💬 Carte des Intentions du Chatbot de Support — Routage par Plus Proche Voisin

La confiance est le score de similarité normalisé de l'intention gagnante — si « Suivi de commande » obtient 0,72 et que toutes les autres intentions se partagent les 0,28 restants, le routeur est plutôt confiant. Quand le score le plus élevé est faible (environ en dessous de 0,4 dans cette simulation), cela signifie généralement que le message contient des mots-clés de deux intentions ou plus, ou d'aucune des intentions connues. Les systèmes réels gèrent la faible confiance en se rabattant sur une question de clarification (« Vouliez-vous suivre une commande, ou faire un retour ? ») ou en acheminant directement vers un agent humain plutôt que de deviner et de donner une mauvaise réponse.

Le mode ambigu construit des messages d'exemple qui mélangent délibérément des mots-clés de deux intentions différentes, par exemple en combinant un langage de suivi et de facturation dans une même phrase. Comme le score de similarité se répartit à peu près également entre les deux intentions correspondantes, la confiance normalisée du « gagnant » chute fortement et le point est attiré vers une position entre les deux clusters au lieu de se poser sur l'un ou l'autre. Cela reflète les vrais tickets de support, où les clients décrivent souvent un problème qui chevauche deux catégories, comme « mon remboursement a été crédité sur la mauvaise carte ».

Chaque message ici est classifié indépendamment, sans mémoire de ce qui a été dit auparavant — exactement comme un classificateur d'intention à un seul tour. Les vrais systèmes conversationnels maintiennent un état de dialogue à travers les tours : si un utilisateur dit « suis ma commande » puis « en fait annule-la », un classificateur sans état pourrait mal acheminer le second message car « annule-la » seul est ambigu. Les chatbots en production résolvent cela en injectant les tours de conversation récents dans l'étape de plongement ou en maintenant un état de dialogue explicite à remplissage de créneaux, ce qui est considérablement plus complexe que la simple consultation d'un message isolé montrée ici.

La classification par centroïde le plus proche représente chaque classe par un unique point récapitulatif (le centroïde, ou moyenne, des exemples de cette classe) et assigne un nouveau point au centroïde le plus proche. Les k plus proches voisins comparent au contraire un nouveau point à chaque exemple d'entraînement individuel et prennent un vote majoritaire parmi les k plus proches. Le centroïde le plus proche est plus rapide et plus simple — exactement une comparaison de distance par classe — mais suppose que chaque classe forme un unique amas compact et à peu près convexe ; le k-NN peut gérer des classes de forme irrégulière ou multimodale, au prix du stockage et de la recherche dans l'ensemble complet des données d'entraînement.

Oui, et c'est l'une des parties les plus difficiles de la conception d'une taxonomie d'intentions. Des mots comme « carte » ou « compte » apparaissent aussi bien dans les intentions de facturation, de réinitialisation de mot de passe et liées à la fraude. Les systèmes réels réduisent ce chevauchement en s'entraînant sur des milliers de messages clients réels étiquetés plutôt que sur des listes de mots-clés écrites à la main, ce qui permet au modèle d'apprendre quelles combinaisons de mots — et non les mots isolés — sont réellement diagnostiques. Les équipes revoient aussi régulièrement les « paires de confusion » (intentions que le modèle mélange fréquemment) et les fusionnent, ajoutent des exemples d'entraînement plus contrastifs, ou les divisent en sous-intentions plus fines.