Analyse NLP de tickets IT

Motivations

Pourquoi ce projet mérite une page dédiée ? Parce qu’il traduit un besoin réel auquel j’ai dû répondre rapidement.

• Valoriser des données textuelles jusque-là sous-exploitées.
• Comparer des approches ML adaptées à des données bruitées et hétérogènes.
• Mieux comprendre les limites des modèles NLP en contexte industriel.

Contexte et problématique

Une entreprise de grande taille disposait d’un système de tickets IT contenant de nombreux commentaires textuels (humains, automatiques, mixtes), peu ou pas exploités.

L’objectif du projet était d’extraire de la valeur de ces données textuelles pour identifier les causes fréquentes de pannes et orienter les actions correctives en amont.

Démarche expérimentale

Nous avons travaillé sur des notebooks Jupyter pour explorer différentes approches NLP, de la préparation des données à l’évaluation des résultats.

Des méthodes d’apprentissage supervisé et non supervisé ont été testées afin de comparer leur pertinence selon la qualité et la structuration des données disponibles.

Approche technique

Le travail s’est concentré sur une chaîne d’expérimentation en environnement notebook, favorisant l’itération rapide et l’analyse qualitative des résultats.

• Nettoyage et normalisation des commentaires (langage naturel bruité).
• Vectorisation des textes (TF-IDF, embeddings).
• Tests de clustering pour faire émerger des thématiques récurrentes.
• Tests de classification supervisée lorsque des labels étaient exploitables.

Compétences développées

Compétences consolidées pendant le projet :

• Préparation et nettoyage de données textuelles
• Apprentissage supervisé et non supervisé
• Analyse et interprétation de clusters
• Communication des résultats à des interlocuteurs non techniques

Résultats & impact

Identification de thématiques récurrentes liées aux causes de tickets IT.

Comparaison des limites et avantages des approches supervisées et non supervisées.

Meilleure compréhension des prérequis nécessaires à une industrialisation future.