Traiter automatiquement un grand volume d'emails grâce à un assistant virtuel multi-tâches

Afin de permettre à chacun des collaborateurs d’économiser de précieuses minutes, voire plusieurs heures par jour, des modules de Traitement Automatique des Langues peuvent être utilisés pour extraire et structurer les informations essentielles de chaque message reçu et automatiser les actions qui en découlent. Les collaborateurs peuvent alors se concentrer sur des tâches plus valorisantes et non automatisables où l’action humaine reste indispensable.

Extraction des intentions et des entités nommées

Ces modules peuvent être associés à un assistant virtuel, intégré à l'interface du client de messagerie.

Il procède dans un premier temps à l’extraction des informations essentielles de l’email en analysant son contenu. L'objectif est de détecter, extraire, puis catégoriser les entités nommées, c'est-à-dire les noms de personnes, de lieux ou d'organisations présents dans le mail, ainsi que les intentions de l'expéditeur, autrement dit, l'objet de la demande.

D'un point de vue technique, il existe plusieurs méthodes de NLP possibles pour réaliser cela :

• l'approche symbolique,
• l'approche statistique,
• l'approche hybride.

L'approche symbolique repose sur un modèle à base de règles définies par l'humain, ainsi que des ontologies et des dictionnaires.

L'approche statistique s'appuie quant à elle sur l'intelligence artificielle. Les modèles de machine learning (apprentissage automatique) permettent de reconnaitre des motifs récurrents dans des données à partir d'exemples fournis.

Pour finir, l'approche hybride est la combinaison de ces deux approches, elle permet ainsi d'exploiter leurs points forts et leur complémentarité afin d’obtenir une grande finesse d’analyse textuelle.

En utilisant une ontologie générale de la langue, le modèle n’a pas besoin d’apprentissage préalable pour être utilisé dans le cadre d’une application et fournir des résultats pertinents. Le modèle peut ensuite enrichir simplement ses connaissances au moyen d’ontologies représentant la connaissance métier dans lequel il s’applique, comme celui des syndics de copropriété dans le secteur de l’immobilier.

Détection des émotions et identification des emails prioritaires

La détection des opinions et émotions présentes dans le texte va quant à elle permettre d’identifier le ton et l’urgence du message, en détectant par exemple la colère d’un interlocuteur, une demande urgente de rendez-vous ou encore un sinistre à traiter en priorité. La détection de mots-clés comme des termes injurieux ou un langage vulgaire va notamment y contribuer.

Traitement automatique de la demande

A l’aide de différents traitements sémantiques appliqués au texte, l’assistant virtuel peut ainsi identifier la ou les intentions présentes dans chaque message et réaliser une grande variété de tâches :

• rediriger l’email vers le contact pertinent (gestionnaire, assistant, comptable),
• mettre à jour l’agenda et enrichir le carnet d’adresses (dates d’Assemblée Générale, ajout d’une copropriété),
• enregistrer des pièces jointes (relevés, factures, etc.),
• détecter des émotions, signaler des emails urgents au responsable, préparer un récapitulatif quotidien des priorités.

Les collaborateurs peuvent alors se concentrer sur les mails qui n'ont pas pu être traités automatiquement ou requièrent des actions plus complexes à réaliser, non automatisables.

Réponse automatique à la demande

Enfin, pour gagner encore plus de temps, il peut être judicieux de mettre en place une réponse automatique aux demandes, lorsque le mail s'y prête. Cela permet à l’assistant de proposer automatiquement des éléments de réponse textuelle :

• au moyen d’un modèle existant ou personnalisé,
• enrichi par des données accessibles dans les logiciels métiers,
• stocké dans le dossier Brouillons, pour validation avant envoi.