Introduction À L'intelligence Artificielle - Session 3

Introduction à
l’intelligence artificielle
Concepts clés et mise en pratique pour
profils business
Session 3
Le 29 novembre 2021
Concepts et use cases par séance
Machine & Deep Natural Language

Introduction à l’IA Algorithmes et outils
Learning Processing
Concepts Concepts Concepts Concepts

✓ Définition de l’IA ✓ Machine Learning ✓ Natural language ✓ Nettoyage
✓ Exemples d’IA dans notre ✓ Deep Learning processing (NLP) ✓ Algorithms
quotidien ✓ Supervised Learning ✓ Définition et valeur ajoutée ✓ Evaluation
✓ Types d’IA et lien entre les ✓ Unsupervised Learning ✓ Python comme code de
différents concepts ✓ Reinformcement Learning colle
✓ L’histoire de l’IA ✓ Vision par ordinateur
✓ L’impact de l’IA sur le
marché de l’emploi
Cas d'utilisation Cas d'utilisation Cas d'utilisation Cas d'utilisation

La transparence de l’IA ✓ Moteur de recommandation ✓ Customer Inbound handling ✓ Type d’outils
(par exemple Microsoft) ✓ Chatbots
✓ Faire correspondre le CV à ✓ Voicebots
l'offre d'emploi ✓ Intelligent Search
✓ Détection des fraudes ✓ E-mail categorization
✓ Customer feedback
categorization
✓ Data extraction
Exercices en continu (par ex.: AI Value Canvas, QCM, matching de technologie au cas d’usage, implémentation d’un projet d’IA)
© REIMAGINE 2021 2
Semaine 1 Semaine 2 Semaine 3 Semaine 4
Lun. Mar. Mer. Jeu. Ven. Lun. Mar. Mer. Jeu. Ven. Lun. Mar. Mer. Jeu. Ven. Lun. Mar. Mer. Jeu. Ven.
Introduction à
l’intelligence artificielle
Machine & Deep

Learning
Natural Language
Processing
Algorithmes et
outils
✓ Afin de garder une trajectoire d’apprentissage continue, nous suivrons une séance interactive de “théorie” chaque lundi et une séance de “coaching” par
groupe chaque jeudi.
✓ Une série d’exercices à réaliser par soi-même ou en groupe seront donnés après chaque séance interactive de “théorie”.
✓ Du feedback et des questions-réponses seront prévus lors de chaque séance de “coaching”.
© REIMAGINE 2021 3
L'agenda du jour
✓ NLP
✓ Méthodologie de mise
en œuvre de l’IA
✓ Stratégie commerciale
✓ Acheter ou construire
✓ IA Value Canvas
© REIMAGINE 2021 4
Différences entre l'IA, l'apprentissage automatique et l'apprentissage approfondi
Artificial Intelligence (AI) La capacité d'un programme informatique ou d'une

machine à imiter le comportement cognitif humain
Sous-ensemble d'IA utilisant des techniques statistiques pour donner aux

ordinateurs la capacité d'apprendre à partir d'exemples (données) sans être
explicitement programmés. Utilisé pour reconnaître automatiquement des
Machine Learning (ML) modèles et prendre des décisions ou faire des prédictions (par exemple,
classification des courriers électroniques, détection des fraudes,
compréhension du langage naturel,...)
Sous-ensemble de ML et nom de marque pour les réseaux de neurones qui ne sont

Deep Learning rien d'autre que de grandes équations mathématiques. Les réseaux neuronaux ont
(DL) été inspirés par le cerveau, mais leur fonctionnement interne n'a pratiquement
aucun rapport avec le fonctionnement réel du cerveau.
© REIMAGINE 2021 5
01
Domaines clés
de l'IA
© REIMAGINE 2021 6
Trois domaines de l'IA se généralisent en 2019 - 2020
Machine & Natural Language

Deep Learning Processing
Vision par
ordinateur
© REIMAGINE 2021 7
Définition
Les services de Machine / Deep Learning
Machine & Natural Language consistent à développer des algorithmes qui
Deep Learning Processing peuvent apprendre de manière adaptative à
partir de données sans s'appuyer sur une
programmation basée sur des règles.
Exemples de cas :
1. Faire correspondre le CV avec l'offre
Vision par d'emploi
ordinateutr 2. Détection des fraudes
© REIMAGINE 2021 8
Définition
La vision par ordinateur se concentre sur
Machine & Natural Language l'interprétation des images et l'exécution
Deep Learning Processing ultérieure de l'analyse ou de l'action
appropriée.
Exemples de cas :
1. Baidu : soutenir les personnes aveugles
2. Suivi des personnes et reconnaissance des
Vision par sentiments
ordinateur 3. Plantation de plantes avec des robots
4. Expertise basée sur l'image
© REIMAGINE 2021 9
Machine & Natural Language

