Utilisation d'une hybridation de la recherche opérationnelle et de l'apprentissage automatique pour injecter de l'émotion dans un agent conversationnel

L'émergence d'agents conversationnels occupe une place de plus en plus importante dans notre quotidien. En passant par le soutien technique en ligne automatisé, l'incitation à la vente sur les réseaux sociaux, le clavardage général ou même un certain besoin d'avoir un compagnon d'assistance personnalisée auprès de nous en tout temps, nous nous exposons de plus en plus à une forme ou une autre d'agents conversationnels intelligents. Mais comment s'assurer que ces agents répondent à nos attentes émotionnelles et que les répliques générées soient contrôlées ? Dans le cadre de ce projet, nous tentons de répondre à cette question en présentant une manière nouvelle et innovante de combiner la recherche opérationnelle et l'apprentissage machine pour optimiser et contrôler la manière dont un agent conversationnel transmet de l'émotion. Nous avons créé un système, appelé Philia, capable d'être intégré à n'importe quel agent conversationnel afin d'en améliorer les répliques en y injectant de l'émotion. Le système que nous proposons est une première implémentation d'une composition complexe de plusieurs éléments : — Une base de données qui collecte l'impact émotionnel des mots pour une émotion cible (la joie), mais qui peut être éventuellement étendue à d'autres émotions ; — Une composante en NLP/NLU (Natural Language Processing/Natural Language Understanding) qui permet de faire des analyses émotionnelle et sentimentale de ces répliques et de mettre la base de données à jour ; — Une composante qui recherche automatiquement sur internet des synonymes et antonymes et met à jour un lexicon ; — Une famille de modèles en nombres entiers qui permettent d'optimiser l'injection d'émotion ; — Deux boucles rétroactives — une automatique et l'autre impliquant un usager — qui permettent de diriger l'apprentissage. L'optimisation de l'injection d'émotion est effectuée en remplaçant certains mots de la ré-plique originale de l'agent conversationnel par des mots qui élicitent l'émotion cible de manière plus prononcée. Les premiers résultats obtenus démontrent la pertinence de notre approche.