Les différents concepts de LUIS

LUIS

LUIS 1est un service de compréhension de la langue proposé par Microsoft. Il permet aux applications de comprendre ce qu’une personne veut exprimer dans ses propres mots (en langage naturel). LUIS utilise l’apprentissage automatique pour permettre aux développeurs de créer des applications qui reçoivent en entrée des phrases en langage naturel puis en extraient le sens. Une application LUIS est basée sur un modèle de langage spécifique à un domaine conçu par un développeur, un modèle de langage prédéfini par LUIS, ou un mélanger des deux. Un modèle LUIS commence par une liste d’intentions générales de l’utilisateur, telles que « Rendez-vous » ou « Contacts ». On peut créer autant d’intentions que l’on a besoin. Une fois les intentions identifiées, il faut fournir des exemples de phrases appelées « énoncés » pour les intentions (il est recommandé de saisir au minimum 5 phrases). Ensuite il faut étiqueter les énoncés avec des détails spécifiques pour que LUIS les retire de l’énoncé qui sont appelés des Entités. Les modèles de domaine prédéfinis incluent déjà toutes ces briques et constituent un excellent moyen de commencer à utiliser LUIS rapidement. Une fois le modèle conçu, testé et publié, il est prêt à recevoir et à analyser des énoncés via une requête http et répond avec des intentions extraites de la phrase de l’utilisateur et via les modèles créés ou prédéfinis. L’application envoie la phrase écrite par l’utilisateur à LUIS pour qu’il effectue une évaluation de la phrase et la renvoie à l’application au format JSON. L’application peut alors traiter les différents cas.

QnA Maker

QnA Maker est un service qui permet d’ajouter des questions qui sont liées à leur réponse. L’un des buts de notre bot est de pouvoir répondre à des questions, pour cela nous allons utiliser ce service. Dans de nombreux cas, les questions et réponses sont déjà présentes dans les FAQ. Grâce à QnA Maker, on peut absorber ses FAQ déjà existantes sous plusieurs formats qui sont

• Txt • Pdf • Url • Doc Nous pouvons aussi écrire manuellement dans QnA Maker nos questions et réponses associées. Ce service permet de stocker ainsi plusieurs questions et réponses. Il utilise l’apprentissage automatique pour extraire des paires de questions et réponses qui ont du sens dans notre contenu. Il utilise également de puissants algorithmes de correspondance et de classement pour fournir la meilleure correspondance possible entre la requête de l’utilisateur et les questions.

Fonctionnement de QnA Maker QnA Maker propose deux services clés pour le traitement de nos données L’Extraction Les données structurées de questions-réponses sont directement extraites lors de la création du service, des sources de données semi-structurées comme les FAQ, les manuels produits. La Correspondance Une fois notre source de données formée et testé. Nous pouvons poser des questions à QnA maker qui lui va déterminer la meilleure réponse par rapport à l’entrainement réalisé.

Configuration de QnA Maker QnA Maker propose une interface graphique très simplifiée nous permettant d’ajouter des nouveaux FAQ, de les tester et les publier. Pour créer votre premier service QnA allez sur le site https//qnamaker.ai. Cliquer sur l’onglet Create new service. Il faut donner un nom à notre service et sélectionner notre FAQ par un des formats évoqué plus haut ou sinon le créer à la main dans l’interface graphique. Figure 20 Page d’accueil de création d’un nouveau service de QnA Maker Une fois dans l’onglet Knowledge Base écrivez vos FAQ puis appuyez sur Save and retrain. Figure 21 Page de nos question réponses Pour tester notre FAQ, nous allons poser des questions dans l’interface graphique de test. Dans la zone d’insertion de texte à droite de notre chat, nous pouvons écrire différentes alternatives à notre question. Si notre service répond mal à une question que l’on lui pose nous pouvons choisir la bonne réponse manuellement à gauche du chat. Une fois vos tests réalisés, cliquer sur Save and retrain pour que le service puisse apprendre des actions effectuer lors des tests.

Fonctionnalités de Translator Natif Neral

Pour les langues supportées la traduction automatique neuronal est utilisée par défaut. Cette Technologie de traduction automatique capture le contexte des phrases avant de les traduire dans la langue désirée. Ce qui donne un côté plus humain à la phrase traduite. Détection L’Api est capable de détecter automatiquement la langue du texte qu’elle reçoit en entrée. Translittération Elle est capable de convertir la phonétique en mot ou vice versa. Exemple on veut convertir des caractères de l’alphabet mandarin en phonétique latine pour savoir comment les prononcer. Dictionnaire bilingue Propose plusieurs mots, des phrases en contexte avec la phrase à traduire pour nous aider à choisir la traduction optimale.

Conclusion

A travers ce mémoire, nous avons appris à utiliser et configurer quelques services cognitifs de Microsoft. Nous avons aussi pu observer une architecture de chatbot lié à des services cognitifs et qui est évolutive. Nous pouvons imaginer qu’à l’avenir nous serons capables de parler oralement à notre bot dans n’importe quelle langue. Qu’il nous répond dans la langue en question grâce à notamment l’API Speech de Microsoft. Ou bien encore que notre bot sera capable d’analyser le sentiment des questions de l’utilisateur avec l’Api Text Analytics de Microsoft. Il y a mille et une manières de rendre notre bot encore plus humain avec l’intelligence artificielle. Nous sommes encore loin d’avoir fini ce projet chez Evolusys, mais nous partons sur une base très solide. Donna, le nom qu’on a donné à ce chatbot va bénéficier de nombreuses améliorations à l’avenir. Nous avons déjà pu présenter Donna à nos clients, beaucoup de ces clients sont déjà intéressés pour l’accueillir dans leur entreprise. Que ce soit comme un web assistant ou encore comme un service de support. Figure 35 Logo de Donna En ce qui concerne l’avenir des chats bot je pense qu’ils vont faciliter le travail de nombreux collaborateurs, car ils seront de plus en plus « intelligents » et « humains », à un tel point que l’utilisateur ne fera plus la différence

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

1. Introduction
2. LUIS
2.1 Les différents concepts de LUIS
2.1.1 Une intention
2.1.2 Un énoncé
2.1.3 Une entité
2.2 Accès à LUIS
2.3 Créez votre modèle LUIS
2.3.1 Identifier les entités
2.3.1.1 Entités prédéfinies
2.3.1.2 Entités personnalisées
2.4 Comment améliorer les performances de LUIS
2.4.1 Apprentissage actif
2.4.2 Listes de phrases
2.4.3 Patterns
2.5 Configuration
2.5.1 Introduction à l’interface de LUIS
2.6 Capacités de LUIS au travers d’un jeux de tests
2.6.1 Construction des modèles
2.6.2 Tests
2.6.2.1 Conclusion test
2.7 Résumer
3. QnA Maker
3.1 Fonctionnement de QnA Maker
3.2 Configuration de QnA Maker
3.3 Résumer
4. Fiche technique Ms Translator
4.1 Fonctionnalités de Translator
4.2 Résumer
5. Bot Framework
5.1 Installation de l’environnement
5.2 Résumer
6. Architecture
6.1 Explication de l’architecture
6.2 Résumer
7. Analyse du chatbot
7.1 Jeu de tests
7.1.1 Explication des tests
8. Conclusion
Sitographie
Annexe 1 Analyse des risques