Deep Learning Processing
Vision par
ordinateur
© REIMAGINE 2021 10
Définition
Le NLP se concentre sur l'interaction linguistique
Machine & Natural Language entre les ordinateurs et les humains. Nous
Deep Learning Processing utilisons les techniques de NLP pour nous aider à
extraire le sens de phrases parlées ou tapées en
langage naturel (Natural Language
Understanding) ou à convertir des données en
récits et rapports en langage naturel (Natural
Language Generation).
Cas d’exemples:
Computer
1. Traitement des clients entrants
Vision
2. Chatbots
3. Voicebots
4. Recherche intelligente
5. Catégorisation du courrier électronique
6. Catégorisation des commentaires des clients
7. Extraction des données
Natural Language Processing: Introduction
Le traitement du langage naturel se concentre sur l'utilisation des langues humaines naturelles dans l'interaction entre
les personnes et les ordinateurs, les ordinateurs s'adaptant aux humains et non l'inverse.
Natural Language Processing (NLP) Exemples de processus du NLP

"L'utilisation des langues humaines naturelles dans Le NLP peut être utilisée de différentes manières
l'interaction entre les personnes et les ordinateurs" pour générer de la valeur commerciale
Classification
Extraction Réponses aux
des textes
d'informations questions
Natural Language Comprehension (catégorisation)
Récupération de Analyse du
"Extraire le sens des phrases parlées ou tapées en documents sentiment
Speech langage naturel".
recognition
(speech-to-text)
Natural
Traduction
Résumé de texte Language
Natural Language Generation automatique
Generation
Speech "Exprimer une représentation formelle d'un message Réponses aux

recognition
dans une langue naturelle (humaine)" questions
(Text-to-speech)
Natural Language Processing: Introduction
Le traitement du langage naturel peut être utilisé de différentes manières pour générer de la valeur
commerciale
Natural Language Comprehension Natural Language Generation
Extraction d'informations Résumé du texte

➔ Trouver et récupérer des données prédéfinies dans des documents en ➔ Raccourcir et résumer les documents en langue naturelle.
texte libre non structurés ➔ Par exemple, les résumés d'articles de presse, les résumés d'e-mails
➔ Par ex, extraire des rapports les revenus, les bénéfices, les membres du
conseil d'administration, etc. Traduction automatique
➔ Traduire automatiquement un texte d'une langue naturelle à une autre.
Classification des textes (catégorisation)
➔ Par exemple, le traducteur de Google, le traducteur de Microsoft
➔ Classer les documents en langue naturelle dans une ou plusieurs
classes en fonction du ou des thèmes clés de chaque document
➔ Par ex., l'acheminement du courrier électronique, le filtrage du spam
Natural Language Generation
➔ Produire un texte en langage naturel à partir de données d'entrée déjà
Réponses aux questions interprétées
➔ Répondre automatiquement aux questions posées par les humains en ➔ Par exemple, la génération automatique de rapports financiers en
langage naturel langage naturel
➔ E.g. Par exemple, le traitement du courrier électronique
Récupération de documents
➔ Renvoyer les documents pertinents en réponse à une demande de l'utilisateur
➔ Par exemple, les moteurs de recherche, les requêtes des bibliothèques
numériques
Analyse du sentiment
➔ Identifier le ton de la voix dans un document en langue naturelle
➔ Par exemple, définir le sentiment dans les réponses aux enquêtes, les
courriels, les messages sur les médias sociaux
Traitement du langage naturel : Cas d'utilisation
3
Natural Language Processing – Example 4
Intelligent Search with no need for tagging the content in your

database
Database with different sets of documents Feed them to a search algorithm using an API Get the relevant document
SET 1
Query the
DB
Desired document
algorithm
SET 2
Data can be processed without human interference.

