SlideShare une entreprise Scribd logo
REX IA
CRMS Team Agile
AI / IA
Artificial Intelligence
Machine Learning
Réseaux de neurones
Mathématiques appliquées
Deep Learning
Recherche ou Optimisation Opérationnelle
AI / IA
=
marketing
buzz word
trends
RH
POURQUOI MAINTENANT ?
beaucoup (trop?) de données à exploiter
Cookies/logs web
IOT
Digitalisation des métiers
(logistique, médecine, agriculture, droit, commerce etc.)
Technologies matures
BDD
Réseaux (bande passante)
Processing (CPU/GPU/DSP/FPGA)
Cloud
Puissance embarquée (voice recognition android)
Nouveaux use cases
(capteurs, données, réseaux, interactions)
Smart-car/phone/house/building/stuffs...
IA
vs
(big) Data Science
(big) DATA SCIENCE
=
STEP 1 : Cleaner, structurer, formater
STEP 2 : Comprendre
STEP 3 : Apprendre
STEP 4 : Exploiter / Asservir / Evoluer
COMPRENDRE/APPRENDRE
LA DONNEE
=
Option #1 = Modèles, Règles, Formalismes
Option #2 = Abstraction des “règles”, (approche
probabiliste)
Data Science ⇆ IA
Jeux de données importants pour apprentissage
DeepLearning focus sur des données non structurées, difficiles
à modéliser ou tout simplement trop massives
Data Science ≠ IA
Math, Stats
Informatique Appliquées,
Backend, BDD
Math, Probabilites,
Algorithmie
Modélisation, test
“La vie d’un data scientist c’est avant tout de la
recherche, du nettoyage et de la structuration de
données, des interconnections informatiques, et
surtout de rattacher le métier à de la data en entrée et
en sortie”
IA
=
1 - Perception
2 - Pattern recognition
3 - That’s it !
IA
=
1- Perception :
Computer vision, Computer listening
Natural Language Processing (NLgeneration NLrecognition)
2 - Pattern recognition
Marketing predictif (ad tech), Détection de fraude, Maintenance Predictive
3 - That’s it !
IA Exemple
=
SIRI = NLP -> Patterns Recognition (machine learning puis deeplearning) -> NLP
Robotique humanoïde = (Computer Vision + NLP) -> Patterns (règles) -> NLP
Criteo = Patterns Recognition (deeplearning) -> Régles (métiers et machine learning)
a- Identification d’un jeu de données pertinent
b- Préparation du jeu de données (base d’apprentissage qualifiée)
c- Algorithmie et exploitation des données
Similarity
(“corrélation dans des espaces vectoriels compliqués”)
Clustering
Dimension reduction
Structured prediction
Anomaly detection
Neural nets (apprentissage récurrent)
d-Apprentissage
e-Exploitation = Analytics ou opérationnels (asservissements)
“La plupart des projets data et IA sont finalement assez
proches quand on en vient au coeur des algos”
Machine Learning
VS
Deeplearning
=
apprentissage supervisé VS non supervisé
deeplearning plus puissant mais on perd immédiatement le lien
aux règles métiers car la logique devient complètement
abstraite, informatique et probabiliste
Non supervisé = encore très loin (un peu de clustering)
Problématique liés aux projets IA
Quelle base d’apprentissage ?
Quantité de données
Qualité des données
(et surtout qualité de la qualification des datasets de référence)
Datasets classique
(une base d’apprentissage puis prod)
