Par où débuter?
 Avant toute chose, vos processus sont-ils optimisés?
 Dans quelles sphères d’activité pourriez-vous prendre de
meilleures décisions?
 Où employez-vous beaucoup de données?
 Quels objectifs d’affaires souhaitez-vous atteindre?
 Est-ce que votre projet est réalisable?

Système de vision
Système de prédiction
Traitement du
langage naturel

Est-ce que l’IA est vraiment la 1ere étape?
 Est-ce que votre infrastructure logicielle est robuste?
 Quel est l’état de votre infrastructure serveur/Cloud?
 Avez-vous une solide base de données?
 Est-ce que vos processus sont optimisés?
 Avez-vous beaucoup de papiers/opérations manuelles?

Prix
Décisions
Produit
Manufacturier
D A T A -
D R I V E N
Opérations
Maintenance
Main d’oeuvre
Clients

Est-ce que l’IA est un buzzword dans votre
transformation digitale?

Les prérequis pour se lancer en IA
 Des données de qualité et en quantité
 Culture d’entreprise orientée vers les données
 Avoir identifié des projets avec un ROI rapide
 Des projets raisonnables en termes de taille et faisabilité
 L’objectif est de trouver un projet zéro risque!

Intelligence artificielle
Toutes techniques permettant aux ordinateurs d’imiter le
comportement humain.
Machine learning
Sous-ensemble de l’IA exploitant différentes modèles
statistiques permettant à la machine d’apprendre avec
l’exemple.
Deep learning
Sous-ensemble du ML exploitant les réseaux de neurones
multi-couches comme modèle statistiques.

Deep Learning
Le Deep learning est un type de machine learning qui
peut traiter un plus large éventail de sources de
données et qui requièrent moins de prétraitement des
données de la part des humains.
L’avantage du DL est qu’il produit souvent des résultats
plus précis que les méthodes traditionnelles de
Machine Learning.
En deep learning, les couches interconnectées de
software-based calculators, appelé neurone, forment
un réseau de neurones.

Nettoyage des données
Identification des données
Agrégation des données
Étiquetage des données
5%
10%
25%
Augmentation des données
15%
25%
Développement du modèle
3%
Entraînement du modèle
10%
Opérationnalisation du modèle
2%
Ajustement du modèle
5%
% du temps alloué
aux tâches d’un
projet de ML

Processus d’implantation de l’IA
Besoins
Additionnels ?
Nettoyage /
étiquetage
Problématique Entraînement
x x
2 3 5
Analyse des
Données
Implantation
61 4
x x x x x x x x
Commencez par un petit projet et cherchez un ROI rapide

Identifier le problème qu’on cherche à résoudre
 Que souhaitez-vous que l’algorithme d’IA accomplisse?
 Déterminer le type d’algorithme à utiliser

Disponibilités des données
 Est-ce que vos processus et systèmes vous permettent
d’amasser les données nécessaires?
 Avez-vous suffisamment de données?
 Quel type de données avez-vous?
Structurée vs non structurée

Besoins additionnels?
 Validation des variables à utiliser
 Manque de données? Installation de capteurs, caméras,
sondes, systèmes, etc.
 Interconnexion avec d’autres systèmes ou d’autres bases de
données.

Nettoyage et étiquetage de données
 L’étiquetage des données fait référence à l’annotation de
chaque donnée tandis que le nettoyage signifie la recherche
d’erreurs et de duplications.
 En moyenne, 80% du temps est dédié au nettoyage et
l’étiquetage des données dans un projet d’IA.

Entraînement du modèle
 Entraînement de l’algorithme et ajustements
 Ne pas sous-estimer le temps d’entraînement

Implantation
 Déploiement de l’algorithme dans l’environnement réel
 Supervision de l’algorithme
 Ajustement et « réentraînement » au besoin

 L’intelligence artificielle, uniquement un
buzzword dans votre transformation digitale?
www.allo.vooban.com/intelligence-artificielle-ebook
Téléchargez notre livre blanc

 L’intelligence artificielle au service de vos
objectifs d’affaires
Formation offerte