Améliorer l'expérience utilisateur dans les applis NLP

L'Expérience Utilisateur (UX) est super importante quand les gens interagissent avec des ordis ou des logiciels. Le but de l'UX, c'est de rendre les choses plus simples, claires et fiables pour les utilisateurs. Dans des domaines comme l'apprentissage automatique (ML) et le Traitement du langage naturel (NLP), la plupart des recherches se concentrent sur les données plutôt que sur ce que les utilisateurs souhaitent réellement. Ça veut dire que souvent, les personnes qui vont utiliser ces systèmes ne sont consultées qu'à la fin, principalement pour évaluer la facilité d'utilisation du produit. Cet article discute d'une nouvelle façon de développer des applications qui place les utilisateurs au cœur du projet dès le début.

L'idée, c'est d'impliquer les utilisateurs dès les premières étapes, leur permettant de tester des idées et concepts avant qu'un produit soit créé. Cette méthode, qu'on appelle recherche UX générative, collecte les avis des utilisateurs pour s'assurer que le produit final est davantage en phase avec leurs besoins. Le but, c'est de créer un processus de communication naturel entre les utilisateurs et les développeurs, ce qui offre finalement de meilleurs outils pour des tâches spécifiques.

Dans cet article, on décrit une étude de cas où on a développé un outil de recherche spécialisé pour l'industrie chimique, en mettant l'accent sur comment améliorer les opérations quotidiennes. En écoutant des experts du domaine - des gens qui bossent dans cette industrie - on a pu construire une application plus fiable et efficace.

#Contexte

Le traitement du langage naturel (NLP) a trouvé plein d'utilités dans les entreprises aujourd'hui. Les gens l'utilisent pour automatiser des tâches comme trier les retours clients et détecter les spams dans les emails. Dans le domaine de la santé, le NLP aide à extraire des infos critiques des dossiers médicaux et à remplir des formulaires automatiquement. Alors que le NLP a été largement adopté, les applications conçues pour des domaines spécifiques ratent souvent de comprendre ce que les utilisateurs veulent vraiment.

D'habitude, les développeurs se basent sur des ensembles de données et des tendances en apprentissage automatique pour décider comment construire des applications. Cette approche peut parfois négliger les véritables besoins des utilisateurs qui vont interagir avec ces systèmes. Quand les utilisateurs sont impliqués, c'est souvent après que le produit a été développé, moment où ils vérifient si ça fonctionne bien pour eux.

Dans les projets de NLP médical, les chercheurs ont appris que collaborer étroitement avec des experts du domaine dès le début conduit à de meilleurs résultats. En mêlant recherche sur l'expérience utilisateur et interaction homme-machine (HCI), les besoins des utilisateurs sont priorisés, rendant les systèmes plus intuitifs.

#La méthodologie proposée

La nouvelle méthodologie combine la recherche générative avec le cycle de développement des applications NLP spécifiques. Ça implique trois phases principales :

1. Exploration : Dans cette phase, on collectent des idées pour une application en plongeant dans les données et en parlant aux utilisateurs dans leur environnement pour comprendre leurs expériences.

2. Prototypage : On crée une version basique de notre application qui répond aux défis les plus importants identifiés durant l'exploration.

3. Évaluation : Cette phase mesure à quel point le Prototype répond aux besoins des utilisateurs, en se basant sur l'exactitude et les retours des utilisateurs.

Cette combinaison de méthodes centrée sur les données et sur l'utilisateur est cruciale pour développer des applications NLP efficaces dans des domaines spécialisés.

#Aperçu de l'étude de cas

Dans notre étude de cas, on a développé un outil de recherche spécifiquement pour une usine chimique qui enregistre les opérations quotidiennes. On voulait améliorer la façon dont les utilisateurs interagissent avec les données historiques tout en renforçant leur engagement et leur confiance dans l'application. Pour ce faire, on a employé des principes de recherche générative accompagnés d'une analyse de données exploratoire.

Notre équipe était composée de chercheurs UX, de data scientists, de développeurs logiciels et d'un chef de projet. Travailler en équipe diversifiée nous a permis de combiner différentes perspectives et de s'assurer que l'application finale répond non seulement aux besoins des utilisateurs mais est aussi techniquement réalisable.

#Explorer les besoins des utilisateurs

Le but principal était de comprendre comment les utilisateurs utilisaient les systèmes d'enregistrement et d'identifier les problèmes qu'ils rencontrent. On a fait ça à travers une série d'interviews avec les utilisateurs, en les observant dans leur environnement de travail. En mettant en place un atelier dans une usine chimique et en interviewant des personnes clés, on a collecté des infos précieuses sur leurs tâches quotidiennes.

On a découvert que les utilisateurs avaient souvent du mal avec des informations enregistrées incomplètes ou peu claires. Beaucoup s'appuyaient sur la communication orale plutôt que sur le système d'enregistrement pour clarifier leur compréhension. Ça a mis en évidence le besoin d'un moyen plus efficace de partager des connaissances et d'accéder aux journaux historiques.

À travers les interviews, on a noté des phases spécifiques durant le shift d'un utilisateur et les différents défis qu'ils rencontraient. Par exemple, ils avaient besoin de plus de contexte en lisant les journaux, surtout quand des informations des shifts précédents manquaient.

