Les mots que la transcription ne connaît pas

Un client appelle un atelier à Tlemcen pour un rendez-vous. Il dit son nom, l’agent le répète de travers, il le redit en épelant, l’agent le répète autrement. Le rendez-vous est pris, la fiche porte un nom qui n’existe pas, et personne ne retrouvera le dossier quand la voiture arrivera.

La phrase avait été parfaitement comprise. Ce qui a échoué est un mot, et c’est le cas le plus fréquent : un système d’intelligence artificielle vocal se trompe rarement sur « je voudrais un rendez-vous mardi » et se trompe régulièrement sur le nom, le quartier et la référence de la pièce.

Cet article nomme les mots qui cassent, dit pourquoi ils cassent, et décrit la couche de rapprochement qui répond — celle qui signale au lieu de corriger. Il ne reprend pas l’argument selon lequel la transcription décide avant le modèle, qui est traité ailleurs et qui est le préalable de tout ce qui suit.

Les noms de lieux algériens sont un cas particulier des noms propres et ils sont pires, parce qu’ils sont à la fois nombreux, peu présents dans les corpus d’entraînement, et souvent composés de mots qui existent par ailleurs.

Un quartier dont le nom contient un mot courant est régulièrement transcrit comme la suite de ces mots courants, ce qui produit une adresse grammaticalement correcte et géographiquement inexistante. À l’écoute, l’erreur ne s’entend pas ; sur un bon de livraison, elle envoie un livreur ailleurs.

Les wilayas s’en sortent mieux — elles sont plus présentes — et elles créent une autre erreur : le système les préfère. Un nom de commune peu courant est fréquemment remplacé par le nom de wilaya qui lui ressemble, ce qui transforme une adresse précise en une adresse de département.

La leçon opérationnelle est que l’adresse ne doit jamais être prise depuis la transcription seule. C’est la donnée la plus coûteuse à corriger après coup, parce que l’erreur ne se découvre qu’au moment de la livraison, et c’est aussi celle qu’il est le plus facile de faire confirmer par un autre canal.

Le premier réflexe est de vouloir améliorer la transcription : lui apprendre les noms, l’adapter, la spécialiser. C’est possible dans une certaine mesure, cela demande des données, et cela règle mal le problème pour une raison de fond.

Le lexique qui vous manque n’est pas stable. Vos clients changent, votre catalogue change, une nouvelle commune apparaît dans vos livraisons. Un modèle adapté est adapté à un état de votre activité, et il faut le réadapter à chaque changement — ce qui est un projet récurrent là où vous vouliez une solution.

Il y a plus décisif : même un système parfaitement adapté se trompera parfois, et la question n’est pas d’éliminer l’erreur mais de savoir quand elle s’est produite. Un modèle qui se trompe moins souvent mais toujours en silence ne vous donne rien de plus qu’avant.

La réponse ne se trouve donc pas dans le modèle mais après lui, dans une couche qui compare ce qu’il a produit à ce que vous savez déjà. C’est moins impressionnant et cela se construit en quelques jours plutôt qu’en quelques mois.

Le problème n’est pas propre à la voix, et une entreprise qui a un assistant écrit le rencontre sous une autre forme. Le client tape lui-même, donc il n’y a pas d’erreur de transcription — il y a des orthographes multiples, des fautes de frappe et des noms écrits en deux alphabets selon le clavier disponible.

La conséquence est identique : une recherche exacte échoue, et le système répond qu’il ne trouve pas ce dossier alors qu’il l’a sous les yeux. Le client, lui, sait qu’il est client, et une réponse « je ne trouve pas votre commande » est reçue comme une incompétence plutôt que comme une question d’orthographe.

La couche de rapprochement est donc la même, et c’est la bonne nouvelle de cet article : elle se construit une fois et sert aux deux canaux. C’est aussi pourquoi il vaut mieux la placer entre l’assistant et vos données plutôt que dans l’assistant.

Il reste une différence utile : à l’écrit, on peut demander une correction sans que ce soit désagréable. Proposer trois candidats et laisser le client choisir est naturel dans une conversation écrite, et impossible au téléphone sans allonger l’appel.

Nous construisons la couche de rapprochement contre vos listes réelles et nous la réglons sur vos données, avec le seuil d’incertitude écrit et modifiable. Nous mettons aussi en place l’affichage de la valeur brute à côté de la valeur retenue, qui est la partie la moins impressionnante et celle qui évite les déplacements inutiles.

Nous faisons passer le test des vingt noms sur le système envisagé avant qu’il soit acheté, et nous vous montrons le deuxième nombre. C’est une demi-journée et elle a fait changer d’avis plus souvent qu’elle n’a confirmé un choix.

Nous ne publions aucun taux de reconnaissance, ni le nôtre ni celui d’un fournisseur. Nous n’avons pas de corpus audio annoté ni de comparaison entre modèles, et un chiffre avancé sans cela serait une mesure inventée présentée comme une mesure — exactement ce que cet article reproche à un système qui devine sans le dire.

Et nous ne mettons pas en place de correction automatique silencieuse sur un nom ou une adresse, même quand elle est demandée et qu’elle ferait de meilleures statistiques. Elle transforme une erreur qu’une personne aurait vue en une erreur que personne ne verra, et c’est le seul réglage de ce domaine que nous refusons de livrer.