ou Datasets dynamique (apprentissage permanents)
Coût des ressources surtout si grosses base, apprentissage dynamique
et sujets complexes
Problématique liés aux projets IA
Quelle base d’apprentissage ?
La pertinence d’un projet IA (ROI, performance) est fortement liée
à la qualité de la base d’apprentissage
à la qualité des procédures de test/validation
à une approche très silotée/métier/verticale
Siri ne marche pas car le périmètre est trop large
vs
voiture autonome Google = 1,3 Millions de miles
Problématique liés aux projets IA
Pattern recognition et AI
= approche probabiliste et pas déterministe
→ attention aux business cases un peu critique
on ne peut pas “compter” sur une IA autonome pour des process critiques
(même 99% de perf ca fait quand même 1% de n’importe quoi)
par exemple prédire la bonne pub = ok
faire un diagnostic de cancer = ok
Donner l’horaire d’un train = pas ok (1% de fail)
cf image recognition de google ou l’IA de cortana devenue nazie en 24h
Business cases réussi via IA
Détection fraude
AdTech = apprentissage dynamique et patterns → oui top mais ne pas oublier les effets de bords et erreur pas grave sur ces business case (mauvaise
recommandation)
Computer vision = Gafa
NLP = cortana, google , watson
Medtech = énorme bases et jeux de données impossible de raisonner avec une logique donc deeplearning plus efficace (génomique, épidémiologie, diagnostics) →
utilisés comme des assistants et scoring avec une validation finale par des spécialistes. Beaucoup de contre exemple en ce moment
CRM = banque avec Watson → est ce que l’intéret de l’IA est de sortir des bus cases de gros jeux de données pour créer des regles “bêtes” ou faut il vraiment
déléguer à une machine la relation
Par exemple Google Now ou Google Travel ou Citymapper = pas de vraiment de l’IA poussée plus des règles avancées, ils n’ouvrent que des villes qu’ils maitrisent = lien
métier et terrain très fort pour une expérience utilisateur au top
Pitch SF Einstein Découvrez de nouvelles informations - Prévoyez les résultats - Recommandez les meilleures prochaines étapes - Automatisez les tâches
Business cases CRM Einstein = Scoring prédictif, Prédiction, Recommandations
Business cases conversationnels / bots
c’est quoi un bot ?
NLP in et out
Perception (robotique)
Moteur de Règles “simple” algorithmique
Moteur de Similarité/IA (projection de vecteurs sur des espaces vectoriels)
Beaucoup d’UX/UI
A voir
http://franceisai.com/startups/
https://www.quantmetry.com/
Communauté Facebook Apprentissage Profonds
https://www.facebook.com/groups/1038635056179508
https://www.linkedin.com/pulse/some-thoughts-state-future-ai-nikos-paragios?trk=v-feed&lipi=urn%3Ali%3Apage%3Ad_flagship3_profile_view_base_re
cent_activity_details_all%3BcguqImxOXT7iOMszUB%2FivQ%3D%3D
http://www.antidot.net/
http://www.qosmos.com/french/a-propos/
https://www.tinyclues.com/
https://siftscience.com/
http://www.shift-technology.com/
https://www.dataiku.com/
https://www.deepomatic.com/
http://www.airnguru.com/ Yield (aérien) + AI
https://www.dynamicyield.com/

