Créer et rédiger automatiquement des états des lieux

|

|

Le besoin
La solution
Ils peuvent vous aider

Le besoin

Comment gagner du temps en rédigeant automatiquement des états des lieux ?

Sélectionner, créer et préremplir des états des lieux à partir d'une base de données

L'équipe a actuellement à sa disposition une base de données qui est alimentée grâce aux données extraites des descriptions des biens que nous gérons. Je souhaite pouvoir générer automatiquement l'état des lieux approprié, en fonction de différents critères comme son type (entrée ou sortie), le type de bien (maison, appartement, parking, etc.), de location (meublé, non meublé, saisonnière, etc.), du nombre de pièces, etc.

Nous sommes encore obligés de sélectionner puis préremplir manuellement ces états des lieux, à partir des informations contenues dans la base de données. Nous pouvons rédiger quotidiennement jusqu'à 5 ou 6 états des lieux, ce qui représente beaucoup de temps passé à ne faire que reporter des informations structurées. Ne pourrions-nous éviter cette perte de temps grâce aux technologies du traitement du langage ?

L'agent n'aurait plus qu'à renseigner ces documents sur mesure et préremplis lors de l'état des lieux. Il est bien entendu indispensable que tous les différents états des lieux générés soient parfaitement conformes à la législation en vigueur (en particulier la loi Alur).

La solution

Sélectionner, générer et préremplir des états des lieux conformes

Il s'agit ici de créer et préremplir automatiquement des états des lieux à partir d'une base de données. Ces documents seront ensuite complétés par les agents immobiliers lors de l'état des lieux en présence du(es) locataire(s). La mise en place d'une solution intégrant des technologies du TAL/NLP (Traitement Automatique de la Langue ou Natural Language Processing) comme la génération automatique de texte permet de répondre à ce besoin.

Quel modèle de génération de texte retenir ?

Il existe différents modèles de génération automatique (Natural Language Generation ou NLG) qui permettent de produire des documents plus ou moins variés. En effet, les systèmes de génération avancés basés sur des modèles linguistiques robustes ou sur des réseaux neuronaux vont pouvoir rédiger des documents dont le vocabulaire et les tournures seront très diversifiés alors même que les informations transmises seront toujours les mêmes.

Par exemple à partir d'une augmentation d'un taux de x%, le système génère des propositions comme "une augmentation/croissance de x% du taux", "le taux augmente/croît/est en hausse de x%",  "le taux connaît/enregistre une croissance/augmentation/hausse de x%" , etc. Cette variabilité stylistique et lexicale n'est pas nécessaire dans ce cas, au contraire même puisqu'on cherche à produire des documents qui doivent toujours être rédigés de la même manière.

C'est pourquoi un module de génération automatique de texte à base de "templates", ou gabarits, paraît parfaitement adapté à ce genre de situation. Ce type de modèle s'appuie sur des données structurées, qui vont servir à peupler les documents générés à partir de gabarits établis.

Des données aux états des lieux préremplis

L'écriture de ces gabarits ainsi que la sélection des données à utiliser reposent sur une étape préalable de modélisation. Cette phase de réflexion permettra de définir précisément ce que l'on souhaite produire, autrement dit le quoi dire :

  • l'ensemble des différents états des lieux à générer (d'entrée, de sortie, pour une location vide, meublée, saisonnière, etc.),
  • le contenu qu'ils partagent (dates, mentions légales, etc.) et celui qui leur est spécifique (maison, appartement, nombre et types de pièces, etc.),
  • les données pertinentes dans la base de données pour peupler ce contenu (nom du bailleur, adresse, type de bien, etc.).

Cette étape de modélisation, menée en étroite collaboration avec le client, conduit ensuite à l'écriture des différents gabarits nécessaires à la génération de tous les types d'états des lieux voulus et des requêtes de sélection des données. Il s'agira ensuite de vérifier, d'une part, que l'intégralité des différents documents produits couvre bien le besoin, et d'autre part, que le contenu des documents correspond bien à l'attendu avant l'intégration de la solution proposée dans l'infrastructure informatique de l'agence.

Fiabilité des documents produits et gain de temps assurés

Les états de lieux créés en fonction des gabarits établis et préremplis grâce aux informations stockées dans la base de données seront nécessairement conformes aux sorties escomptées, garantissant ainsi le respect de la législation en vigueur (loi Alur, contenu obligatoire, etc.).

Si toutefois les données extraites devaient être incohérentes ou manquantes, les membres de l'équipe pourraient être sollicités pour procéder à l'analyse de la situation afin d'y remédier, mais ils ne seraient plus obligés de passer du temps à reporter ces informations manuellement.

Points d'attention

Toute l’attention nécessaire devra être portée sur l'étape de modélisation, préalable indispensable à l’élaboration des gabarits et des règles de sélection des données qui serviront à générer automatiquement ces états des lieux. La bonne qualité de la sortie des systèmes de NLG repose en effet en grande partie sur cette phase de réflexion ainsi que sur le choix et la qualité des entrées fournies.

