Chatbot IA OneService — L'assistant de signalement des problèmes municipaux de Singapour basé sur le TALN

OneService est le chatbot de signalement des problèmes municipaux de Singapour, développé par le Municipal Services Office (MSO, sous l'égide du ministère du Développement national) avec l'équipe de science des données de GovTech Singapore, sur la plateforme de chatbot VICA de GovTech, dans le cadre de la Stratégie nationale de l'IA de 2019.

Permettre aux résidents de signaler des problèmes tels que des lampadaires cassés, des nids-de-poule, des déchets ou du stationnement illégal via WhatsApp ou Telegram en langage simple (anglais, chinois, malais, tamoul), au lieu de naviguer dans des menus fixes d'une application autonome.

Un modèle de TAL/apprentissage profond classe le type de problème et extrait les détails du cas, tels que le lieu et la description, en acheminant les signalements vers l'organisme gouvernemental compétent et en transmettant les cas à faible confiance à un agent humain ; la reconnaissance d'image aide à identifier des problèmes tels que des mégots de cigarette ou des défauts de lampadaires à partir de photos. Avant le lancement de la version bêta en juillet 2021, le MSO et GovTech ont mené un essai avec 450 participants.

Le rapport technique de GovTech indique que le classificateur de type de cas est correct environ 80 % du temps et que le système de reconnaissance des détails du cas a une précision d'environ 85 %, des chiffres repris par Cities Today et OpenGov Asia. La ministre d'État principale de Singapour, Sim Ann, a déclaré qu'OneService (application et chatbot) reçoit désormais environ 20 000 retours municipaux par mois. Le chatbot reste activement utilisé et continue d'être amélioré, notamment via une nouvelle variante bêta, « Tell Us @ OneService ».

La majeure partie des données quantitatives publiques provient d'un unique essai avant lancement relativement restreint, portant sur 450 personnes, ainsi que d'un chiffre de volume agrégé cité par un ministre ; il n'existe aucun ensemble de données post-lancement à grande échelle et audité de manière indépendante sur les taux de résolution ou la satisfaction des citoyens, et la précision de classification rapportée de 80 à 85 % signifie qu'environ un signalement sur cinq à un sur six pourrait être mal catégorisé.