View
90
Download
1
Category
Preview:
Citation preview
page 1
Introduction aux services vocaux en langage naturel
Ariane Nabeth-Halber
CONCEPTION PROJETPROCESS page 2page 2page 2page 2page 2TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 2
Sommaire
Les spécificités des services vocaux en langage naturelLes spécificités des services vocaux en langage naturel
• Le dialogue
• le schéma fonctionnel
• La technologie
• Les ressources et process
• La gestion de projet
La conception des servicesLa conception des services
CONCEPTION PROJETPROCESS page 3page 3page 3page 3page 3TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 3
Sommaire
Les spécificités des services vocaux en langage naturelLes spécificités des services vocaux en langage naturel
• Le dialogue
• le schéma fonctionnel
• La technologie
• Les ressources et process
• La gestion de projet
La conception des servicesLa conception des services
CONCEPTION PROJETPROCESS page 4page 4page 4page 4page 4TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 4
Spécificités - Dialogue
Spécificités du dialogue :
• Ce que dit le système
• Ce que disent les appelants
• Ce que comprend le système
DIALOGUEDIALOGUE
CONCEPTION PROJETPROCESS page 5page 5page 5page 5page 5TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 5
Dialogue – Messages
Ce que dit le système
Phrasé de l’accueil ou de la question, dit « ouvert »
Approche Langage Naturel Approche Classique (grammaires)
« que puis-je faire pour vous? » « dites le nom du service qui vous intéresse parmi les suivants : .. »
« énoncez le motif de votre appel » « pour obtenir … dites "Contrat", pour … dites "Service Technique", ... »
« quel est le modèle de votre téléphone? »
« (1) quel est la marque de votre téléphone? / (2) choisissez à présent le modèle parmi les suivants : ...»
« désirez vous A, B, C, ou un autre service..?»« désirez vous A, B, ou C? sinon, dites autre service.»
DIALOGUE
CONCEPTION PROJETPROCESS page 6page 6page 6page 6page 6TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 6
Dialogue – Réponses acceptées
Ce que disent les appelants
• Variété des expressions acceptées• Dialogue à « initiative mixte »
Approche Langage Naturel Approche Classique (grammaires)« ce midi j'ai voulu retirer de l'argent au distributeur et ma carte a été avalée » « agence! / autre service! / service carte! »
« c'est pour une simulation de prêt immobilier» « prêt immobilier »
« un Nokia euh modèle e71 je crois» « Nokia »
« non c'est pour déclarer un sinistre» « autre service »
DIALOGUE
CONCEPTION PROJETPROCESS page 7page 7page 7page 7page 7TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 7
Dialogue – Interprétation
Ce que comprend le système
• Nombre des catégories « sémantiques »• Niveau d’indépendance des informations sémantiques
extraites
Approche Langage Naturel Approche Classique (grammaires)accueil routage --> 20 à 100 classes de motifs en 1 étape (quelques classes de motifs en 2 étapes si désambiguisation nécessaire)
accueil routage --> 10 à 20 classes de motifs en 2 à 3 étapes
remplissage "formulaire" --> recueillir toutes les infos en 1 étape
questions "formulaire" --> généralement guidé en N étapes
confirmation - correction --> en 1 étape confirmation - correction --> en 3 étapes
DIALOGUE
CONCEPTION PROJETPROCESS page 8page 8page 8page 8page 8TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 8
Sommaire
Les spécificités des services vocaux en langage naturelLes spécificités des services vocaux en langage naturel
• Le dialogue
• le schéma fonctionnel
• La technologie
• Les ressources et process
• La gestion de projet
La conception des servicesLa conception des services
CONCEPTION PROJETPROCESS page 9page 9page 9page 9page 9TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 9
Spécificités – Fonctionnel
Schéma fonctionnel
• Moins structuré, moins arborescent• Plus déclaratif
i.e table 150 motifs 15 destinations de transfert d’appel
Approche Langage Naturel Approche Classique (grammaires)
FONCTIONNEL
CONCEPTION PROJETPROCESS page 10page 10page 10page 10page 10TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 10
Sommaire
Les spécificités des services vocaux en langage naturelLes spécificités des services vocaux en langage naturel
• Le dialogue
• le schéma fonctionnel
• La technologie
• Les ressources et process
• La gestion de projet
La conception des servicesLa conception des services
CONCEPTION PROJETPROCESS page 11page 11page 11page 11page 11TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 11
Spécificités - Technologie
Deux technologies requises :
• La technologie utilisée pour guider la reconnaissance vocale
Modèle de langage statistique (SLM)
• Les technologies utilisées pour extraire une interprétation Extraction de mots clefs Parsing Robuste Modèles sémantiques statistiques (SSM) Appel à d’autres algorithmes de traitement du langage
