Aller au contenu
Cercle IA · Lexique Un site du réseau Cercle IA

Définition

NLP : traitement automatique du langage, définition

Le NLP (TAL en français) regroupe les techniques qui permettent à un ordinateur de traiter le langage humain. Définition, tâches, exemple et limites.

Mis à jour le

Le NLP, de l'anglais natural language processing, s'appelle en français le traitement automatique du langage, ou des langues (TAL). C'est le domaine qui rassemble les méthodes permettant à un ordinateur de lire, d'analyser ou de produire du texte et de la parole humaine. IBM présente notamment la combinaison de linguistique informatique, de règles et de méthodes d’apprentissage.

Une image du quotidien

Un ordinateur lit un texte comme une personne qui ne parlerait aucune langue : il voit des suites de signes. Le NLP est l'ensemble des outils qui lui apprennent à découper les phrases, à repérer les mots importants, à comprendre qui fait quoi et, de plus en plus, à rédiger lui-même.

Ce que le NLP sait faire

Ces méthodes servent à différentes tâches, dont IBM donne des exemples :

  • Analyser la phrase : découper en mots, trouver la nature des mots, analyser la grammaire ;
  • Comprendre et produire : traduire, résumer, répondre à des questions, corriger l'orthographe, tenir un dialogue (agent conversationnel) ;
  • Passer entre voix et texte : reconnaissance de la parole et synthèse vocale ;
  • Extraire de l'information : repérer des noms de personnes ou d'organisations, classer des textes, détecter une opinion, rechercher.

Choisir une tâche précise

« Analyser nos courriels » laisse plusieurs objectifs possibles. Extraire une référence, attribuer une catégorie et rédiger une réponse demandent des vérifications différentes. Pour la référence, comparez les caractères au message d’origine. Pour le classement, regardez les confusions entre catégories. Pour une réponse rédigée, contrôlez les faits et les engagements ajoutés.

Commencez par préciser ce que vous attendez en sortie. Un numéro de commande et une proposition de réponse ne se valident pas de la même manière, même si le même logiciel produit les deux.

Un exemple concret

Imaginons une PME de transport fictive qui reçoit chaque jour des centaines de courriels de clients. Un outil de NLP peut les classer (réclamation, demande de devis, suivi de colis), en extraire le numéro de commande et signaler ceux qui ont un ton mécontent. Une personne relit ensuite les cas signalés. L’équipe décide du périmètre automatisable après avoir évalué les erreurs.

Pour échanger sur le traitement des courriels, apportez trois messages fictifs comportant le même mot mais des intentions différentes. Demandez quel résultat serait utile au responsable du transport : catégorie, référence ou brouillon. Le cadrage de l’intégration dans le travail de l’équipe peut partir de cette sortie attendue et des validations nécessaires. Le cercle pourrait comparer les règles d’orientation des messages ; le mot NLP ne définirait pas à lui seul ce qui sera automatisé.

Pour discuter de l’orientation des messages, vous pouvez proposer un échange au cercle à partir d’un support fictif.

Tester les cas ambigus

Dans cet exemple, conservez des messages avec une négation, deux commandes ou une demande reformulée. « Je ne souhaite pas annuler » ne doit pas être classé comme une annulation sur la seule présence du mot. Prévoyez aussi un résultat « à relire » pour les messages sans catégorie claire.

Évaluez chaque langue utilisée avec de vrais exemples autorisés. Un bon résultat sur des courriels courts en français ne démontre pas la même qualité sur des échanges bilingues contenant des abréviations métier.

Ce que ça change pour une entreprise

  • Plusieurs niveaux d'outils : un simple classeur de courriels n'exige pas un gros modèle ; un LLM sert surtout quand il faut comprendre et rédiger librement.
  • Les erreurs existent : un texte ambigu ou une langue peu courante donne des résultats moins sûrs, d'où l'intérêt de relire un échantillon.
  • Le NLP n'est pas l'IA tout entière : c'est la branche qui s'occupe du langage.

Termes voisins

  • LLM : la technique récente la plus visible du NLP.
  • Token : l'unité de texte que ces modèles manipulent.
  • Transformer : l'architecture de la plupart des modèles de langage récents.
  • Embedding : la représentation numérique du sens d'un texte.

Questions fréquentes

NLP et TAL, est-ce la même chose ?

Oui. NLP est le sigle anglais de natural language processing, TAL ou TALN le sigle français de traitement automatique des langues (naturelles).

Un LLM fait-il du NLP ?

Oui : un grand modèle de langage est une technique récente du domaine, qui couvre aussi des méthodes plus anciennes et plus légères.

Sources

Pages consultées pour écrire cet article :

  1. https://iarche.fr/services/developpement
  2. https://www.ibm.com/think/topics/natural-language-processing

À lire aussi