Comment faire comprendre à un chatbot IA la darija marocaine et d’autres dialectes

Ce qui s’est passé dans mon SaaS de support dentaire marocain

J’ai construit un SaaS de support client pour des cliniques dentaires au Maroc. Au début, j’ai supposé que la qualité dialectale nécessitait d’affiner un modèle local. Cela ressemblait à la réponse technique : collecter des données, entraîner un modèle, l’héberger, et faire de la darija une partie des poids. Avant de m’engager dans ce travail, j’ai essayé une intervention plus légère. Nous avons collecté de vrais exemples de support auprès d’assistantes ayant travaillé dans des cliniques dentaires. Elles connaissaient les expressions que les patients utilisent pour la douleur, les rendez-vous, les prix, les urgences, et le suivi. Nous avons placé ces exemples dans le contexte du prompt. La qualité s’est améliorée rapidement.

Les exemples faisaient plus que traduire du vocabulaire. Ils montraient le ton, l’intention, la politique de la clinique, quand poser une autre question, et quand appeler un outil de réservation. Cette distinction compte. Un dictionnaire peut expliquer qu’un mot désigne un rendez-vous. Un exemple travaillé montre comment l’assistant devrait répondre quand un patient utilise ce mot en décrivant une douleur et en demandant le premier créneau disponible.

Ce que doit contenir un bon exemple few-shot

Récupérer les bons exemples en temps réel

Un seul prompt géant finit par devenir bruyant. L’étape suivante est le few-shot dynamique. Une couche de routage identifie l’intention du client, le dialecte, le contexte sectoriel, et l’action requise. Elle récupère ensuite uniquement les exemples pertinents pour ce message. Une question de réservation reçoit des exemples de réservation. Une plainte post-traitement reçoit des exemples revus pour cette situation. Une question de prix en reçoit un autre ensemble. Cela garde le contexte ciblé et facilite la mise à jour d’un comportement sans perturber tout le reste.

Vous pouvez aussi router les demandes vers des agents spécialisés, mais la spécialisation doit avoir une raison. Des agents séparés ont du sens quand ils utilisent des outils, des politiques, ou des connaissances différents. Créer un agent pour chaque petite intention ajoute du coût et davantage de points de défaillance. Souvent, un seul agent de support avec un routage fiable et une injection de contexte suffit.

Comment évaluer la qualité dialectale

Les exemples few-shot ne résoudront pas tout problème de langue. L’affinage peut aider quand le comportement doit rester cohérent sur un grand volume et que le prompt est devenu trop coûteux ou fragile. Mais je ne commencerais pas par là. Je prouverais d’abord que de bons exemples et un ensemble d’évaluation représentatif peuvent produire le comportement voulu. Cela vous donne des données plus propres si vous décidez ensuite d’affiner.