Contenu connexe

Similaire à First step about IA and business

EXTRA-Présentation generale 180923.pptx
EXTRA-Présentation generale 180923.pptxEXTRA-Présentation generale 180923.pptx
EXTRA-Présentation generale 180923.pptx
Infopole1
 
Le Data Engineer qui veut se faire aussi gros que le Data Scientist
Le Data Engineer qui veut se faire aussi gros que le Data ScientistLe Data Engineer qui veut se faire aussi gros que le Data Scientist
Le Data Engineer qui veut se faire aussi gros que le Data Scientist
Bachir Aitmbarek
 
Comment planter son projet data ? Par Thomas GERBAUD PhD OceanData.io
Comment planter son projet data ? Par Thomas GERBAUD PhD OceanData.ioComment planter son projet data ? Par Thomas GERBAUD PhD OceanData.io
Comment planter son projet data ? Par Thomas GERBAUD PhD OceanData.io
Hervé Bourdon
 
Intelligence artificielle : du buzz à la réalité [webinaire]
Intelligence artificielle : du buzz à la réalité [webinaire] Intelligence artificielle : du buzz à la réalité [webinaire]
Intelligence artificielle : du buzz à la réalité [webinaire]
Technologia Formation
 
La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4 La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4
OCTO Technology
 
Big data et assurance
Big data et assuranceBig data et assurance
Big data et assurance
Man Manur
 
La data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeurLa data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeur
Microsoft Ideas
 
Ritme data solutions : Plateforme Data Science COsMO
Ritme data solutions : Plateforme Data Science COsMORitme data solutions : Plateforme Data Science COsMO
Ritme data solutions : Plateforme Data Science COsMO
Aurélien Adamo
 
Intro IA CJD
Intro IA CJDIntro IA CJD
Intro IA CJD
Emmanuel Bonnet
 
Intelligence artificielle, l'avènement du marketing augmenté
Intelligence artificielle, l'avènement du marketing augmentéIntelligence artificielle, l'avènement du marketing augmenté
Intelligence artificielle, l'avènement du marketing augmenté
Frederic CAVAZZA
 
Comment faire parler les data des candidats ?
Comment faire parler les data des candidats ?Comment faire parler les data des candidats ?
Comment faire parler les data des candidats ?
Jeremy Greze
 
Comprenez-vous l’intelligence artificielle ?
Comprenez-vous l’intelligence artificielle ?Comprenez-vous l’intelligence artificielle ?
Comprenez-vous l’intelligence artificielle ?
BigBrain Evolution
 
Valtech - Big Data : Détails d’une mise en œuvre
Valtech - Big Data : Détails d’une mise en œuvreValtech - Big Data : Détails d’une mise en œuvre
Valtech - Big Data : Détails d’une mise en œuvre
Valtech
 
Démystifions le machine learning avec spark par David Martin pour le Salon B...
Démystifions le machine learning avec spark par David Martin pour le Salon B...Démystifions le machine learning avec spark par David Martin pour le Salon B...
Démystifions le machine learning avec spark par David Martin pour le Salon B...
Ippon
 
Introduction au Machine Learning
Introduction au Machine Learning Introduction au Machine Learning
Introduction au Machine Learning
Novagen Conseil
 
Offre onepoint - Data science et big data
Offre onepoint  - Data science et big data Offre onepoint  - Data science et big data
Offre onepoint - Data science et big data
GroupeONEPOINT
 
Intelligence Artificielle - Journée MEDEF & AFIA
Intelligence Artificielle - Journée MEDEF & AFIAIntelligence Artificielle - Journée MEDEF & AFIA
Intelligence Artificielle - Journée MEDEF & AFIA
Yves Caseau
 
[Infographie] Le métier de Data scientist
[Infographie] Le métier de Data scientist [Infographie] Le métier de Data scientist
[Infographie] Le métier de Data scientist
Michael Page
 
Présentation OCARA
Présentation OCARAPrésentation OCARA
Présentation OCARA
Michel Lalieu
 
Microsoft - La Transformation Big Data
Microsoft - La Transformation Big DataMicrosoft - La Transformation Big Data
Microsoft - La Transformation Big Data
Valtech
 

Similaire à First step about IA and business (20)

EXTRA-Présentation generale 180923.pptx
EXTRA-Présentation generale 180923.pptxEXTRA-Présentation generale 180923.pptx
EXTRA-Présentation generale 180923.pptx
 
Le Data Engineer qui veut se faire aussi gros que le Data Scientist
Le Data Engineer qui veut se faire aussi gros que le Data ScientistLe Data Engineer qui veut se faire aussi gros que le Data Scientist
Le Data Engineer qui veut se faire aussi gros que le Data Scientist
 
Comment planter son projet data ? Par Thomas GERBAUD PhD OceanData.io
Comment planter son projet data ? Par Thomas GERBAUD PhD OceanData.ioComment planter son projet data ? Par Thomas GERBAUD PhD OceanData.io
Comment planter son projet data ? Par Thomas GERBAUD PhD OceanData.io
 
