Détection d'intention

Les chatbots classiques s'appuyaient sur un classifieur d'intentions entraîné avec des phrases d'exemple pour chaque intention : « où est mon colis », « ma commande n'est pas arrivée » et « numéro de suivi ? » étaient toutes étiquetées suivi_commande. Un extracteur d'entités repérait ensuite les détails, comme le numéro de commande. Des jeux de données de recherche comme BANKING77 (Casanueva et ses collègues, 2020), avec 77 intentions bancaires très fines, montrent à quel point ces distinctions restent difficiles, même pour de bons modèles.

Avec les grands modèles de langage, la détection d'intention est souvent implicite. Le modèle lit le message, comprend ce que veut la personne et choisit l'outil à appeler. Certaines équipes gardent toutefois une étape de classification explicite pour router les conversations, les étiqueter dans les rapports ou déclencher des processus précis.

L'intention décide de la suite : répondre à partir de la FAQ, consulter une commande, ouvrir un retour, envoyer la conversation au service facturation ou passer tout de suite la main à une personne en cas de réclamation. Agrégées sur des milliers de conversations, les intentions disent aussi à l'entreprise pourquoi ses clients la contactent vraiment — de quoi améliorer ses pages, ses conditions et ses produits.

En e-commerce, les intentions les plus fréquentes sont en général le suivi de commande, les délais de livraison, les retours et échanges, les questions sur les produits et les problèmes de paiement.

Les vrais messages contiennent souvent plusieurs intentions (« où est ma commande, et puis-je changer la taille ? »). Les listes d'intentions figées vieillissent vite quand les produits et les conditions évoluent, et une longue traîne de demandes rares n'entre dans aucune case. Un seuil de confiance trop bas envoie les clients sur une mauvaise piste ; trop haut, il fait tout remonter aux humains. Un système doit prévoir une issue de secours — poser une question de précision ou passer la main — plutôt que de forcer une supposition.

AI SmartTalk ne vous demande pas de définir une liste d'intentions. Le modèle de langage de l'assistant interprète chaque message et choisit parmi ses outils : recherche dans les connaissances, recherche de produits, consultation de commande, prise de rendez-vous, transfert vers un humain. Pour le routage et le suivi, les conversations peuvent être étiquetées, et les workflows SmartFlow peuvent bifurquer selon une condition évaluée par l'IA sur ce qu'a dit le client. Les questions restées sans réponse sont listées pour que l'équipe comble les manques.