The algorithm will define correlations between and metadata of the documents
itself.
3
Natural Language Processing – Example 1
Combine Live Chat agents (incl.
Phone call video chat) with AI driven chat- or
voicebots to optimize customer
support
Digital self-service
E-mail
Simple
reques
ts
Chat
RPA
Compl
AI engine ex
reques
Customer Video Chat ts
Social media Human agent
14
3 Natural Language Processing – Exemple 1

Combine Live Chat agents (incl.
Appel video chat) with AI driven chat- or
téléphonique voicebots to optimize customer
support
Digital self-service
Courrier
électronique Simple
requests
Chat
RPA
Complex
AI engine requests
Customer Video Chat
Social media Human agent
Caractéristiques
• Langue familière flamande

• Phonèmes en dialecte
• Discours spontané
• Discours continu
• Bruit de fond
Courriers électroniquesE-MAIL
CUSTOMER entrants Un assistant de courrier électronique intelligent Bureau de service
suivi manuel
Classification, Extraction Catégories d'e-mail

d'informations, Analyse des Liste structurée de données
sentiments E-mail sentiment

Exemple
Le formulaire européen d'accident est rempli après un accident de voiture

Entrée Sortie
Extraction automatique des données
En utilisant les technologies suivantes, les données

peuvent être extraites automatiquement :
• Deep Learning
• OCR and ICR
• Fuzzy matching
Cela permet un traitement automatique et une orientation

rapide vers l'atelier de carrosserie pour réparation.
Stratégie commerciale
Avantage stratégique
Unicité du produit /
Faible coût service
(à l'échelle de
l'industrie)
Large
Trouvez une
Cible/marché stratégique
Stratégie de Stratégie de
leadership en différenciation stratégie d'IA
matière de coûts qui
correspond à
votre
(segment de marché)
stratégie
d'entreprise
Étroite
Stratégie ciblée Stratégie de

(faible coût) ciblage
(différenciation)
Méthodologie de mise en œuvre de l'AI
Avec Reimagine, nous suivons une méthodologie qui

s'inspire de celle de CRISP DM.
CRISP DM signifie Cross-Industry Standard Process for

Data Mining, une approche étape par étape pour le
lancement d'un projet d'exploration de données.
CRISP DM a été créé à la fin des années 1990, avant

l'essor actuel des investissements dans l'IA. CRISP DM
n'est donc pas spécifique à l'IA et il lui manque certains
détails sur l'IA.
C'est pourquoi, chez Reimagine, nous avons complété la

méthodologie avec des composants tels que Agile et les
meilleures pratiques des implémentations d'IA en
production, les approches de formation au modèle de ML
et l'évaluation du modèle de ML.
AI Delivery methodology
The Workflow
AI Delivery methodology
L'équipe IA
Expert Business
•
•
Comprend le problème des entreprises
Comprend les sources de données liées au
Data Engineer
problème des entreprises • Collecte de données
• Interprète le résultat dans le contexte commercial provenant de différentes
sources
• Organise les données
• Entretient la base de données
Ingénieur logiciel
• Mettre en œuvre le résultat
• Déploiement des modèles d'I.A.
• Conçoit l'interface utilisateur
Data Scientist
• Construit des modèles d'I.A.
• Traite les données
• Évalue les modèles d'I.A.
Acheter ou construire
Dilemme : faut-il acheter ou construire ?

Deux grands défis :
1. Vous devez décider comment sélectionner et travailler avec les fournisseurs d'IA à la fois efficacement et de
manière à renforcer plutôt qu'à sacrifier l'avantage concurrentiel.
2. Vous devez disposer d'un plan pour renforcer vos capacités d'IA internes à une époque de pénurie à court terme
Vendeurs d'IA Besoin de

données
Avoir du talent
en matière d'IA
Comment collaborer ?
Entreprises Besoin de talents
en IA
Disposer de
données
Dilemme : faut-il acheter ou construire ?
Les entreprises peuvent travailler avec les fournisseurs

d'IA de plusieurs façons :
• externalisation d'un processus complet d'achat de
services sélectionnés
• chercher de l'aide pour élaborer des solutions
internes
• la formation du personnel interne
Les options peuvent être envisagées à la lumière de

deux questions :
1. Quelle est la valeur potentielle du processus p/r à
vos concurrents?
2. Quelle est la force de votre propriété, de votre
contrôle ou de votre accès à des données uniques
de haute qualité, par rapport aux vendeurs d'IA ?
Si vous gérez correctement vos relations avec les

fournisseurs, vous pouvez réduire les coûts et améliorer
les performances de processus tels que les RH, les
finances, l'infrastructure informatique et la maintenance.
Parfois, vous (en tant qu'entreprise) avez accès à des