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 12page 12page 12page 12page 12TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 12
Spécificités - Technologie
Chaine de traitement pour le Langage Naturel
Grammaire Slots sémantiques de la grammaire
(calculés via ECMAScript ou autre,
en même temps que la reconnaissance vocale
aligne l’énoncé avec la grammaire)
Approche classique :
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 13page 13page 13page 13page 13TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 13
Technologies – SLM vs grammaire
1.end-pointing
2. extraction de vecteurs de paramètres
y1 y2 .. yn
Phonème inconnu Y
Pho
nèm
e X
3. Alignementacoustico-phonétique
le 24 Janvier 2009
5. Séquence de mots reconnus /
interprétation
<date : [<day : 24> <month : 1> <year : 2009>]
> le 24 Janvier 2009
4. contraintes linguistiques :
grammaire ou SLM
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 14page 14page 14page 14page 14TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE
Contraindre les suites de mots possibles…
et donc les séquences possibles de phonèmes …
et donc les séquences possibles de réalisations sonores
Technologies – SLM vs. grammaire
Le rôle de la grammaire ou du modèle de langage
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 15page 15page 15page 15page 15TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 15
Technologies – SLM vs. grammaire
Source : F. Yvon, U. Paris 11
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 16page 16page 16page 16page 16TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 16
Technologies – SLM vs. grammaire
Source : F. Yvon, U. Paris 11
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 17page 17page 17page 17page 17TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 17
Technologies – SLM vs. grammaire
Exemples
Confirmation( ?@hes@~.01 [ Sub_PHRASE_OUI { return("oui") } Sub_PHRASE_NON { return("non") }
])Sub_PHRASE_OUI [ (?Sub_OUI Sub_C_EST_CA ?(en effet) ) (Sub_OUI ?Sub_ADV_OUI )]Sub_C_EST_CA( c'est [
(?bien ça) (tout à fait ça) ]
) Sub_OUI [ oui
(oui oui)ouai
]
GRAM… SLM
Grammaire Modèle de langage
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 18page 18page 18page 18page 18TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 18
Technologies – SLM vs. grammaire
Convergences
• Un SLM peut être vu comme une règle de grammaire particulière, et inséré dans une grammaire
• Des grammaires peuvent être « insérées » dans un modèle de langage pour définir des classes d’item et améliorer la représentativité du corpus
• Une question ouverte (« quel est le motif de votre appel? ») utilisant un SLM peut être suivie d’une question plus précise (« connaissez-vous oui, ou non, votre numéro de compte et votre code confidentiel? ») utilisant une grammaire classique
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 19page 19page 19page 19page 19TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 19
Technologies - Interprétation
Problématique • La grammaire qui guide la reconnaissance vocale possède
la structure de la phrase ainsi que tous les éléments sémantiques associés
• Le SLM sert à évaluer les suites de mots les plus probables, mais
• ne possède aucune connaissance structurée ni aucune connaissance sémantique sur les suites de mots « reconnues »
• Les suites de mots « reconnues » présentent une grande variété, ne sont pas forcément grammaticalement correctes, ni exemptes d’erreurs (mots insérés, confondus ou supprimés)
• Il faut donc ajouter une étape de traitement spécifique, combinée à une couche de connaissance, pour analyser les suites de mots reconnues et en extraire un sens
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 20page 20page 20page 20page 20TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 20
Technologies - Interprétation
Technologies utilisées pour extraire une interprétation
• Extraction de mots clefs
• Elaboration de règles de pattern-matching
• Parsing Robuste
• Modèles sémantiques statistiques (SSM)
• Appel à d’autres algorithmes de traitement du langage
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 21page 21page 21page 21page 21TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 21
Conception du modèle d’interprétation
Cas typiques de choix de modèles
Appariement vers un petit nombre de catégories• Soit SSM• Soit modèle par règles (pattern matching ou robust parsing)
Appariement vers un grand nombre de catégories• Soit SSM (attention au besoin de données)• Soit modèle par règles (attention effort expert important)
Extraction d’informations précises• Soit définir des règles (pattern matching ou robust parsing) • Soit entraîner plusieurs SSM (un par slot)• Soit utiliser des algorithmes TALN existant (si possible spécialisés
dans le domaine)
Attention grande disparité des outils proposés par les éditeurs
TECHNOLOGIES
