ÉTUDE DE CAS 01
- Professionnel
- NLP
- Machine Learning
- Data Engineering
Faire parler les avis clients
Un pipeline NLP multi-label, du modèle à la production.
Tressol-Chabrier · Alternance
Le projet, étape par étape
38 000avis clients traités
- 01
Avis clients
Retours Google My Business
- 02
Classer les avis
CamemBERT adapté à la taxonomie métier
- 03
Attribuer les thèmes
Plusieurs thèmes par avis et un type de véhicule
Contexte
Au sein du groupe Tressol-Chabrier, les avis Google My Business constituent une source de retours clients à exploiter.
Problème
Classer les avis selon une taxonomie métier à deux axes : dix thèmes et le type de véhicule. Un avis peut relever de plusieurs thèmes.
Données
38 000 avis clients Google My Business traités par le pipeline industrialisé.
Approche
J’ai conçu le pipeline de classification multi-label et réalisé le fine-tuning de CamemBERT pour l’adapter à la taxonomie métier.
Méthode
Fine-tuning, évaluation du score F1 sur les thèmes principaux, puis industrialisation du traitement. Le découpage des jeux de données et les paramètres d’entraînement restent à documenter.
Résultats
Le score F1 est passé de 0,83 à 0,93 sur les thèmes principaux. Le pipeline a été industrialisé sur 38 000 avis clients.
Technologies
CamemBERT et classification NLP multi-label.
Enseignements et limites
Le résultat concerne les thèmes principaux et ne décrit pas la performance de chaque classe. L’analyse des erreurs résiduelles et des limites de généralisation reste à documenter.