Conversational agent for explainable AI

En conclusion, malgré le fait que ce projet n’ait pas pu atteindre tous les objectifs définis dans le
délai imparti, en particulier l’implémentation du modèle NLG dans ce PA, nous avons néanmoins
réalisé des progrès significatifs.

Le principal défi auquel nous avons été confrontés était la nécessité de définir précisément les
besoins concrets du projet à partir des données fournies, ce qui a considérablement ralenti la
création des scénarios et la définition des intents pour le modèle NLU.

Cependant, nous avons réussi à mettre en œuvre, évaluer et tester un modèle NLU, et les ré-
sultats obtenus sont encourageants pour la suite du projet, même s’ils sont fortement biaisés,
comme expliqué dans le chapitre d’évaluation du module.

Il est important de souligner que, même si son implémentation n’a pas été réalisée dans le cadre
de ce projet, la conception intègre déjà le module NLG dans son architecture. Cela démontre
notre vision à long terme et notre volonté de considérer tous les aspects du projet.

Malgré les défis rencontrés, ce projet a permis de poser des bases solides et nous a permis
de développer des compétences précieuses. Ces résultats nous aideront à améliorer les futures
itérations et à relever les défis liés à la compréhension du langage, que ce soit dans le domaine
spécifique de la manufacture ou dans d’autres domaines.

En conclusion, bien que tous les objectifs n’aient pas été atteints, ce projet a été une étape
importante et a permis d’ouvrir de nouvelles perspectives et poser les bases d’un développement
futur prometteur.

Améliorations futures

Ce chapitre se penche sur les potentielles améliorations que l’on pourrait apporter à notre sys-
tème. La prochaine étape pour améliorer le système global consistera évidemment à intégrer le
module de génération de langage naturel (NLG) dans l’architecture, mais pas seulement.

Pour une meilleure compréhension des cas d’utilisation et des interactions attendues, il serait
utile d’enrichir les scénarios avec des exemples supplémentaires. Cela permettrait de couvrir
un large éventail de demandes et de mieux préparer le système à traiter des situations com-
plexes. L’ajout de variantes et de tournures de phrases différentes dans les scénarios permettrait
également de renforcer la robustesse du modèle.

On pourrait également ajouter un nouveau intent qui permettrait de comprendre les corréla-
tions entre les différentes caractéristiques (features) de l’usinage. Actuellement, le système est
capable de répondre aux questions sur des caractéristiques spécifiques et de fournir des expli-
cations et des recommandations pour les améliorer individuellement. Cependant, il ne prend pas
en compte les interactions et les corrélations possibles entre ces caractéristiques.

Les performances des pipelines NLU pourraient être améliorées en optimisant les hyperpara-
mètres et en ajustant les architectures. L’exploration de différentes configurations de pipelines,
l’ajout ou la suppression de composants, ainsi que l’utilisation de modèles pré-entrainés spéci-
fiques au domaine pourraient contribuer à améliorer la précision de classification des intentions
et des entités.