CONCEPTION PROJETPROCESS page 22page 22page 22page 22page 22TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 22
Sommaire
Les spécificités des services vocaux en langage naturelLes spécificités des services vocaux en langage naturel
• Le dialogue
• le schéma fonctionnel
• La technologie
• Les ressources et process
• La gestion de projet
La conception des servicesLa conception des services
CONCEPTION PROJETPROCESS page 23page 23page 23page 23page 23TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 23
Spécificités – Ressources & Process
Ressources spécifiques :
Des données, des données, des données…• Corpus de texte pour le SLM (en général énoncés enregistrés
et transcrits)• Corpus de texte annoté pour le SSM (enoncés enregistrés,
transcrits et étiquetés avec un sens et/ou une catégorie et/ou une destination de transfert, un type d’action..) utile aussi pour évaluer les techniques d’interprétation autres que SSM, mais requérant alors un volume moins important de données
Et des équipes capables de traiter ces données…
Process spécifiques :
Recueil et préparation des données• Il faut des données issues du système avant que le système
soit construit! WOZ, bootstrap…
Apprentissages, évaluation et révision des modèles
PROCESS
CONCEPTION PROJETPROCESS page 24page 24page 24page 24page 24TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 24
Sommaire
Les spécificités des services vocaux en langage naturelLes spécificités des services vocaux en langage naturel
• Le dialogue
• le schéma fonctionnel
• La technologie
• Les ressources et process
• La gestion de projet
La conception des servicesLa conception des services
CONCEPTION PROJETPROCESS page 25page 25page 25page 25page 25TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 25
Spécificités – Projet
Spécificités impactant la gestion de projet et le cycle de vie de l’application
• Effort technique important à occurrence « chronique » (à chaque ré-apprentissage de modèle)
• Délais incompressibles de recueil de données• Si démarrage sur une clientèle pilote, attention au délai pour
recueillir suffisamment d’enoncés pour le premier apprentissage de modèle
• Sensibilité extrême au phrasé initial choisi pour les messages• Changer la phrase d’accueil en cours de projet nécessite a priori
de relancer tout le process de recueil/apprentissage• Nécessité de placer les utilisateurs face au système final
avant de l’avoir élaboré !• Démarrage avec un magicien d’Oz ou un système de bootstrap• Procédure par étapes pour atteindre une forme mature du SLM
PROJET
CONCEPTION PROJETPROCESS page 26page 26page 26page 26page 26TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 26
Sommaire
Les spécificités des services vocaux en langage naturelLes spécificités des services vocaux en langage naturel
• Le dialogue
• le schéma fonctionnel
• La technologie
• Les ressources et process
• La gestion de projet
La conception des servicesLa conception des services
CONCEPTION
CONCEPTION PROJETPROCESS page 27page 27page 27page 27page 27TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 27
Gestion de Projet - général
Tout d’abord obéit aux règles générales de conception de tout service vocal
Définition des besoinsBesoins MOA & besoins publics ciblesDéfinir les objectifs
ConceptionFonctionnalitésPersona, terminologie, habillage sonore…Spécifications de dialogue
ImplémentationDev Application + connecteurs SI + Architecture
techniqueTests et Recettes
Tests unitaires développeurs + Campagne de test interne
DéploiementCommunication, accompagnement…
Supervision & TuningStats appliRecueil de logs et d’audioTranscriptions et tuningRecueil des impressions terrain (utilisateurs ou personnes en contact avec utilisateurs)
page 27page 27page 27page 27page 27page 27 CONCEPTION
CONCEPTION PROJETPROCESS page 28page 28page 28page 28page 28TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 28
Gestion de Projet - planning
Planning typique lang-nat : collectes et bootstrap
CONCEPTION
CONCEPTION PROJETPROCESS page 29page 29page 29page 29page 29TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 29
Gestion de projet - Etapes
Etude de cas : Mise en place d’un accueil-routage
• Etape 1a : choix initiaux
• Etape 1b : références établies par le Client
• Etape 1c : conception du dialogue
• Etape 2 : mise en place du système de recueil initial
• Etape 3 : recueil des données
• Etape 4 : apprentissage du premier SLM et du premier modèle d’interprétation
• Etape 5 : lancement du système automatisé « v1.0 »
• Etapes suivantes : cycle 3-4-5 reproduits une ou plusieurs fois pour évaluer-améliorer les performances / suivre les changements d’usage
CONCEPTION PROJETPROCESS page 30page 30page 30page 30page 30TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 30
Etape 1a : choix fonctionnels & techniques
Choix spécifiques lang-nat:• Où mettre de la lang-nat ?
