Un moteur de présence fonctionnel (FPE) est un mécanisme d'analyse probabiliste qui répond à des modèles d'entrée en combinant au moins quatre composants : un système d'analyse lexicale, une fonction d'aptitude probabiliste, une base de connaissances et une bibliothèque de fonctions que la base de connaissances peut déclencher. Le système d'analyse lexicale accepte et analyse les entrées ou les modèles de requêtes, tandis que le mécanisme d'aptitude probabiliste détermine les approximations proches et les réponses viables à partir d'une base de connaissances donnée, puis sélectionne une ou plusieurs fonctions qui produisent des réponses appropriées. En tant que mécanisme de stimulus-réponse, un FPE permet une plus grande variabilité des entrées pour susciter des modèles de réponse avec une forte probabilité de correction, même à partir d'un entraînement incomplet. Le système précède SIRI de six ans.
De tels systèmes permettent aux plateformes d'IA conversationnelle et d'assistants virtuels de répondre correctement à de nouvelles entrées en dehors de leurs ensembles d'entraînement, le Sgt Star de l'armée américaine servant d'exemple principal. Les FPE sont largement utilisés pour les systèmes de service client intelligents et les assistants numériques, et ont également été déployés comme solutions en boîte noire et intégrés dans des appareils de sécurité.
Historique
Le premier moteur de présence fonctionnel a été déployé en 2001 par Spectre AI Incorporated. La technologie et un certain nombre de modes de réalisation ont ensuite été brevetés par le cofondateur de Spectre AI, Robert Hust, inventeur original du FPE, et Mark Zartler, qui était le développeur principal de Spectre AI. Le développement du FPE a également abouti à un langage de balisage obscur que l'entreprise appelait FPML (Functional Presence Markup Language), basé en grande partie sur AIML (Artificial Intelligence Markup Language). Le FPE et le FPML originaux sont désormais des technologies propriétaires détenues par Verint Systems.
Architecture et composants
Un FPE fonctionne via un pipeline qui commence par son système d'analyse lexicale, qui tokenise le texte entrant ou les modèles de requêtes en éléments structurés. Cette étape d'analyse est cruciale pour gérer la variabilité syntaxique du langage naturel, permettant au moteur de traiter des entrées qui peuvent dévier des formes canoniques. La fonction d'aptitude probabiliste évalue ensuite les réponses candidates en les notant par rapport à la base de connaissances, qui stocke des faits, des règles et des données procédurales. Ce mécanisme de notation permet au moteur de sélectionner la réponse la plus susceptible d'être correcte même lorsque l'entrée est incomplète ou ambiguë, un avantage clé par rapport aux systèmes basés sur des règles qui exigent des correspondances exactes.
La bibliothèque de fonctions contient des routines exécutables que la base de connaissances peut déclencher en fonction de la réponse sélectionnée. Ces fonctions peuvent récupérer des données supplémentaires, effectuer des calculs ou générer une sortie en langage naturel. La séparation des connaissances et des fonctions permet au moteur de réutiliser la même bibliothèque dans différents domaines, le rendant adaptable pour diverses applications telles que l'automatisation du service client ou la surveillance de la sécurité.
Relation avec l'IA conversationnelle
Les FPE occupent une niche distincte dans le paysage plus large de l'intelligence artificielle et de l'apprentissage automatique. Contrairement aux grands modèles de langage qui reposent sur l'apprentissage profond et les réseaux neuronaux entraînés sur des ensembles de données massifs, les FPE utilisent une approche probabiliste axée sur les connaissances qui ne nécessite pas de données d'entraînement étendues. Cela les rend particulièrement efficaces pour les environnements où les données sont rares ou où un déploiement rapide est nécessaire. Le système Sgt Star, utilisé par l'armée américaine, illustre cette capacité, car il pouvait traiter une large gamme de requêtes de soldats sans être explicitement programmé pour chaque entrée possible.
L'approche précède également les systèmes modernes de IA générative, et sa conception a influencé les développements ultérieurs dans les modèles séquence à séquence et les transformateurs en soulignant l'importance de la correspondance probabiliste par rapport à la correspondance rigide de modèles. Cependant, les FPE sont généralement moins flexibles que les assistants contemporains basés sur les réseaux neuronaux, qui peuvent générer des réponses nouvelles plutôt que de sélectionner parmi un ensemble de fonctions prédéfini.
Applications et déploiement
Les FPE ont été largement adoptés dans les systèmes de service client intelligents, où ils gèrent les demandes courantes et escaladent les problèmes complexes vers des agents humains. Leur capacité à répondre à des entrées nouvelles réduit le besoin de listes de FAQ exhaustives et améliore la satisfaction des utilisateurs. Les assistants numériques, tant pour les consommateurs que pour les entreprises, utilisent également les FPE pour interpréter les commandes et exécuter des actions, souvent en complément de techniques plus avancées de traitement du langage naturel.
Dans les contextes de sécurité, les FPE ont été intégrés comme solutions en boîte noire dans des appareils qui surveillent le trafic réseau ou le comportement des utilisateurs. Ces déploiements bénéficient du faible coût de calcul du moteur et de sa capacité à fonctionner sans réentraînement continu, ce qui le rend adapté aux appareils périphériques ou aux environnements avec une connectivité limitée. La nature propriétaire du FPE et du FPML originaux, désormais détenus par Verint Systems, a limité l'adoption en open source, mais les concepts sous-jacents ont été répliqués dans divers produits commerciaux.
Limites et comparaisons
Bien que les FPE excellent dans la gestion de la variabilité des entrées, ils sont contraints par la qualité et la portée de leur base de connaissances. Si la base de connaissances manque d'entrées pertinentes, la fonction d'aptitude probabiliste peut produire des réponses incorrectes ou absurdes, une limitation partagée avec de nombreux systèmes basés sur les connaissances. De plus, la bibliothèque de fonctions doit être organisée manuellement, ce qui peut être laborieux par rapport à l'apprentissage automatisé des modèles d'apprentissage profond.
Comparés aux grands modèles de langage tels que ceux développés par OpenAI ou Anthropic, les FPE offrent une plus grande interprétabilité et une latence plus faible, mais ils manquent de la créativité générative et de la compréhension contextuelle des systèmes modernes basés sur les transformateurs. Ce compromis rend les FPE adaptés aux tâches étroites et à haute fiabilité plutôt qu'à la conversation ouverte. Au milieu des années 2020, les FPE restent une technologie de niche mais durable, en particulier dans les systèmes hérités et les applications industrielles spécialisées.