L’utilisation de l’IA pour améliorer les processus métier

La gestion des processus métier (ou GPM) se situe à la jonction de la technologie de l’information et des sciences de la gestion. L’informatisation des processus décisionnels, comme le fait de déterminer l’admissibilité aux prêts et la solvabilité, permet d’améliorer la productivité et d’économiser.

C’est pourquoi William Van Woensel, professeur à l’École de gestion Telfer, s’est vu accorder une subvention de recherche pour son projet intitulé « Studying the Use of State-of-the-Art Natural Language Processing Models for Extracting Process Models from Natural Text ».

Le traitement du langage naturel (TLN) est une avenue prometteuse pour extraire automatiquement ces modèles de processus à partir de textes naturels, c’est-à-dire des textes déchiffrables par l’humain. Selon la définition qu’en fait IBM, le TLN est un secteur de l’intelligence artificielle qui s’affaire à permettre aux ordinateurs de comprendre les textes comme le font les êtres humains, et ce, à l’oral comme à l’écrit.

Le professeur Van Woensel estime que les techniques de pointe en apprentissage profond ont jusqu’ici été utilisées de façon somme toute limitée dans cette sphère bien précise, même si les modèles et les outils de TLN se sont montrés généralement capables de produire un traitement nettement plus exact des textes naturels sans restriction.

Le professeur Van Woensel souhaite mettre de l’avant un pipeline de bout en bout qui extrairait automatiquement les modèles de processus – et plus particulièrement ceux de nature clinique – de textes en langage naturel.

Ce même pipeline pourrait également servir dans d’autres domaines tels que le commerce, l’assurance et le droit. En créant des outils de soutien décisionnel fondés sur le savoir, il pourra d’ailleurs recommander une marche à suivre adaptée au contexte.

Dans le cadre de ses recherches, le professeur Van Woensel recensera en détail les écrits pertinents, en portant une attention toute particulière aux défis d’actualité (complexité des textes en langage naturel, absence de données d’apprentissage propres aux domaines, méthodes « boîte noire », etc.), à l’applicabilité des travaux sur le TLN effectués dans différents domaines et aux lacunes à combler.

Retombées de la recherche

L’extraction automatisée de modèles de processus à partir de textes en langage naturel serait considérablement plus efficace que les pratiques manuelles – chronophages et susceptibles de générer des erreurs – qui ont actuellement cours. Un pipeline automatisé favoriserait grandement l’informatisation des modèles et les mettrait davantage à la portée d’organisations qui souhaitent s’en servir pour gérer d’autres processus.