• Déterminer parties de dialogue nécessitant LN, et parties gérées plus efficacement avec grammaires classiques
• Quelle est l’interprétation visée?• Selon besoin fonctionnel
• exemple accueil-routage, étiquette globale « motif d’appel »• exemple helpdesk technique, étiquette + slots pour capturer nature du
problème, de l’applicatif etc.
• Comment initier le recueil de données ?• Choix entre WOZ ou système de bootstrap, ou combinaison des
deux (via centre d’appel existant et « whispering »)• Étape clef, attention à la stabilité du phrasé des questions LN
• Comment définir la mouture zéro du modèle statistique ? • Modèle vide approche WOZ• à partir d’une grammaire « experte »• À partir d’un corpus approchant
CONCEPTION
CONCEPTION PROJETPROCESS page 31page 31page 31page 31page 31TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 31
Etape 1b : Les références
Références :• Motifs d’appels• Énoncés typiques associés• Destination associée• Classes de motifs
Points d’attention :• Requiert expertise métier et connaissance terrain• Utiliser toutes les sources dispo (centre d’appel, agences,
analystes…)• Prévoir évolutions futures : séparer énonciations et noms
de produit (utile aussi à performances SLM)
CONCEPTION
CONCEPTION PROJETPROCESS page 32page 32page 32page 32page 32TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 32
Etape 1c : conception dialogue
Flux de dialogue :• phrasé accueil initial (définitif!)Que puis-je faire pour vous?Quel est le motif de votre appel?Formulez simplement le motif de votre appel…
• relance / exemple suggéré en cas de « no-input » (privilégier un exemple unique)
Dites par exemple « je voudrais modifier mon contrat »Merci d’énoncer un motif, par exemple « modifier mon contrat »…
• formulation en retour de reco (pas trop spécifique)Entendu, je vous mets en relation…Je vous mets en relation avec le service des contratsUne demande concernant votre contrat, entendu, je vous mets en relation…
• dialogues de sous-qualifications, désambigüisations ou filtrage (grammaires classiques)
Un prêt entendu, est-ce un prêt habitat, un prêt personnel ou un prêt voiture?Dans ce cas, connaissez-vous, oui ou non, votre identifiant et votre code confidentiel?Entendu, êtes-vous déjà clients chez nous?
CONCEPTION
CONCEPTION PROJETPROCESS page 33page 33page 33page 33page 33TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 33
Etape 2 : Système initial
Système mis en place pour le 1er recueil de données :
• WOZ
• Système à base de grammaires classiques ou SLM appris sur corpus artificiel ou approchant
• Hybride : système pouvant transférer vers téléconseiller avec ou sans « whispering »
• Faire levier des infrastructures et compétences existantes• Sans les saturer• en assurant la satisfaction client
CONCEPTION
CONCEPTION PROJETPROCESS page 34page 34page 34page 34page 34TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 34
Etape 3 : recueil de données
Recueil de données :
• Supervision stats et quali
• Volume de données à évaluer en fonction de complexité de SLM et d’interprétation
• Possibilité de démarrer la transcription en parallèle
• ATTENTION transcription ≠ étiquetage• Si possible faire faire étiquetage par le Client (compétences
métier)
CONCEPTION
CONCEPTION PROJETPROCESS page 35page 35page 35page 35page 35TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 35
Etape 4 – appentissage SLM
SLM – définition
• Généralement modèle « bigram »P(<s> ma carte est restée bloquée </s>) =
P(ma | <s>) * P(carte | ma) * P(est | carte) * P(restée | est) * P(bloquée | restée) * P(</s> | bloquée)
• Modèle « trigram » uniquement pour les très gros corpusP(<s> ma carte est restée bloquée </s>) =
P(ma | <s>) * P(carte | <s> ma) * P(est | ma carte) * P(restée | carte est) * P(bloquée | est restée) * P(</s> | restée bloquée)
• Comment se présente un SLM?• Liste de paramètres pour estimer les probabilités = décomptes
statistiques pour les « unigrams », « bigrams », « trigrams »..• ATTENTION pour un vocabulaire de 1000 mots • 1 Million de bigrams et 1000 Millions de trigrams à estimer
