Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

Tech4Exec - Etat de l’art et vulgarisation du Machine Learning

130 vues

Publié le

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/

Publié dans : Technologie
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Tech4Exec - Etat de l’art et vulgarisation du Machine Learning

  1. 1. #Tech4Exec Le Machine Learning au delà des fantasmes : comprendre, mettre en oeuvre pour en tirer le plus de valeur
  2. 2. Qu’est que le machine Learning ?
  3. 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. 4. Problèmes résolus par le Machine Learning #2 “Mon environnement est fluctuant et j’ai besoin de m’adapter constamment”
  5. 5. Problèmes résolus par le Machine Learning #3 “Aucune approche traditionnelle ne me permet de résoudre mon problème”
  6. 6. Problèmes résolus par le Machine Learning #4 “J’ai besoin de mieux comprendre mon business pour en tirer des actions”
  7. 7. Qu’est-ce que le Machine Learning ? Utiliser la donnée Entraînement ---------------------- Pour répondre à des questions Prédiction
  8. 8. Machine Learning ne rime pas forcément avec BigData
  9. 9. Les champs d’application
  10. 10. Analyse Prédictive S’inspirer du passé pour prédire le futur
  11. 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. 12. Optimisation Scoring - Recommandation - Aide à la décision²
  13. 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. 14. Traitement Automatique du Langage Analyse Sémantique
  15. 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. 16. Apprentissage non supervisé Analyse des similarités, de patterns, d’anomalies
  17. 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
  18. 18. Intelligence Artificielle Deep Learning
  19. 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. 20. Utiliser des services d’Intelligence Artificielle offerts par d’autres acteurs
  21. 21. Des services avec des maturités différentes
  22. 22. Des résultats dépendant du jeu de données initial
  23. 23. Réaliser son propre projet
  24. 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. 25. Data ArchitectData Engineer DevOps Data CDOProduct Strategist Référent ProdData Scientist Product Owner Une équipe complète
  26. 26. Pourquoi faut-il gérer votre projet (Big) data comme une start-up gère son produit ? Yoann Benoit Data Scientist Nathan Chauliac Product Strategist

×