#Générer des concepts d'application

À partir des insights recueillis, on a proposé de créer une fonction de recherche sémantique dans le système d'enregistrement. Cela permettrait aux utilisateurs de rechercher dans les dossiers plus efficacement, s'assurant qu'ils pouvaient trouver rapidement les infos pertinentes. Notre espoir était qu'avec un meilleur moteur de recherche, les utilisateurs seraient motivés à enregistrer des infos plus complètes, améliorant ainsi l'exactitude des données.

Ensuite, on a créé un prototype préliminaire, qui fonctionnait comme une maquette de l'outil de recherche. En présentant cette version précoce aux utilisateurs, on a récolté plus de retours qui orienteraient les développements futurs.

#Approche de prototypage

Le développement du prototype visait à appliquer les principes de test rapide et efficace - une approche qui peut se résumer par "échouer vite, échouer souvent." On ne s'attendait pas à ce que notre prototype soit parfait, mais il devait servir de point de départ pour évaluer la valeur pour l'utilisateur.

On a choisi de se concentrer sur deux aspects clés pour améliorer le prototype :

1. Représentation des mots : Pour relever le défi du langage spécifique au domaine, on a utilisé fastText, un outil qui permet de créer des vecteurs de mots même pour des mots peu communs. C'est particulièrement utile dans des secteurs comme la chimie où la terminologie spécialisée est souvent utilisée.

2. Expansion du contexte : En ajoutant des descriptions détaillées qui expliquent les termes mentionnés précédemment, on pourrait améliorer le processus de recherche, rendant plus facile pour les utilisateurs de trouver des infos pertinentes.

#Évaluation du prototype

Après que les utilisateurs aient interagi avec le prototype, on a cherché à évaluer son efficacité de deux façons :

1. Évaluation de l'exactitude : On a demandé aux utilisateurs d'effectuer des tâches spécifiques avec le prototype pour voir à quel point il récupérait des infos pertinentes par rapport aux méthodes de recherche précédentes.

2. Mesure de la valeur utilisateur : On a collecté des retours via des questionnaires et des interviews pour évaluer si les utilisateurs estimaient que le prototype améliorait leur efficacité au travail.

Notre évaluation visait à déterminer si les utilisateurs trouvaient des infos plus rapidement et facilement avec le prototype.

#Résultats

Les premiers résultats des tests du prototype indiquaient une tendance positive dans l'expérience utilisateur. Les participants ont déclaré que les recherches étaient devenues plus efficaces, rendant plus facile de trouver des réponses à leurs questions. Ils ont aussi rapporté qu'ils étaient plus enclins à rechercher des données historiques qui étaient auparavant négligées.

Les retours ont mis en lumière que les utilisateurs se sentaient plus confiants dans le système d'enregistrement, car ils pouvaient accéder plus efficacement aux anciens dossiers. Bien que certains préféraient encore les vues de liste traditionnelles pour certaines tâches, beaucoup ont exprimé leur appréciation pour la nouvelle fonction de recherche sémantique.

#Retours des utilisateurs et améliorations futures

À travers des interviews ouvertes, les utilisateurs ont fourni des retours précieux sur leurs expériences d'utilisation du prototype. Ils ont exprimé leur enthousiasme pour la nouvelle fonctionnalité mais ont aussi identifié des domaines à améliorer. Les suggestions comprenaient de rendre la recherche encore plus intelligente, permettant des requêtes plus nuancées, et d'améliorer l'interface utilisateur pour une meilleure utilisabilité.

Collecter des retours utilisateurs continus est essentiel pour une amélioration permanente. Ces informations aideront à façonner les futures itérations du prototype en une application complète qui répond efficacement aux besoins des utilisateurs.

#Conclusion

Cet article montre qu'intégrer la recherche UX générative dans le développement d'applications NLP peut mener à une meilleure expérience utilisateur et à des résultats améliorés. En se concentrant sur les véritables besoins des utilisateurs dès le départ, le produit final est plus susceptible de gagner la confiance et l'engagement de ses utilisateurs.

Notre étude de cas souligne l'importance de comprendre les besoins des utilisateurs et de leur fournir les outils nécessaires pour travailler efficacement. La synergie entre recherche UX et développement NLP est une voie prometteuse pour créer des systèmes plus efficaces dans des industries spécialisées.

Alors qu'on continue à affiner et améliorer notre prototype, on vise à favoriser des connexions plus solides entre les utilisateurs et la technologie, ouvrant la voie à des applications plus intelligentes qui servent vraiment leurs objectifs. L'objectif ultime est de créer un écosystème de partage de connaissances qui donne du pouvoir aux utilisateurs et améliore la productivité sur le lieu de travail.

#Remerciements

Ce projet a été soutenu par un programme gouvernemental axé sur l'innovation dans les petites et moyennes entreprises. La collaboration entre divers experts de différents domaines a été essentielle pour le succès de cette initiative.

Les leçons apprises de cette expérience peuvent servir de guide précieux pour d'autres cherchant à adopter des méthodologies similaires dans leurs propres projets, mettant en avant l'importance d'un design centré sur l'utilisateur dans le développement technologique.