2. Contexte du projet
• Une nouvelle approche de l’info
• Ciblant audience ne regardant pas les
chaînes d’info en continu
• Reprenant les codes des réseaux
sociaux
• Proposant une large gamme de
contenus: vidéo, audio, photo, article
• Disponible partout : mobile,
plateformes, web, TV,
• Pourquoi un Bot ?
• adresser les utilisateurs de messagerie
instantanée directement,
• contourner « l’app fatigue» qui ralentit
la croissance des applications,
• proposer à ses utilisateurs une nouvelle
expérience plus personnelle
3. Contraintes du projet
• Limiter les efforts internes en contexte de lancement de la
chaîne :
• Pas d’impact sur la rédaction : pas de contenus spécifiques,
automatisation des adaptations
• Pas d’impact sur la plateforme technique : APIs existantes, code
hébergé dans le cloud
• Impacts limités sur les équipes : développement en externe, « sprints »
courts (1 semaine) et espacés
• Tout en privilégiant une approche « produit » :
• Minimum de dépendances externes (plateformes, services)
• Protection des données des utilisateurs
• Une architecture « scalable » en cas de succès
• Un code propre internalisable par les équipes FTVEN
• Un produit extensible à d’autres messageries
4. La promesse utilisateur : immédiateté,
personnalisation
• A la première connexion le bot
• Accueille l’utilisateur
personnellement
• Présente sa promesse
• Accompagne l’utilisateur dans la
configuration des alertes
• L’utilisateur peut interagir :
• Via des boutons d’action
• Via des réponses prédéfinies
• En envoyant des messages texte à
tout moment
• L’utilisateur peut s’abonner :
• En temps réel
• A une heure définie, via une
sélection
• En envoyant une heure spécifique
5. Créer un portail d’accès vers l’offre
• Chaque alerte offre de
multiples rebonds :
• Accès à l’article ou la vidéo sur
le site
• Accès à une sélection d’articles
liés
• Accès au thème associé
• La plupart des contenus sont
aussi lisibles directement
• Texte de l’article, photos
• Embed du player vidéo France
TV
• Extraits audio d’émissions radio
6. Favoriser la sérendipité
• L’utilisateur découvre les
thèmes :
• Via un bouton sur chaque alerte
• Par recherche
• Via la liste des thèmes
• Pour chaque thème il peut :
• S’abonner pour recevoir les alertes
associées
• Voir les dernières alertes envoyées
• Ignorer toutes les alertes liées à ce
thème
• Plusieurs catégories
disponibles :
• Articles thématiques
• Régions France 3 et la 1ère
• JTs, magazines et émissions radio
• Blogs France info
7. Développement en 3 phases
1. Prototypage (Juil./Août)
• Itération autour du fonctionnel
• Intégration du moteur NLP
Tests limités à l’équipe projet
2. Industrialisation (Sept./Oct.)
• Parcours utilisateur plus complet
• Mise en place d’un backoffice
• Optimisations techniques
Bêta test interne (~50 personnes)
3. Lancement (Nov./Déc.)
• Amélioration du code
• Transfert aux équipes internes
• Tests automatisés
• Soumission à Facebook
Lancement le 15 Décembre
8. Architecture et backoffice
• Plateforme technique
• Serveur : Node JS avec
processus multiples
• BDD : Redis
• Hébergement : AWS
• NLP : Microsoft LUIS
• Backoffice complet
• Statistiques
• Configuration des textes
• Résolution erreurs NLP
• Gestion des thèmes et
abonnements
9. Enseignements (1/2)
1. Nécessité d’adopter les données web/mobile au
contexte bot
• Le formatage dynamique a ses limites
2. Contraintes de la plateforme Messenger
• Plateforme semble parfois encore en « beta »
• fonctions non disponibles sur certaines interfaces
• changements d’UI
• Manque d’un « méta » bot pour intercepter les
demandes non supportées des utilisateurs
• Equivalent à Siri, Alexa, …
• « Quel heure est-il ? », « comment ça va ? » …
10. Enseignements (2/2)
3. L’analyse de langage naturel reste chronophage
• Moteurs d’analyse de langage naturel souvent en « bêta »
• Nécessite une « glue » pour gérer les conversations
• Support du français imparfait
• Surtout argot, fautes d’orthographe …
• Maintenance régulière nécessaire pour « entraîner » le
moteur
• Gestion (toujours imparfaite) des nombreux cas d’erreurs
• Message non reconnu, interprétation erronée, requêtes ambigües…
• Insultes et compliments
• Paradoxe de la qualité NLP
• Trop bonne : les utilisateurs envoient n’importe quoi
• Trop mauvaise: les utilisateurs se contentent de mots clés mal
interprétés par le moteur NLP
11. Prochaines étapes
• Fonctionnalités spéciales élections 2017
• Par ex: sondages et résultats par circonscription
• Outils de communication avec la rédaction
• Pouvoir poser des questions ou signaler des informations
• Intégration à d’autres plateformes
• Messagerie et assistants vocaux (Alexa/Google Assistant)
• Meilleure personnalisation des alertes
• Choix de la fréquence ou des horaires
• Mise en place de recommandations
• Suggestions de nouveaux abonnements