Un service d'assistance débordé

Chaque matin, le service d'assistance reçoit des centaines de tickets. Certains sont urgents (un client est bloqué), d'autres courants. Un tri manuel prend des heures. Peut-on confier ce tri à un programme qui apprend de tickets déjà classés ? Oui, avec une méthode étonnamment simple : le classifieur bayésien naïf.

À la fin de cette séance, vous saurez

  • estimer un rapport de vraisemblance à partir de comptages ;
  • classer un message en multipliant les rapports mot après mot ;
  • expliquer pourquoi on le dit « naïf » et à quoi sert un plancher.

Étape 1 : compter les mots dans chaque pile

On met d'un côté les tickets urgents déjà traités, de l'autre les courants, et l'on compte combien de fois chaque mot apparaît dans chaque pile.

Occurrences des mots dans les tickets triés
MotUrgentsCourantsRapport
panne160808
bloqué1204012
merci508000,25
facture1004001
serveur40050 (voir étape 3)
Total de mots40 000160 000

Pour « panne » : 160 mots sur 40 000 chez les urgents (0,004), 80 sur 160 000 chez les courants (0,0005). Le rapport de vraisemblance est 0,004 ÷ 0,0005 = 8 : le mot est huit fois plus fréquent côté urgents. « Merci » penche vers les courants (0,25). « Facture » vaut 1 : ce mot ne départage rien.

Étape 2 : classer un nouveau ticket

On part d'une cote de départ : un ticket urgent pour quatre courants, soit 1:4 = 0,25. Puis on multiplie par le rapport de chaque mot reconnu :

« panne bloqué » : 0,25 × 8 × 12 = 24

Cote postérieure 24 : le ticket est 24 fois plus probablement urgent que courant. Au-dessus de 1, on le classe « urgent ».

Étape 3 : le piège des mots jamais vus

« Serveur » n'apparaît jamais chez les courants : 0 occurrence. Une probabilité nulle fausserait tout (on diviserait par zéro). On impose donc une valeur plancher minuscule, par exemple 1 chance sur 50 000. Le rapport devient (40 / 40 000) ÷ (1 / 50 000) = 50 : un mot jamais vu côté courant est un indice très fort, sans bloquer le calcul.

Pourquoi « naïf » ?

La méthode traite chaque mot comme un indice indépendant des autres : elle ignore l'ordre des mots et les liens entre eux. « Panne de serveur » et « serveur de panne » reçoivent la même note. C'est une simplification volontaire, fausse dans le détail, mais qui donne souvent de bons résultats parce que beaucoup de mots clés suffisent à trancher.

Atelier : trier des tickets

Tapez un message avec les mots du tableau, ou choisissez un exemple. Suivez la cote à chaque mot ; les autres mots sont ignorés.

Séance précédente Voir mon bilan