Par Vanessa
Experte NLP

Ils peuvent vous aider

Demande de mise en relation concernant l'étude de cas Créer et rédiger automatiquement des états des lieux
Veuillez recopier le texte ci-dessous afin de pouvoir envoyer votre message. Attention aux majuscules !
 
Semantiweb apporte un décodage marketing des contenus conversationnels spontanés des internautes. Cette expertise donne une valeur stratégique aux annonceurs, permet de créer une intimité clients, détecte les tendances de consommation et traduit les insights des marchés en les rendant opérationnels pour l’entreprise, la marque et le produit.
 
Kairntech développe une plateforme d'IA visant à démocratiser et accélérer le développement d'applications basées sur le TAL au sein de l’entreprise. L’objectif est de pouvoir créer rapidement et sans programmation des robots permettant d’analyser automatiquement de grandes quantités de texte avec une très grande précision, faisant économiser du temps et des efforts. Nous aidons les professionnels de l’information et les analystes (auditeurs, analystes marketing, chercheurs scientifiques, enquêteurs…) à bâtir des applications pour gagner en efficacité tout en prenant de meilleures décisions.
 
QWAM développe des solutions logicielles d'intelligence artificielle appliquée au traitement du langage naturel. Nos solutions combinent les approches sémantiques, big data, machine learning et deep learning. QWAM intervient pour répondre aux besoins d'exploitation avancée des données textuelles existantes au sein des entreprises et organisations ou bien disponibles sur le web.
 
Synapse est expert en Intelligence Artificielle appliquée au texte. Notre raison d'être est d'accompagner nos clients dans la transmission de leurs connaissances. En ce sens, Synapse intervient tout au niveau de 3 leviers : - Créer de la connaissance, à travers un outil d'aide à l'écriture qui permet d'écrire l'esprit libre : Cordial. - Structurer de la connaissance, à travers des outils d'analyse sémantique. - Partager de la connaissance, à travers un chatbot capable de se connecter à la documentation d'une entreprise et de générer automatiquement sa base de connaissances.
 
L'APIL, association à but non lucratif, rassemble l'expertise des personnes et des industriels du traitement automatique des langues. Elle a pour ambition de promouvoir le traitement automatique des langues auprès des utilisateurs, qu'ils soient industriels ou grand public. Nous animons un réseau d'expertise en collaboration avec les acteurs spécialisés du domaine : forum JeunesTalents en collaboration avec l'ATALA, les rencontres entre membres industriels, ou l'accompagnement de projets collaboratifs innovants en partenariat international.

Vous fournissez de telles solutions et vous souhaitez faire partie de nos partenaires, contactez-nous.

Les technologies à mettre en oeuvre

Comment fonctionne la génération de texte ?
Que signifie le sigle NLG ? NLG est l’a­cro­nyme anglais de « Natu­ral Lan­guage Gene­ra­tion », en d’autres termes géné­ra­tion (de textes) en lan­gage natu­rel. Il s’a­git de faire...

Ces études de cas peuvent aussi vous intéresser

Aide à la saisie de comptes rendus d'intervention de maintenance

Responsable du service après-vente (SAV) dans une entreprise de fabrication et d’installation de volets roulants, j'envoie quotidiennement des techniciens de maintenance intervenir chez nos clients. Après chaque intervention, ils doivent rédiger un compte rendu (CR) dont une grande partie est pré-remplie à l’aide de notre logiciel de gestion de maintenance assistée par ordinateur (GMAO). Il reste cependant une zone de texte libre à renseigner, quel que soit le type d’intervention (corrective, préventive ou curative). Le clavier des tablettes et téléphones qu’utilisent nos techniciens ne permet pas de le faire rapidement. La reconnaissance vocale peut-elle faciliter la tâche de nos techniciens lors de rédaction de leurs CR, tout en s'intégrant aisément à notre application de GMAO ?

Classer la polarité des avis clients de manière fine

Je suis responsable du service après-vente d'un site de vente en ligne et nous avons actuellement un système de prédiction automatique permettant de classer les avis de clients comme positifs, négatifs et neutres. Cependant, nous aimerions un système de détection qui, au lieu de donner une étiquette globale à un texte entier, fournisse des informations à un niveau plus fin. Existe-t-il des solutions de ce genre ?

Qualifier automatiquement les leads : un gain de temps et de précision

Je suis responsable commercial du service de ventes en ligne pour une entreprise de vente de produits sportifs, et dans le cadre du processus de gestion de nos leads, je souhaite disposer d'une solution pour aider les commerciaux de mon équipe à qualifier automatiquement les leads et à les classer en fonction de leur profil ou de leurs intentions d'achat.