analyse sémantique ou d’une analyse syntaxique assurée par des programmes informatiques. Les projets de NLP se déclinent essentiellement sur deux aspects :

1. Le volet linguistique (prétraitement de données). Les informations recueillies sont transformées en entrées ou en jeu de données.
2. Le volet Data Science ou apprentissage automatique (développement de l’algorithme). On applique des modèles de Deep Learning ou de Machine Learning au jeu de données.

1 La phase de prétraitement des données

Cette étape consiste à nettoyer les données collectées (suppression d’émoji, suppression d’urls, etc.) pour les rendre exploitables par la machine.

Pour cela, on utilise plusieurs approches NLP basées sur les langages de programmation comme python et R.

Parmi les méthodes utilisées, nous avons :

• les sacs à mots pour compter les mots d’un texte,
• la tokenisation pour segmenter le texte en phrases ou en mots,
• le stemming pour supprimer les préfixes et les suffixes,
• la lemmatisation pour réduire un mot à sa forme de base,
• la suppression des Stop Words (suppression de mots vides).

On procède également à la transformation des données textuelles en données numériques avant de leur appliquer les méthodes de Machine Learning.

Cela se fait notamment grâce à différentes approches telles que :

• le Term-Frequency (TF),
• et le Term Frequency-Inverse Document Frequency (TF-IDF).

2 La phase d’apprentissage

Cette étape consiste à développer l’algorithme d’interprétation des données.

Les trois approches de Natural Language Processing les plus utilisées sont :

1 Les méthodes basées sur les règles

Ces méthodes reposent majoritairement sur l’élaboration de règles linguistiques spécifiques à un domaine.

Celles-ci peuvent être utilisées pour résoudre des problèmes relativement simples, comme extraire des données structurées à partir de données non structurées (par exemple, classer les mails indésirables dans les spams).

2 Les méthodes basées sur le machine learning

Les méthodes classiques d’apprentissage automatiques appliquées au NLP servent à résoudre des problèmes plus complexes.

Elles sont plus axées sur la compréhension du langage ; les algorithmes de machine learning exploitent les données prétraitées. Par ailleurs, grâce à leur capacité d’apprentissage automatique, les algorithmes peuvent également utiliser des données relatives à l’occurrence des mots spécifiques, à la longueur des phrases, etc. Ils utilisent généralement des méthodes statiques.

3 Les méthodes basées sur le deep learning

L’utilisation des modèles d’apprentissage en profondeur pour des projets NLP (deep learning language processing) a recours à des réseaux de neurones.

Ceux-ci procèdent à une extraction automatique des caractéristiques, ce qui ne requiert pas un prétraitement complexe. Grâce à leur puissance, les algorithmes de deep learning parviennent à effectuer des tâches encore plus difficiles de LNP, la traduction par exemple.

Quelques utilisations du NLP

En tant que technologie basée sur l’IA, les algorithmes de NLP sont utiles dans de nombreuses tâches :

Le référencement de site web

Google a récemment mis en place un algorithme de NLP pour son moteur de recherche BERT afin de mieux cerner le sens profond des requêtes de l’utilisateur, sans se limiter à des mots-clés.

La traduction automatique

Les applications telles que Google Translator utilisent des algorithmes de traduction automatique développés avec des techniques NLP pour traduire des textes entiers sans aucune intervention humaine.

Il s’agit notamment de la traduction automatique statistique (Statistical Machine Translation).

L’analyse des tendances en ligne

Les entreprises commerciales utilisent des algorithmes NLP pour identifier les avis des clients sur un produit ou un service.

Il s’agit de la technique d’analyse des sentiments (sentiment analysis). Elle s’utilise également pour prendre des décisions marketing et commerciales stratégiques basées sur les préférences des clients.

Le marketing

Les spécialistes du marketing utilisent le NLP pour trouver de potentiels clients. Google l’utilise notamment pour générer du profit grâce à ses publicités.