Intelligence artificielle : du buzz à la réalité [webinaire]
Intelligence artificielle : du buzz à la réalité [webinaire] Intelligence artificielle : du buzz à la réalité [webinaire]
Intelligence artificielle : du buzz à la réalité [webinaire]
 
La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4 La Banque de demain : Chapitre 4
La Banque de demain : Chapitre 4
 
Big data et assurance
Big data et assuranceBig data et assurance
Big data et assurance
 
La data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeurLa data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeur
 
Ritme data solutions : Plateforme Data Science COsMO
Ritme data solutions : Plateforme Data Science COsMORitme data solutions : Plateforme Data Science COsMO
Ritme data solutions : Plateforme Data Science COsMO
 
Intro IA CJD
Intro IA CJDIntro IA CJD
Intro IA CJD
 
Intelligence artificielle, l'avènement du marketing augmenté
Intelligence artificielle, l'avènement du marketing augmentéIntelligence artificielle, l'avènement du marketing augmenté
Intelligence artificielle, l'avènement du marketing augmenté
 
Comment faire parler les data des candidats ?
Comment faire parler les data des candidats ?Comment faire parler les data des candidats ?
Comment faire parler les data des candidats ?
 
Comprenez-vous l’intelligence artificielle ?
Comprenez-vous l’intelligence artificielle ?Comprenez-vous l’intelligence artificielle ?
Comprenez-vous l’intelligence artificielle ?
 
Valtech - Big Data : Détails d’une mise en œuvre
Valtech - Big Data : Détails d’une mise en œuvreValtech - Big Data : Détails d’une mise en œuvre
Valtech - Big Data : Détails d’une mise en œuvre
 
Démystifions le machine learning avec spark par David Martin pour le Salon B...
Démystifions le machine learning avec spark par David Martin pour le Salon B...Démystifions le machine learning avec spark par David Martin pour le Salon B...
Démystifions le machine learning avec spark par David Martin pour le Salon B...
 
Introduction au Machine Learning
Introduction au Machine Learning Introduction au Machine Learning
Introduction au Machine Learning
 
Offre onepoint - Data science et big data
Offre onepoint  - Data science et big data Offre onepoint  - Data science et big data
Offre onepoint - Data science et big data
 
Intelligence Artificielle - Journée MEDEF & AFIA
Intelligence Artificielle - Journée MEDEF & AFIAIntelligence Artificielle - Journée MEDEF & AFIA
Intelligence Artificielle - Journée MEDEF & AFIA
 
[Infographie] Le métier de Data scientist
[Infographie] Le métier de Data scientist [Infographie] Le métier de Data scientist
[Infographie] Le métier de Data scientist
 
Présentation OCARA
Présentation OCARAPrésentation OCARA
Présentation OCARA
 
Microsoft - La Transformation Big Data
Microsoft - La Transformation Big DataMicrosoft - La Transformation Big Data
Microsoft - La Transformation Big Data
 

Plus de David Argellies

FORMATION GO TO MARKET
FORMATION GO TO MARKETFORMATION GO TO MARKET
FORMATION GO TO MARKET
David Argellies
 
Construire un business model / doctoriale 2016
Construire un business model / doctoriale 2016Construire un business model / doctoriale 2016
Construire un business model / doctoriale 2016
David Argellies
 
Pres epitech david argellies
Pres epitech david argelliesPres epitech david argellies
Pres epitech david argellies
David Argellies
 
Formation google apps
Formation google appsFormation google apps
Formation google apps
David Argellies
 
Business model canvas
Business model canvasBusiness model canvas
Business model canvas
David Argellies
 
Feedbacks DOs/DONTs for tech startups
Feedbacks DOs/DONTs for tech startups Feedbacks DOs/DONTs for tech startups
Feedbacks DOs/DONTs for tech startups
David Argellies
 
