Guide de l'utilisation de l'IA Eurêka

1 Qu'est-ce que l’IA Eurêka de Feedier ?
2 Nos engagements
3 Configuration générale
4 [Génération de contenu] Tâche 1 : Assistance à l’analyse
5 [Analyse sémantique] Tâche 2 : Analyse des sentiments
6 [Analyse sémantique] Tâche 3 : Détection des entités
7 [Analyse sémantique] Tâche 4 : Détection des thématiques

Qu'est-ce que l’IA Eurêka de Feedier ?

La grande majorité de valeur de la Plateforme Feedier repose sur l’Intelligence Artificielle. Afin de garantir un environnement extrêmement sécurisé (certifié ISO 27001), conforme à la RGPD, conforme à l’IA Act et qui capitalise sur l’ensemble des données présentent dans Feedier, nos équipes ont créé un niveau applicatif appelé IA Eurêka.

L’IA Eurêka est composée de 4 composants :

Un contrôle des accès utilisateur (en fonction du rôle, de l'équipe et de la vue)
Une base de données vectorielle qui est alimentée par les feedbacks
Un module de requête (avec plus de 20 filtres pour des recherches rapides et précises)
Un LLM de pointe déjà entrainé et qui ne nécessite pas de “fine tuning“ (Mistral)

Aujourd’hui, Feedier emploie l’intelligence artificielle (IA) pour les analyses concernant 4 types de tâches :

L’assistance à l’analyse. Concrètement, c’est la possibilité d’automatiser des tâches concernant la synthèse de verbatims, l’analyse de feedbacks, la génération de compte rendu, la génération des noms des rapports, les annotations, les questions, etc.
L’analyse de sentiments. C'est-à-dire la capacité à déterminer un sentiment dans un verbatim donné.
La détection d’entités. Autrement dit, la disposition à identifier des “entités” tels que les données à caractères personnelles, les noms de produits, les noms de marques, etc.
La détection de thématiques. À savoir la disposition à marquer le verbatim avec des thématiques en lien avec le contexte du projet (bug, problème technique, idée d’amélioration, etc.).

Feedier utilise la technologie de LLM (Large Language Model) pour l’ensemble des tâches en lien avec l’IA. Nous travaillons essentiellement avec Mistral (basé en France) et les modèles sont hébergés chez Microsoft Azure au sein de l’Union européenne (Suède).

Aucune donnée client n’est utilisée par Feedier (ou Mistral) pour l’entrainement des modèles.

Nos engagements

Nous n’utilisons pas les données de nos clients pour l’entraînement des modèles IA utilisés. Les modèles sont des modèles pré-entrainés en amont. (venant de Mistral)
Aucune donnée client n’est sauvegardé en dehors de l’infrastructure Feedier dans le cas de l’utilisation de l’IA. Nous utilisons les modèles pré-entrainés en Inférence, et les tâches d’anonymisations sont effectuées en amont.
Dès lors que du contenu est généré par l’IA dans la Plateforme Feedier, une mention est disponible sur la Plateforme pour expliquer clairement que le contenu est généré par une IA.
Nous nous engageons vis-à-vis de nos clients à respecter les lois et recommandations de l'État français et de l’Union européenne concernant l’usage de l’IA et notamment l’IA Act.

Pour toutes questions, n’hésitez pas à contacter notre équipe conformité à l’adresse support@feedier.com.

Configuration générale

L’IA Eurêka chez Feedier utilise le contexte de l’entreprise pour permettre à nos modèles d’apporter des résultats qui ont du sens avec le contexte opérationnel.

Accéder à la page de votre organisation (rôle Admin nécessaire)
Ajouter une description complète dans le champ “Description“

Il est possible de désactiver les modules d’IA en fonction des rôles depuis la page “Rôles et accès“

[Génération de contenu] Tâche 1 : Assistance à l’analyse

La Plateforme Feedier propose l’automatisation de multiples tâches chronophages qui utilisent l’IA dite “générative” (LLM), avec le contexte de l’entreprise (fourni dans l'étape de configuration) et l’intention de l’utilisateur.

Les tâches sont les suivantes :

Génération des plans d’actions
Génération des annotations sur les rapports
Génération des questions
Génération des traductions
Auto correspondance des imports

[Analyse sémantique] Tâche 2 : Analyse des sentiments

Chaque verbatim analysé est assigné à un sentiment : Positif, Neutre ou Négatif.

Sentiment	Explication	Taux moyen de sentiment

Sentiment	Explication	Taux moyen de sentiment
`Positif`	Le verbatim est lié à une émotion positive de la part du client : Joie, Confiance, Sérénité, Admiration.	97.5%
`Neutre`	Le verbatim n’est pas lié directement à une émotion ou cette dernière n’est pas suffisamment fortement exprimée pour être catégorisée.	50%
`Négatif`	Le verbatim est lié à une émotion négative de la part du client : Colère, Mépris, Tristesse, Dégoût.	2.5%

Dans le module d'analyse de texte, vous disposez d'un score de sentiment individuel pour chaque thème et vous pouvez afficher une répartition du score de sentiment.

Prenons un exemple : le thème « service » a reçu 2000 réponses qui se répartissent comme suit :

Comme nous l'avons expliqué précédemment, chaque réponse a un taux de sentiment, de sorte que pour calculer la moyenne, nous procédons comme suit :
[9 % * 97,5 %] + [21 % * 50 %] + [ 70 % * 2,5 %] = 21 %, ce qui donne un score global de sentiment négatif.

Nous allons nous pencher sur d'autres exemples.

En tant qu'utilisateur, vous disposez de trois thèmes différents qui se répartissent comme suit :

	Réponses positives	Réponses neutres	Réponses négatives	Score de sentiment
Thème 1: Improvements	30%	40%	30%	49% → Neutre
Thème 2: Facilities	71%	18%	11%	78% → Positive
Thème 3: Management	20%	0%	80%	21.8% → Négative

[Analyse sémantique] Tâche 3 : Détection des entités

Avec Feedier, les “entités” qui sont identifiées dans les verbatims sont ajoutés en tant qu’attribut.

Label de l’attribut	Explication

Label de l’attribut	Explication
`Nlp Personal Name`	La valeur correspond à un nom personnel. La valeur peut contenir le nom, le prénom ou les deux.
`Nlp Brand`	La valeur correspond au nom d’une entreprise qui est du domaine public.
`Nlp Product`	La valeur correspond à des produits de l’entreprise qui ne sont pas forcément du domaine public, mais sont détectés comme étant des produits mentionnés par le client.
`Nlp Location`	La valeur correspond à un lieu physique.

[Analyse sémantique] Tâche 4 : Détection des thématiques

Les thématiques permettent de regrouper les verbatims selon des sujets communs. Une fois les thématiques créées, il est possible de :

Suivre l'évolution des thématiques
Organiser les thématiques par sous thématique
Filtrer les thématiques en fonction des différents filtres Feedier

	Au niveau des bonnes pratiques pour la création des thématiques et la pertinence des résultats :

	Au niveau des bonnes pratiques pour la création des thématiques et la pertinence des résultats :
	Il est fortement recommandé de ne pas utiliser les mots clés en plus de l’IA dans la reconnaissance des thématiques.
	Il est fortement recommandé d’utiliser des thématiques qui encapsulent une idée à la fois.
	Il est fortement recommandé d’ajouter des instructions spécifiques pour des thématiques liées à votre industrie / contexte opérationnel.

Feedier - Base de connaissances