Automatisation du traitement des plaintes dans le secteur public grâce aux LLMs

Article

Möbius a développé un système basé sur l'IA pour automatiser la classification, la vérification et la réponse aux plaintes émanant du secteur public.

Introduction

Aujourd’hui, dans le secteur public, les organisations doivent relever un défi de plus en plus complexe : traiter rapidement et efficacement un grand nombre de plaintes citoyennes.

Cela est particulièrement vrai pour les plaintes liées aux amendes, qui nécessitent un traitement rapide, une communication claire et des processus qui peuvent s’adapter à une demande croissante.

Dans ce contexte, Möbius a été mandatée pour concevoir une solution visant à automatiser et optimiser le traitement des plaintes au sein d’une organisation publique gérant des dizaines de milliers de plaintes chaque année. En mettant en œuvre un système avancé d'IA générative (GenAI), Möbius visait à réduire la charge de travail manuelle tout en maintenant des standards élevés en matière de précision, de transparence et de satisfaction des citoyens.

Défi stratégique

Möbius avait donc pour défi d'automatiser le traitement de dizaines de milliers de plaintes liées aux diverses amendes que cette organisation publique reçoit chaque année. Au début du projet, une équipe de 10 équivalents temps plein (ETP) examinait manuellement ces plaintes et répondait aux citoyens par mail - un processus long et répétitif.

En raison de la variété et de la complexité des plaintes, les employés n’avaient souvent pas l’expertise spécifique nécessaire pour chaque dossier, ce qui les amenaient à se tourner fréquemment vers leur chef d’équipe pour obtenir des conseils. Pour simplifier ce processus et améliorer l'efficacité, l'organisation a identifié une opportunité d’utiliser l'IA pour automatiser une partie du flux de travail en tirant parti des nombreuses données historiques sur la classification des plaintes et de la génération de réponses.

L'approche

Möbius a développé un système alimenté par l'IA générative pour automatiser les principales étapes du traitement des plaintes, notamment la classification, la prise de décision concernant l'annulation des amendes et la génération de réponses appropriées aux citoyens.

L'approche consiste en trois étapes clés :

1. Classification des plaintes 📂

Le système utilise un modèle de langage avancé (Large Language Model - LLM) pour classer les plaintes sur la base de modèles historiques. Si la confiance du système dans sa classification est inférieure à un seuil prédéfini (par exemple 95 %), le dossier est signalé pour une révision humaine. Les classifications incertaines sont ainsi validées ou corrigées par les employés, et les retours d'information permettent d'améliorer en permanence la précision du système.

2. Vérification des plaintes ✅

Le système effectue ensuite une vérification automatisée en consultant des bases de données externes pour déterminer si la plainte est justifiée et si l’amende doit être annulée ou remboursée.

3. Génération de la réponse ⌨️

Après vérification, le système génère une réponse via le LLM, expliquant la décision au citoyen. La réponse est vérifiée par un employé avant d'être envoyée, et les capacités multilingues du système permettent de communiquer directement dans la langue choisie par le citoyen.

La supervision humaine est maintenue à des étapes clés, assurant un contrôle et une qualité élevés tout en permettant à l’IA de gérer les aspects répétitifs du traitement des plaintes. Möbius a construit ce système dans un environnement sécurisé et conforme au RGPD, en utilisant Microsoft Azure : Azure Functions pour la gestion des flux de travail et Azure OpenAI pour l’automatisation basée sur un LLM.

Résultats attendus

L’intégration de l’IA devrait considérablement réduire le temps de traitement et la charge de travail manuelle, permettant à l’équipe de se concentrer sur des tâches plus complexes et de diminuer sa dépendance envers le responsable d’équipe. La combinaison de l'IA et de la validation humaine garantit que les classifications peu fiables sont aussi traitées correctement et qu’elles participent à l'apprentissage continu améliorant le système au fil du temps.

Le processus de vérification automatisé améliore la précision et l’équité, garantissant que les plaintes valides sont remboursées. Une fois testé et optimisé, le système sera entièrement intégré à la plateforme de l’organisation, ce qui améliorera la rapidité et la qualité des échanges avec les citoyens tout en optimisant l’ensemble des opérations.

Foire Aux Questions (FAQ)

Qu’est-ce qu’un modèle de langage avancé (LLM) ?

Un modèle de langage avancé (LLM) est une intelligence artificielle avancée conçue pour comprendre et générer du langage humain. Il utilise un réseau neuronal doté de milliards de paramètres et est entraîné sur d’immenses volumes de données textuelles. Les LLMs peuvent effectuer des tâches telles que la synthèse, la classification et l’extraction d’informations à partir de textes, mais aussi générer des réponses cohérentes et participer à des conversations. Ils reposent sur une technique appelée « prompt engineering » pour exécuter des tâches spécifiques et sont largement utilisés dans des applications telles que les chatbots, la modération de contenu et l’analyse de texte.

Qu'est-ce que l'IA générative ?

L’IA générative est un type d’intelligence artificielle capable de créer du nouveau contenu, comme du texte, des images ou de l’audio. Elle repose sur des modèles avancés entraînés sur d’immenses volumes de données, tels que les LLMs et les modèles de vision-langage (comme GPT-4). Chez Möbius, nous utilisons l’IA générative pour simplifier les tâches administratives de nos clients, en particulier celles impliquant la création ou le traitement de texte. Cela inclut la réponse aux plaintes des clients, la rédaction de descriptions de poste, l’extraction d’informations clés à partir d’offres et d’autres tâches répétitives. En automatisant ces processus, nous aidons nos clients à gagner du temps, à maintenir un niveau de qualité élevé et à améliorer leur productivité.