Tech4Exec - Etat de l’art et vulgarisation du Machine Learning
•
1 j'aime•726 vues
Dans un format intimiste, Tech4Exec démystifie, le temps d’une matinée, les sujets et technologies stratégiques du moment, pour en comprendre les implications, les déclinaisons opérationnelles concrètes et leur intérêt pour l’entreprise. Le format est simple et efficace : 15 mn de vulgarisation, 25 mn de mise en oeuvre et 1h de retours d’expérience client. La vidéo est disponible ici : https://youtu.be/WHgH_ykWviE https://tech4exec.fr/
Recommandé
Recommandé
Contenu connexe
Similaire à Tech4Exec - Etat de l’art et vulgarisation du Machine Learning
Similaire à Tech4Exec - Etat de l’art et vulgarisation du Machine Learning (20)
Plus de Publicis Sapient Engineering
Plus de Publicis Sapient Engineering (20)
Tech4Exec - Etat de l’art et vulgarisation du Machine Learning
- 1. #Tech4Exec Le Machine Learning au delà des fantasmes : comprendre, mettre en oeuvre pour en tirer le plus de valeur
- 2. Qu’est que le machine Learning ?
- 3. Problèmes résolus par le Machine Learning #1 “Mes solutions existantes requièrent beaucoup de travail à la main ou une grande quantité de règles.”
- 4. Problèmes résolus par le Machine Learning #2 “Mon environnement est fluctuant et j’ai besoin de m’adapter constamment”
- 5. Problèmes résolus par le Machine Learning #3 “Aucune approche traditionnelle ne me permet de résoudre mon problème”
- 6. Problèmes résolus par le Machine Learning #4 “J’ai besoin de mieux comprendre mon business pour en tirer des actions”
- 7. Qu’est-ce que le Machine Learning ? Utiliser la donnée Entraînement ---------------------- Pour répondre à des questions Prédiction
- 8. Machine Learning ne rime pas forcément avec BigData
- 10. Analyse Prédictive S’inspirer du passé pour prédire le futur
- 11. Maintenance préventive Anticiper une future panne d’un équipement. Prédiction de valeur client Quelle est la valeur future de mon client ? Classification de comportements Prédire la catégorie d’appartenance d’un comportement ou d’un ensemble de caractéristiques d’une personne. Analyse prédictive
- 12. Optimisation Scoring - Recommandation - Aide à la décision²
- 13. Smart Pricing Quel est le prix optimal à associer à mes produits pour maintenir un niveau de satisfaction client suffisant ? Optimisation de la gestion d’un parc d’ équipements Quelle est la meilleure répartition des mes équipements pour maximiser mon profit sans dégrader l’expérience des utilisateurs ? Scoring d’attrition Calculer le score (la probabilité) d’appétence d’un client à un produit donné, basé sur son historique d’achat et sa situation actuelle. Optimisation
- 14. Traitement Automatique du Langage Analyse Sémantique
- 15. Réponse à des questions Comment comprendre l’intention d’une question et requêter de l’information non structurée pour fournir une réponse ? Résumé de textes Comment résumer de manière pertinente une grande quantité d’information dans un texte ? Extraction d’informations Comment extraire de la donnée structurée à partir de texte non structuré ? Traitement automatique du langage
- 16. Apprentissage non supervisé Analyse des similarités, de patterns, d’anomalies
- 17. Règles d’association Découvrir les patterns récurrents dans des séquences d’information Contraction d’information Comment représenter l’information de manière condensée en en perdant le moins possible ? Analyse de similarités Quels sont les comportements ou les caractéristiques qui se rapprochent le plus de mon produit / client ? Apprentissage non supervisé
- 19. Reconnaissance vocale Être capable de reconnaître la voix d’une personne dans un environnement complexe, et de générer une réponse ou déclencher une action. Génération de données Apprendre les patterns inhérents aux données pour en générer des nouvelles encore jamais observées Apprentissage de stratégies optimales Par un fonctionnement d’essai/erreur, choisir quelle est la meilleure stratégie à appliquer dans un contexte complexe. Intelligence Artificielle
- 20. Utiliser des services d’Intelligence Artificielle offerts par d’autres acteurs
- 21. Des services avec des maturités différentes
- 22. Des résultats dépendant du jeu de données initial
- 24. Récolte d’un historique de données Training set Dérivation de caractéristiques Feature Engineering Entraînement d’un modèle Modélisation Reconnaissance de nouvelles données Prédiction Les grandes étapes d’un projet Machine Learning
- 25. Data ArchitectData Engineer DevOps Data CDOProduct Strategist Référent ProdData Scientist Product Owner Une équipe complète
- 26. Pourquoi faut-il gérer votre projet (Big) data comme une start-up gère son produit ? Yoann Benoit Data Scientist Nathan Chauliac Product Strategist