Cours iren 2015 s1a intro diffusable
Cours iren 2015 s1a intro diffusableCours iren 2015 s1a intro diffusable
Cours iren 2015 s1a intro diffusable
David Argellies
 

Plus de David Argellies (7)

FORMATION GO TO MARKET
FORMATION GO TO MARKETFORMATION GO TO MARKET
FORMATION GO TO MARKET
 
Construire un business model / doctoriale 2016
Construire un business model / doctoriale 2016Construire un business model / doctoriale 2016
Construire un business model / doctoriale 2016
 
Pres epitech david argellies
Pres epitech david argelliesPres epitech david argellies
Pres epitech david argellies
 
Formation google apps
Formation google appsFormation google apps
Formation google apps
 
Business model canvas
Business model canvasBusiness model canvas
Business model canvas
 
Feedbacks DOs/DONTs for tech startups
Feedbacks DOs/DONTs for tech startups Feedbacks DOs/DONTs for tech startups
Feedbacks DOs/DONTs for tech startups
 
Cours iren 2015 s1a intro diffusable
Cours iren 2015 s1a intro diffusableCours iren 2015 s1a intro diffusable
Cours iren 2015 s1a intro diffusable
 

First step about IA and business

  • 2. AI / IA Artificial Intelligence Machine Learning Réseaux de neurones Mathématiques appliquées Deep Learning Recherche ou Optimisation Opérationnelle
  • 3.
  • 4. AI / IA = marketing buzz word trends RH
  • 5. POURQUOI MAINTENANT ? beaucoup (trop?) de données à exploiter Cookies/logs web IOT Digitalisation des métiers (logistique, médecine, agriculture, droit, commerce etc.) Technologies matures BDD Réseaux (bande passante) Processing (CPU/GPU/DSP/FPGA) Cloud Puissance embarquée (voice recognition android) Nouveaux use cases (capteurs, données, réseaux, interactions) Smart-car/phone/house/building/stuffs...
  • 7. (big) DATA SCIENCE = STEP 1 : Cleaner, structurer, formater STEP 2 : Comprendre STEP 3 : Apprendre STEP 4 : Exploiter / Asservir / Evoluer
  • 8. COMPRENDRE/APPRENDRE LA DONNEE = Option #1 = Modèles, Règles, Formalismes Option #2 = Abstraction des “règles”, (approche probabiliste)
  • 9. Data Science ⇆ IA Jeux de données importants pour apprentissage DeepLearning focus sur des données non structurées, difficiles à modéliser ou tout simplement trop massives Data Science ≠ IA Math, Stats Informatique Appliquées, Backend, BDD Math, Probabilites, Algorithmie Modélisation, test
  • 10. “La vie d’un data scientist c’est avant tout de la recherche, du nettoyage et de la structuration de données, des interconnections informatiques, et surtout de rattacher le métier à de la data en entrée et en sortie”
  • 11. IA = 1 - Perception 2 - Pattern recognition 3 - That’s it !
  • 12. IA = 1- Perception : Computer vision, Computer listening Natural Language Processing (NLgeneration NLrecognition) 2 - Pattern recognition Marketing predictif (ad tech), Détection de fraude, Maintenance Predictive 3 - That’s it !
  • 13. IA Exemple = SIRI = NLP -> Patterns Recognition (machine learning puis deeplearning) -> NLP Robotique humanoïde = (Computer Vision + NLP) -> Patterns (règles) -> NLP Criteo = Patterns Recognition (deeplearning) -> Régles (métiers et machine learning)
  • 14. a- Identification d’un jeu de données pertinent b- Préparation du jeu de données (base d’apprentissage qualifiée) c- Algorithmie et exploitation des données Similarity (“corrélation dans des espaces vectoriels compliqués”) Clustering Dimension reduction Structured prediction Anomaly detection Neural nets (apprentissage récurrent) d-Apprentissage e-Exploitation = Analytics ou opérationnels (asservissements) “La plupart des projets data et IA sont finalement assez proches quand on en vient au coeur des algos”
