L’engagement

La qualité d’un parcours client réside fondamentalement dans la capacité des marques à personnaliser les interactions avec chacun de leurs clients. Il est donc crucial que les interfaces de dialogue clients/marques (site ecommerce, apps digitales) soient basées sur des solutions technologiques permettant ce niveau de personnalisation. Avec l’IA, les marques sont désormais en mesure d’interagir avec leurs clients en langage naturel et de manière véritablement personnalisée, comme le ferait un humain. De plus, la teneur de ce dialogue évolue de manière dynamique dans le temps puisque, avec la technologie d’IA, le système apprend de chaque interaction.

A travers une interface web basée sur l’IA, le client perçoit donc :

• qu’il est compris par le système (langage naturel),
  qu’il obtient la meilleure des réponses possibles (lié au corpus fourni),
  que la machine apprend de leurs interactions et que c’est le système qui s’adapte à son fonctionnement.
  Ce « layer cognitif » représente un atout concurrentiel majeur pour les marques : le client se sent en effet reconnu et compris, gage d’une relation durable et d’une fidélisation accrue.

La découverte

La découverte est utilisée pour identifier des corrélations au sein d’un corpus d’informations. Prenons l’exemple d’un chercheur ou d’un analyste financier qui doit traiter, dans un temps limité, un volume gigantesque d’informations, structurées ou non structurées (emails, images, vidéos, sons) : cela s’avère être une tâche humainement impossible. Avec une IA du type de celle de Watson, ce chercheur ou analyste pourra traiter cette masse gigantesque de données et en extraire des liens, des corrélations entre des faits, des évènements et des personnes.

Le pattern de découverte est en général destiné :

• à des chercheurs dans les domaines scientifiques et médicaux
• à des chercheurs dans le domaine bancaire dans le cadre de travaux de recherche et de prospective financière,
• à des services d’intelligence au sens propre du terme (service de renseignements).

La décision

Le pattern décisionnel est utilisé pour faire de la recommandation d’un produit ou d’un service par exemple. Il permet de proposer l’option A plutôt que l’option B. Mais pour faire de la recommandation, l’IA seule ne suffit pas : il faut faire appel à trois types de technologies complémentaires qui sont le cognitif, le prédictif, et le prescriptif. La combinaison de ces trois technologies aboutit à la recommandation finale.

Qu’il s’agisse de maintenance prédictive, de recommandations bancaires, ou de recommandations d’achats (produits et/ou services), Watson agit comme un Evidence-Based System, c’est-à-dire un système basé sur des évidences et dont les décisions sont prises en fonction d’une base documentaire. Ce qui signifie que lorsqu’une recommandation est faite, le système va non seulement fournir des choix (en indiquant le degré de confiance dans le choix proposé), mais également indiquer les évidences qui sous-tendent la raison de ce choix, ce qui permet aux clients et aux professionnels de prendre des décisions en connaissance de cause, de comprendre en se basant sur des faits pourquoi telle réponse lui a été proposée versus une autre.

L’exploration

L’exploration consiste à faire du pooling de données structurées et non structurées. Il est possible, avec Watson, d’explorer une quantité gigantesque de data qui proviennent de sources totalement hétérogènes et de formats très différents : par exemple des flux de données issus des médias sociaux, des emails, de bases de données, etc. Le système, de manière intelligente, regroupe ces informations hétérogènes pour les restituer avec une vision très homogène.