CONCEPTION
CONCEPTION PROJETPROCESS page 36page 36page 36page 36page 36TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 36
Difficultés – jamais assez de données
Problème de représentativité du corpus
Problème des singletons et des évènements non-observés (dits « fantôme ») et des mots hors-vocabulaire (OOV)
Statistiques sur corpus journalistique WSJ
CONCEPTION
CONCEPTION PROJETPROCESS page 37page 37page 37page 37page 37TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 37
Difficultés – jamais assez de données
Loi de Zipf
Fréquence * Rang = Constante Un petit nombre d’évènements distincts apparaissant dans le corpus avec
une fréquence très élevée Un grand nombre d’évènements distincts apparaissant dans le corpus
avec une fréquence très faible
CONCEPTION
CONCEPTION PROJETPROCESS page 38page 38page 38page 38page 38TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 38
Contournements
Pour maximiser la représentativité du corpus:
Normaliser le corpus• Orthographe, majuscules,
chiffres, formes phonétiques…
Définir des Classes d’équivalence• Noms de ville, noms de produits
etc.• Ajouter éventuellement des
variantes et synonymes• Externaliser dans des règles de
grammaire
Limiter la taille du vocabulaire (et utiliser une étiquette OOV)
Pour optimiser le SLM:Lissage des décomptes statistiquesOptimisation des paramètres choisis
via des évaluations systématiques du modèle produit
CONCEPTION
CONCEPTION PROJETPROCESS page 39page 39page 39page 39page 39TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 39
Evaluation d’un SLM
Principe généralSéparer corpus d’apprentissage et corpus d’évaluationSoit un découpage fixe, par exemple 85%-15%Soit des découpages « tournant » (avec « held-out data ») Pour éviter effet de « sur-apprentissage » et sous-estimation des
OOV, phénomènes fantômes etc.
Evaluation par erreur de reco (WER) IdéalMais peut-être difficile et/ou long à réaliser
Evaluation par « Perplexité »Très rapide à calculerDonne une idée du « facteur de branchement », i.e du nombre de
mots équiprobables « prédits » par le modèle après un mot donné
Le meilleurs modèle est celui avec la perplexité la plus basse
CONCEPTION
CONCEPTION PROJETPROCESS page 40page 40page 40page 40page 40TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 40
Process technique SLM
•Processing steps–Collection and cleaning–Normalization, define words, select vocabulary–Counting and model parameter estimation (Outils)–Evaluation with PP and WER
•Outils éditeurs :–Nuance NL tools (pour SLM, SSM et robust parsing)–Telispeech Natural Language Tool Kit (NLTK, pour SLM, et en partie robust parsing)
•Outils académiques les plus utilisés (SLM):–SRILM–CMU-Cambridge
CONCEPTION
CONCEPTION PROJETPROCESS page 41page 41page 41page 41page 41TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 41
Etapes 5+ : lancement, ré-entraînements & évolutions
LancementCommunication interne / externeSupervision…
Types de ré-entraînements• rapprochés pour bootstrap
collecter 50k enoncés en 3 X 17k énoncéséconomise la ressource humaine de 1ère collecteconverge vers système automatique cible
• plus espacés pour améliorations / suivi des usages / modification de l’accueil (rare)
Evolutionsévolutions fonctionnelles possibles sans modification de la
question LN (très générique)• Typiquement : ajout de destinations de routage• Impact sur l’organisation du centre d’appel, des agences…
CONCEPTION
CONCEPTION PROJETPROCESS page 42page 42page 42page 42page 42TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE page 42
SIGLES
ASR automatic speech recognition
LN langage naturel
NLTK natural language toolkit
PP perplexité
SSM statistical semantic model
SLM statistical language model
TALN traitement du langage naturelOOV out of vocabulary (mot hors vocabulaire)
WER word error rate (taux d’erreur de reconnaissance de mot)
WOZ wizard of Oz (magicien d’Oz, système derrière lequel se cache un humain)
CONCEPTION
CONCEPTION PROJETPROCESS page 43page 43page 43page 43page 43TECHNOLOGIES FONCTIONNELDIALOGUESOMMAIRE
ariane.nabeth@hotline.fr
Recommended