Applications Pratiques de l’IA et du NLP : Guide Complet

L’Intelligence Artificielle et le Traitement du Langage Naturel trouvent des applications dans de nombreux domaines. Ce guide présente des cas d’usage concrets avec des exemples de code.

1. Analyse de Textes

Analyse de Documents

# Exemple d'analyse de documents avec spaCy
import spacy
from collections import Counter

def analyze_document(text):
    # Chargement du modèle français
    nlp = spacy.load('fr_core_news_lg')
    
    # Traitement du texte
    doc = nlp(text)
    
    # Extraction des informations
    entities = [(ent.text, ent.label_) for ent in doc.ents]
    keywords = [token.text for token in doc if not token.is_stop and token.is_alpha]
    key_phrases = [chunk.text for chunk in doc.noun_chunks]
    
    return {
        "entités": entities,
        "mots_clés": Counter(keywords).most_common(10),
        "phrases_clés": key_phrases[:5]
    }

Résumé Automatique

# Exemple de résumé automatique avec Transformers
from transformers import pipeline

def generate_summary(text, max_length=130, min_length=30):
    # Initialisation du modèle
    summarizer = pipeline("summarization", model="facebook/bart-large-cnn")
    
    # Génération du résumé
    summary = summarizer(
        text,
        max_length=max_length,
        min_length=min_length,
        do_sample=False
    )
    
    return summary[0]['summary_text']

2. Classification de Textes

Catégorisation de Documents

# Exemple de classification de documents
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import Pipeline

def create_document_classifier():
    # Création du pipeline
    classifier = Pipeline([
        ('tfidf', TfidfVectorizer()),
        ('clf', MultinomialNB())
    ])
    
    return classifier

def train_classifier(classifier, texts, labels):
    # Entraînement du classificateur
    classifier.fit(texts, labels)
    return classifier

def predict_category(classifier, text):
    # Prédiction de la catégorie
    prediction = classifier.predict([text])
    probabilities = classifier.predict_proba([text])
    return prediction[0], probabilities[0]

Détection de Spam

# Exemple de détection de spam
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.ensemble import RandomForestClassifier

def create_spam_detector():
    # Création du détecteur
    detector = Pipeline([
        ('vectorizer', CountVectorizer()),
        ('classifier', RandomForestClassifier())
    ])
    
    return detector

def analyze_spam_probability(detector, email_text):
    # Analyse de la probabilité de spam
    probability = detector.predict_proba([email_text])[0]
    return {
        "spam_probability": probability[1],
        "is_spam": probability[1] > 0.5
    }

3. Génération de Contenu

Génération d’Articles

# Exemple de génération d'articles
from transformers import GPT2LMHeadModel, GPT2Tokenizer

def generate_article(topic, max_length=500):
    # Chargement du modèle
    model = GPT2LMHeadModel.from_pretrained('gpt2')
    tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
    
    # Préparation du prompt
    prompt = f"Article sur {topic}:"
    inputs = tokenizer.encode(prompt, return_tensors='pt')
    
    # Génération du texte
    outputs = model.generate(
        inputs,
        max_length=max_length,
        num_return_sequences=1,
        temperature=0.7,
        top_p=0.9,
        do_sample=True
    )
    
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

Création de Réponses Automatiques

# Exemple de génération de réponses
from transformers import pipeline

def generate_response(context, question):
    # Initialisation du modèle
    qa_model = pipeline("question-answering", model="deepset/bert-base-cased-spqa")
    
    # Génération de la réponse
    result = qa_model(question=question, context=context)
    
    return {
        "réponse": result['answer'],
        "confiance": result['score']
    }

4. Analyse de Sentiment

Analyse de Commentaires

# Exemple d'analyse de sentiment avancée
from transformers import pipeline
import pandas as pd

def analyze_comments(comments):
    # Initialisation du modèle
    sentiment_analyzer = pipeline(
        "sentiment-analysis",
        model="nlptown/bert-base-multilingual-uncased-sentiment"
    )
    
    # Analyse des commentaires
    results = []
    for comment in comments:
        sentiment = sentiment_analyzer(comment)[0]
        results.append({
            "commentaire": comment,
            "sentiment": sentiment['label'],
            "score": sentiment['score']
        })
    
    return pd.DataFrame(results)

Suivi des Tendances

# Exemple de suivi des tendances
def track_sentiment_trends(comments, time_periods):
    # Analyse des sentiments par période
    trends = {}
    for period in time_periods:
        period_comments = comments[period]
        sentiment_scores = analyze_comments(period_comments)
        
        trends[period] = {
            "moyenne_sentiment": sentiment_scores['score'].mean(),
            "distribution": sentiment_scores['sentiment'].value_counts().to_dict()
        }
    
    return trends

5. Applications Métier

Service Client Automatisé

# Exemple de chatbot pour le service client
from transformers import AutoModelForCausalLM, AutoTokenizer

def create_customer_service_bot():
    # Initialisation du chatbot
    model = AutoModelForCausalLM.from_pretrained("microsoft/DialoGPT-medium")
    tokenizer = AutoTokenizer.from_pretrained("microsoft/DialoGPT-medium")
    
    return model, tokenizer

def generate_bot_response(model, tokenizer, user_input, chat_history):
    # Génération de la réponse
    inputs = tokenizer.encode(user_input + tokenizer.eos_token, return_tensors='pt')
    outputs = model.generate(
        inputs,
        max_length=1000,
        pad_token_id=tokenizer.eos_token_id,
        no_repeat_ngram_size=3,
        do_sample=True,
        top_k=100,
        top_p=0.7,
        temperature=0.8
    )
    
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

Analyse de Documents Légaux

# Exemple d'analyse de documents légaux
def analyze_legal_document(document_text):
    # Chargement du modèle
    nlp = spacy.load('fr_core_news_lg')
    
    # Traitement du document
    doc = nlp(document_text)
    
    # Extraction des informations légales
    legal_entities = [(ent.text, ent.label_) for ent in doc.ents if ent.label_ in ['ORG', 'LAW']]
    dates = [ent.text for ent in doc.ents if ent.label_ == 'DATE']
    obligations = [sent.text for sent in doc.sents if any(word in sent.text.lower() for word in ['doit', 'obligation', 'nécessaire'])]
    
    return {
        "entités_légales": legal_entities,
        "dates": dates,
        "obligations": obligations
    }

Conclusion

Les applications de l’IA et du NLP sont vastes :

• Analyse et traitement de textes
• Classification et catégorisation
• Génération de contenu
• Analyse de sentiment
• Applications métier spécifiques

Points clés à retenir :

• Choisir les bons modèles
• Adapter les solutions aux besoins
• Évaluer les performances
• Maintenir et améliorer les systèmes
• Suivre les bonnes pratiques