Proximus, une entreprise de télécommunications de premier plan, est confrontée au défi d'extraire des informations précieuses du feed-back fourni par les techniciens après les visites chez les clients. Ces techniciens rendent généralement compte des actions entreprises ou des problèmes résolus, comme la réparation de décodeurs, le remplacement de modems ou l'identification de problèmes techniques tels que l'oxydation des câbles ou les courts-circuits.
Le feed-back des techniciens contient des informations précieuses sur les problèmes qui se présentent soudainement. La détection précoce de ces anomalies à l'aide de l'IA contribue à garantir un service optimal. Les fautes d'orthographe, le jargon technique, les abréviations et le fait que les textes sont rédigés à la fois en français et en néerlandais constituent un premier obstacle. Le volume même du feed-back, qui dépasse les 15 000 textes, complique encore l'analyse manuelle.
Défi stratégique
Le défi stratégique consistait à déchiffrer les tendances et à détecter les problèmes émergents à partir de ces textes non structurés, afin de permettre à Proximus de traiter les problèmes de manière proactive. Cette tâche ne pouvait pas être réalisée de façon manuelle en raison de la mauvaise qualité et du volume élevé des données.
Approche
Le projet comprenait des étapes clés utilisant de grands modèles linguistiques (LLM) :
1. Utilisation de l'IA pour l'analyse de texte et la traduction
Les LLM ont été utilisés pour extraire les informations pertinentes du feed-back des techniciens, en convertissant ces textes non structurés en un format structuré en anglais. Ce processus consistait à identifier des actions spécifiques mentionnées dans le feed-back.
2. Partitionnement des données pour un aperçu structuré
Les textes structurés ont fait l'objet d'un partitionnement, regroupant des actions similaires. Les LLM ont ensuite identifié le thème central de chaque partition, en classant le feed-back technique dans des catégories spécifiques.
3. Analyse des tendances et détection des anomalies
Le feed-back étant organisé en partitions, il est devenu possible de suivre les changements au fil du temps. Cette analyse a permis d'identifier des problèmes liés à des tendances à la hausse, mettant en évidence des domaines nécessitant un examen plus approfondi.
Résultats
L'intégration de l'IA dans l'analyse du feed-back des techniciens a permis plusieurs avancées :
-
Amélioration de la structuration des données : la conversion de textes bilingues non structurés en un format structuré et normalisé en anglais.
-
Clarté dans l'analyse des tendances : le partitionnement a permis d'obtenir des informations claires sur les questions récurrentes et les tendances émergentes.
-
Résolution proactive des problèmes : ce système permet à Proximus d'anticiper et de traiter les problèmes plus efficacement, ce qui devrait réduire les problèmes de service à la clientèle à l'avenir.
Conclusion
L'application de l'IA et des LLM dans le traitement du feed-back des techniciens marque une avancée significative pour Proximus dans la compréhension et l'amélioration de ses services sur le terrain. Malgré la taille réduite du projet, cela démontre comment l'IA peut extraire des informations précieuses des données les moins structurées, créant ainsi un précédent pour des applications similaires dans divers secteurs d'activité.
