Traditional intent classifiers map utterances directly to intent categories using labeled examples. In contrast, LLM-assisted zero-shot intent classifiers rely on natural language descriptions alongside intent labels to determine the most appropriate categories for a given utterance. As intent taxonomies grow and evolve, descriptions must define clear boundaries among overlapping intent categories. Maintaining them is costly because it requires domain expertise and continual updates to keep pace with changing product and user behavior. We present MOSAIC (Multi-label Ontology Synthesis for Automated Intent Classification), a deployed system that automatically generates and updates intent descriptions for an existing taxonomy. MOSAIC analyzes unlabeled user utterances to identify coherent clusters. It associates cluster-level evidence with the existing intent taxonomy. Then, it synthesizes discriminative descriptions that define each category’s semantic boundary. On a 140-class production deployment, MOSAIC approaches the quality of expert-written descriptions while reducing taxonomy revision time from 2-4 weeks to less than 30 minutes. On the public NLU++ and Multi³NLU++ benchmark datasets, MOSAIC-generated descriptions do match or exceed the performance of expert-written descriptions.

Dans la tâche de désambiguïsation sémantique, la détermination de la taille optimale de fenêtre de contexte à utiliser, a fait l’objet de plusieurs études. Dans cet article, nous proposons une approche à deux niveaux pour répondre à cette problématique de manière automatique. Trois systèmes concurrents à base d’arbres de classification sémantique sont, dans un premier temps, utilisés pour déterminer les trois sens les plus vraisemblables d’un mot. Ensuite, un système décisionnel tranche entre ces sens au regard d’un contexte plus étendu. Les améliorations constatées lors d’expériences menées sur les données de SENSEVAL-1 et vérifiées sur les données SENSEVAL-2 sont significatives.