SINEQUA

Stéphane KIRCHACKER

VP Sales EMEA

01 70 08 71 71

www.sinequa.com

Analytique

API

Applications

Dataviz

Infrastructure

Institutionnels

Consultants/SSII

Intégrateurs

Le Cognitive Search au cœur des projets de transformation digitale

 

Transmettre l’information appropriée à la bonne personne au bon moment : telle est la finalité du cognitive search. Plus précisément, il s’agit de fournir des informations pertinentes et complètes à des personnes selon leur contexte professionnel, de sorte qu’elles puissent prendre des décisions plus avisées, renforcer leur efficacité, mieux répondre aux besoins de leurs clients et connaître une plus grande satisfaction au travail. Pour ce faire, le cognitive search associe différentes méthodes d’extraction d’informations sur des données structurées et non structurées, et sur le comportement des utilisateurs.

 

Cognitive Search = Search+ NLP + AI/ML

Dans cette équation, par le terme « search », nous n’entendons pas la recherche de mots clés telle que nous l’avons connue dans le passé, mais une recherche haute performance qui intègre différents types d’analyse. Le NLP (TALN - traitement automatique du langage naturel) désigne, en plus du traitement statistique des langues, une analyse linguistique et sémantique approfondie. Quant à l’IA, elle ne se limite pas ici à définir un élément qui ne serait que « saupoudré » sur une structure de recherche classique. Elle fait partie intégrante d’une architecture de bout en bout, intégrée et évolutive.

 

L’intelligence artificielle, vorace en données

Pour que les algorithmes d’IA et de Machine Learning (ML) fonctionnent de façon optimale, vous devez les alimenter avec toutes les données qu’il vous est possible de récupérer. Une plate-forme de recherche cognitive doit accéder à la majeure partie des sources de données d’une entreprise : données internes et externes de tous types, sur site et dans le cloud.

 

Un enrichissement continu

La recherche cognitive permet d’accumuler des connaissances sur des données structurées et non structurées, ainsi que sur les préférences et le comportement d’une personne. C’est ainsi que les utilisateurs peuvent obtenir des informations de plus en plus pertinentes par rapport à leur contexte de travail. Pour accumuler des connaissances, une plate forme de recherche cognitive a besoin d’un référentiel, qui est en principe un lieu de stockage. Ce référentiel s’appelle un entrepôt de données logique. Il contient des informations sur des données, et est continuellement enrichi par le TALN et par les résultats du clustering et des calculs des similarités, etc. Par conséquent, les algorithmes de Machine Learning et autres analyses intelligentes doivent ingérer les données decet entrepôt et l’alimenter avec leurs résultats.

 

Combiner différentes méthodes d’extraction d’informations

Pour produire les meilleurs résultats possibles, les différentes méthodes analytiques doivent être combinées, et non exécutées séparément les unes des autres. Par exemple, si vous exécutez des algorithmes de Machine Learning sur des données textuelles d’où des concepts et des liens entre les concepts ont déjà été extraits via des analyses linguistiques et sémantiques, vous obtiendrez des résultats beaucoup plus intéressants, plus vite.

 

Sécurité/Droits d’accès

Une plateforme de recherche cognitive ne doit pas permettre à des utilisateurs individuels de contourner le contrôle d’accès. Même à la fin d’une session élaborée de Machine Learning ou autre processus d’enrichissement, aucun utilisateur ne doit pouvoir voir les informations auxquelles il n’a pas le droit d’accéder.

 

Exemples et cas d’usage

La vision à 360° et l’accès à des réseaux d’experts sont toujours les deux cas d’utilisation les plus répandus. De fait, de nombreux cas d’utilisation peuvent être présentés en tant que vision à 360° sur un sujet spécifique, que ce sujet soit le client, un produit, un sujet de recherche, etc. Cela dit, examinons plus en détail deux cas d’utilisation spécifiques.

 

 • Conformité réglementaire

Dans ce cas d’utilisation, les entreprises passent au crible les dernières mises à jour des agences de régulation du monde entier, découvrent en quoi consistent les nouvelles réglementations et déterminent si elles concernent l’un de leurs produits. Si c’est le cas, elles transmettent les informations pertinentes concernant ces nouvelles réglementations aux personnes concernées au sein de l’entreprise et chez les fournisseurs. Un traitement automatique approfondi du langage naturel, des algorithmes Machine Learning servent à trouver les nouveaux règlements qui concernent un produit de l’entreprise et les experts internes à être alertés. Un autre aspect de ce cas d’utilisation est : « écouter le client », c’est-à-dire voir ce que les gens disent de vos produits sur les réseaux sociaux. Pour les entreprises du secteur pharmaceutique, cette action peut vouloir dire détecter de nouveaux effets secondaires dans les discussions entre patients. Des effets ainsi détectés doivent être signalés aux agences de régulation dans les plus brefs délais.

 

 • Maintenance et réparation de systèmes complexes

Par « systèmes complexes », nous entendons les avions ou les hélicoptères, les trains, les centrales électriques, etc., tout ce qui intègre d’innombrables composants, souvent associés de manière unique, qui rendent ces systèmes très particuliers. Sur ce genre de systèmes, les rapports de problème peuvent être générés par voie humaine ou provenir des données de capteurs, ou les deux. Dans tous les cas, il s’agit d’orienter un opérateur humain afin qu’il fasse le nécessaire, dans les temps impartis. Cette étape implique une extraction rapide d’informations utiles d’une documentation produit complexe et volumineuse, des procédures de maintenance/réparation, des réglementations et des rapports. Elle nécessite également de tenir compte de l’interdépendance entre les différents composants. Les rapports sur des cas similaires, pour lesquels les solutions apportées ont fonctionné, peuvent considérablement accélérer le processus et apporter une aide précieuse aux opérateurs. Les utilisateurs doivent être alertés qu’ils ne peuvent pas changer une pièce sans en changer d’autres et qu’ils ne peuvent pas utiliser certaines pièces dans certaines configurations. Ils doivent également savoir quelles pièces sont interchangeables avec d’autres, et quels tests sont obligatoires après certains remplacements/réparations. Ils doivent savoir quand ils doivent signaler un dysfonctionnement ou même quand alerter les propriétaires de systèmes possédant une configuration similaire.

La recherche et l’analyse cognitives peuvent générer un ROI significatif en permettant aux équipes de maintenance de traiter un plus grand nombre d’interventions.