Le document aborde le machine learning, en mettant en évidence ses applications pour résoudre divers problèmes liés à l'environnement commercial, à la compréhension des données et à l'optimisation des processus. Il détaille des cas d'utilisation tels que la prédiction de la valeur client, l'analyse prédictive et le traitement du langage naturel. Enfin, il souligne l'importance de gérer les projets de données comme des startups pour maximiser la valeur tirée de ces technologies.

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

9. Les champs d’application

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

18. Intelligence Artificielle
Deep Learning

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

23. Réaliser
son propre projet

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