  • 15. Machine Learning VS Deeplearning = apprentissage supervisé VS non supervisé deeplearning plus puissant mais on perd immédiatement le lien aux règles métiers car la logique devient complètement abstraite, informatique et probabiliste Non supervisé = encore très loin (un peu de clustering)
  • 16. Problématique liés aux projets IA Quelle base d’apprentissage ? Quantité de données Qualité des données (et surtout qualité de la qualification des datasets de référence) Datasets classique (une base d’apprentissage puis prod) ou Datasets dynamique (apprentissage permanents) Coût des ressources surtout si grosses base, apprentissage dynamique et sujets complexes
  • 17. Problématique liés aux projets IA Quelle base d’apprentissage ? La pertinence d’un projet IA (ROI, performance) est fortement liée à la qualité de la base d’apprentissage à la qualité des procédures de test/validation à une approche très silotée/métier/verticale Siri ne marche pas car le périmètre est trop large vs voiture autonome Google = 1,3 Millions de miles
  • 18. Problématique liés aux projets IA Pattern recognition et AI = approche probabiliste et pas déterministe → attention aux business cases un peu critique on ne peut pas “compter” sur une IA autonome pour des process critiques (même 99% de perf ca fait quand même 1% de n’importe quoi) par exemple prédire la bonne pub = ok faire un diagnostic de cancer = ok Donner l’horaire d’un train = pas ok (1% de fail) cf image recognition de google ou l’IA de cortana devenue nazie en 24h
  • 19. Business cases réussi via IA Détection fraude AdTech = apprentissage dynamique et patterns → oui top mais ne pas oublier les effets de bords et erreur pas grave sur ces business case (mauvaise recommandation) Computer vision = Gafa NLP = cortana, google , watson Medtech = énorme bases et jeux de données impossible de raisonner avec une logique donc deeplearning plus efficace (génomique, épidémiologie, diagnostics) → utilisés comme des assistants et scoring avec une validation finale par des spécialistes. Beaucoup de contre exemple en ce moment CRM = banque avec Watson → est ce que l’intéret de l’IA est de sortir des bus cases de gros jeux de données pour créer des regles “bêtes” ou faut il vraiment déléguer à une machine la relation Par exemple Google Now ou Google Travel ou Citymapper = pas de vraiment de l’IA poussée plus des règles avancées, ils n’ouvrent que des villes qu’ils maitrisent = lien métier et terrain très fort pour une expérience utilisateur au top Pitch SF Einstein Découvrez de nouvelles informations - Prévoyez les résultats - Recommandez les meilleures prochaines étapes - Automatisez les tâches Business cases CRM Einstein = Scoring prédictif, Prédiction, Recommandations
  • 20. Business cases conversationnels / bots c’est quoi un bot ? NLP in et out Perception (robotique) Moteur de Règles “simple” algorithmique Moteur de Similarité/IA (projection de vecteurs sur des espaces vectoriels) Beaucoup d’UX/UI
  • 21. A voir http://franceisai.com/startups/ https://www.quantmetry.com/ Communauté Facebook Apprentissage Profonds https://www.facebook.com/groups/1038635056179508 https://www.linkedin.com/pulse/some-thoughts-state-future-ai-nikos-paragios?trk=v-feed&lipi=urn%3Ali%3Apage%3Ad_flagship3_profile_view_base_re cent_activity_details_all%3BcguqImxOXT7iOMszUB%2FivQ%3D%3D http://www.antidot.net/ http://www.qosmos.com/french/a-propos/ https://www.tinyclues.com/ https://siftscience.com/ http://www.shift-technology.com/ https://www.dataiku.com/ https://www.deepomatic.com/ http://www.airnguru.com/ Yield (aérien) + AI https://www.dynamicyield.com/