Salt la conținutul principal
Română— Alege o limbă
Meniu

Atelier : Analyse de texte

Lecția 14 din 16 Actualizată 28 iulie 2026 Începător
Pe această pagină
  1. Objectif de l’atelier
  2. Exercice 1 : Analyser le sentiment des avis clients
  3. Exercice 2 : Extraire des données structurées
  4. Exercice 3 : Classer les tickets de support
  5. Conseils pour les tâches d’analyse
  6. Puncte cheie

Objectif de l’atelier

Après la rédaction, changeons de cap : cet atelier vous forme à utiliser Mistral pour des tâches d’analyse — analyse du sentiment d’un texte, extraction d’informations clés et classification de contenu. Ces compétences sont fondamentales pour automatiser le traitement des données textuelles en entreprise. Dès qu’un humain doit lire des dizaines de textes similaires pour en extraire la même grille d’informations, vous tenez un candidat à l’automatisation. Vous remarquerez un fil conducteur dans les trois exercices : la température reste basse, car en analyse, la cohérence prime sur la créativité.

Exercice 1 : Analyser le sentiment des avis clients

Imaginez ce scénario : vous gérez le service client d’une place de marché et recevez des centaines d’avis quotidiennement. Il est impossible de tous les lire ; vous devez les analyser automatiquement pour détecter les problèmes récurrents et prioriser les réponses. Le prompt système définit une grille d’analyse fixe — sentiment, thèmes, urgence, action — et impose une sortie JSON afin que votre outil de ticketing puisse traiter le résultat.

messages = [
    {
        "role": "system",
        "content": """You are a customer experience analyst.
For each review, provide:
1. Overall sentiment: positive / mixed / negative
2. Topics covered (max 3)
3. Urgency level: low / medium / high
4. Recommended action (1 sentence)

Respond in structured JSON."""
    },
    {
        "role": "user",
        "content": """Analyze these 3 customer reviews:

Review 1: "Order received in 2 days, careful packaging. However, the user
manual is only in English, which is a shame for a product sold in France.
The product itself works very well."

Review 2: "This is the THIRD time I've received a defective item. Support
has been giving me the runaround for 2 weeks. I will contact the DGCCRF if
nothing moves."

Review 3: "Good value for money. Nothing exceptional but does the job.
Standard delivery, no issues."

Return a JSON table with the analysis of each review."""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.1
)

Le résultat attendu ressemble à ceci — notez que l’avis 1, globalement satisfait mais avec une réserve, doit ressortir comme « mixed » et non « positive », et que l’avis 2, avec sa menace de contacter la DGCCRF (autorité française de protection des consommateurs), doit déclencher une urgence élevée :

[
  {
    "review": 1,
    "sentiment": "mixed",
    "themes": ["delivery", "documentation", "product quality"],
    "urgency": "low",
    "action": "Translate the user manual to French for future batches."
  },
  {
    "review": 2,
    "sentiment": "negative",
    "themes": ["product quality", "customer service", "recurrence"],
    "urgency": "high",
    "action": "Escalate to support manager for priority handling."
  },
  {
    "review": 3,
    "sentiment": "positive",
    "themes": ["value for money", "delivery"],
    "urgency": "low",
    "action": "No action required, standard satisfied review."
  }
]

Exercice 2 : Extraire des données structurées

Deuxième situation : vous recevez des candidatures par e-mail en texte libre et devez en extraire les informations clés pour alimenter votre ATS (Applicant Tracking System). Le risque majeur dans l’extraction est l’invention : un modèle laissé sans instructions comblera volontiers les lacunes par des déductions plausibles. D’où les deux règles cardinales du prompt système : indiquer « not provided » pour toute information manquante et interdiction absolue de déduire.

messages = [
    {
        "role": "system",
        "content": """You extract structured data from free text.
Rules:
- If information is not mentioned, indicate "not provided"
- NEVER deduce information: stay strictly with the text
- Dates must be in YYYY-MM-DD format
- Skills must be normalized terms"""
    },
    {
        "role": "user",
        "content": """Extract information from this job application email:

"Hello,

I am submitting my application for the full-stack developer position
published on LinkedIn. My name is Sarah Benali and I have 6 years
of experience in web development. Currently a Lead Developer at DataViz (Paris),
I work primarily with React, Node.js, and PostgreSQL. I also have
strong experience with AWS and Docker. My current daily rate is
€650 and I am available starting May 15, 2026.

Best regards,
Sarah Benali"

Expected JSON format:
{
  "name": "",
  "target_role": "",
  "experience_years": 0,
  "current_role": "",
  "current_company": "",
  "location": "",
  "skills": [],
  "daily_rate": "",
  "availability": ""
}"""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.0
)

Voici la sortie que vous devriez obtenir :

{
  "name": "Sarah Benali",
  "target_role": "Full-stack developer",
  "experience_years": 6,
  "current_role": "Lead Developer",
  "current_company": "DataViz",
  "location": "Paris",
  "skills": ["React", "Node.js", "PostgreSQL", "AWS", "Docker"],
  "daily_rate": "€650",
  "availability": "2026-05-15"
}

Notez la température à 0,0 : pour l’extraction, vous souhaitez une réponse déterministe, fidèle au texte source. Notez également la conversion de la date au format ISO, explicitement demandée dans les règles ; sans cette instruction, le modèle aurait copié « May 15, 2026 » tel quel.

Exercice 3 : Classer les tickets de support

Dernière situation : votre équipe de support reçoit des tickets non catégorisés qui doivent être routés automatiquement vers le bon département. La clé de cet exercice réside dans la définition exhaustive des catégories et des priorités dans le prompt système. Si vous laissez le modèle inventer sa propre taxonomie, chaque lot de tickets ressortira avec des catégories différentes et votre routage deviendra ingérable.

messages = [
    {
        "role": "system",
        "content": """You classify technical support tickets.

Available categories:
- BILLING: payment issues, invoices, subscriptions, refunds
- TECHNICAL: bugs, errors, functionality issues, slowness
- ACCOUNT: login, password, settings, account deletion
- FEATURE: requests for new features, suggestions
- OTHER: anything that doesn't fit the categories above

Priorities:
- P1: service inaccessible, data loss, direct financial impact
- P2: degraded functionality, workaround possible
- P3: question, information request, suggestion

Respond ONLY in JSON, no text before or after."""
    },
    {
        "role": "user",
        "content": """Classify these 4 tickets:

Ticket A: "Unable to log in since this morning. I tried to
reset my password but I'm not receiving the email."

Ticket B: "Would it be possible to add an Excel export in addition to CSV?"

Ticket C: "I was charged twice for my March subscription."

Ticket D: "The app crashes when I import a file larger than 50 MB.
Error message: MEMORY_EXCEEDED."

Format:
[{"ticket": "A", "category": "", "priority": "", "service": "", "summary": ""}]"""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.0
)

Le résultat attendu — notez que le ticket C, avec son impact financier direct, passe en P1 tandis que le plantage technique du ticket D reste en P2 puisqu’une solution de contournement existe :

[
  {
    "ticket": "A",
    "category": "ACCOUNT",
    "priority": "P2",
    "service": "Level 1 Support",
    "summary": "Unable to log in, reset email not received"
  },
  {
    "ticket": "B",
    "category": "FEATURE",
    "priority": "P3",
    "service": "Product",
    "summary": "Request for Excel export in addition to CSV"
  },
  {
    "ticket": "C",
    "category": "BILLING",
    "priority": "P1",
    "service": "Accounting",
    "summary": "Double charge March subscription, refund request"
  },
  {
    "ticket": "D",
    "category": "TECHNICAL",
    "priority": "P2",
    "service": "Development",
    "summary": "Crash importing large files (MEMORY_EXCEEDED)"
  }
]

Conseils pour les tâches d’analyse

Quatre bonnes pratiques résument la méthode de cet atelier. Travaillez avec une température de 0 pour la classification et l’extraction : vous voulez de la cohérence, pas de l’inspiration. Définissez explicitement les catégories dans le prompt système, sinon le modèle inventera les siennes. Incluez toujours l’instruction « not provided » pour les données manquantes, sinon le modèle comblera les lacunes par des inventions plausibles. Enfin, avant tout déploiement, testez sur des cas limites : textes ambigus, tickets appartenant à deux catégories, données partielles — c’est là que votre grille montrera ses faiblesses, et non sur des cas d’école.

Puncte cheie

  • L’analyse de texte avec Mistral fonctionne mieux avec une température basse (0-0,2)
  • Définissez toujours les catégories et le format de sortie dans le prompt
  • Imposez la règle « not provided » pour éviter les hallucinations
  • Le few-shot améliore la cohérence de la classification
  • Testez sur des cas réels représentatifs avant de déployer en production