sources de données dans des domaines qui ne sont pas
essentiels à l'avantage concurrentiel. Ces sources de
données vous permettent d'exploiter l'expertise
technologique des fournisseurs d'IA et de générer des
gains rapides et des informations.
Les zones de danger présentent à la fois des dangers et

des opportunités : Périls :
1. les fournisseurs ont un meilleur accès aux données
que votre entreprise dans les zones stratégiquement
critiques. Lorsque vous vous trouvez dans une zone
de danger, vous devez veiller à limiter votre
dépendance vis-à-vis du fournisseur et à minimiser la
perte éventuelle de différenciation concurrentielle.
2. Mais si vous pouvez bien gérer la relation et
développer ou acquérir vos propres sources de
données concurrentielles, les zones dangereuses
peuvent se transformer en mines d'or - des zones de
forte importance concurrentielle et de différenciation
des données.
Buy or build
Vous devez faire l'IA vous-même quand vous avez une

mine d'or. On peut faire appel à des vendeurs et à des
experts pour accélérer le développement, mais
uniquement dans des rôles de soutien.
Définir le problème Collecte de données
Qui sont les parties prenantes ? Quelle technologie voulez- Que voulez-vous obtenir avec Quel type de données de formation Quelle quantité de données de
vous utiliser ? (PNL, l'IA ? est nécessaire pour former le modèle formation est nécessaire pour
Robotique, etc.) ? former le modèle ?
Que devrait prévoir le modèle ? Qui utilisera le modèle ? Quel doit être le rendement du
modèle ?
AI Booster Program AI Booster Program
Les données relatives à la formation sont-elles déjà disponibles dans l'entreprise ?
Si ce n'est pas le cas : quelles mesures faut-il prendre pour obtenir ces données ?
Quelles actions manuelles le Quelle est la valeur d'avoir Quel est le coût d'une
modèle remplacera-t-il ? raison (gain commercial) mauvaise prédiction ?
Evaluation
Comment mesurer la qualité d'une prédiction donnée ? Comment et par qui votre modèle sera-t-il testé sur le terrain ?
AI Booster Program
Définir le problème
Qui sont les parties prenantes ? Quelle technologie voulez-vous utiliser Que voulez-vous obtenir avec l'IA ?
? (NLP, Robotique, etc.)
Que devrait prévoir le modèle ? Qui utilisera le modèle ? Quel doit être le rendement du modèle ?
AI Booster Program
Quelles actions manuelles le modèle Quelle est la valeur d'avoir raison (gain Quel est le coût d'une mauvaise
remplacera-t-il ? commercial) prédiction ?
Collecte de données
Quel type de données de formation est nécessaire pour former le modèle ? Quelle quantité de données de formation est nécessaire pour former le
modèle ?
AI Booster Program
Les données relatives à la formation sont-elles déjà accessibles dans l'entreprise ? Si non : quelles actions doivent être entreprises pour obtenir les données ?
Évaluation
Comment mesurer la qualité d'une prédiction donnée ? Comment et par qui votre modèle sera-t-il testé sur le terrain ?
AI Booster Program
Data Landscape : meilleures pratiques pour la collecte de données
Étiquetage des données de flux de travail

Les données de
formation que le modèle
comprend sont
étiquetées
automatiquement
Le modèle
Les données relatives d'apprentissage est Un ensemble de
à la formation initiale formé à partir de données précises sur
sont étiquetées par données étiquetées par la formation est prêt
l'entreprise l'homme à être utilisé
Les données
ambiguës sont
envoyées à des
Employés de l'entreprise, étiqueteurs humains
prestataires de services, pour être annotées
employés ...
Les étiquettes
humaines annotent
les données
ambiguës
Paysage de données : Nettoyage de données textuelles pour
les besoins de la NLP
Reimagine est une société basée à Bruxelles qui soutient les
organisations dans leur transformation numérique.
Tokenisation
[‘Reimagine', 'is', 'a', 'Brussels', 'based', 'company', 'that', 'supports',
'organizations', 'in', 'their', 'digital', 'transformation', '.] Removing
stopwords and
["Reimagine", "Bruxelles", "basé", "entreprise", "supports", "organisations", punctuation
"numérique", "transformation"]
Lower casing
['reimagine', 'brussels', 'based', 'company', 'supports', 'organizations',
'digital', 'transformation']
[reimagin', 'brussels', 'base', 'compani', 'support', 'organ', 'digit', ['reimagine', 'brussels', 'based', 'company', 'support', 'organization',
'transform'] 'digital', 'transformation']
Machine and Deep Learning: Transfer Learning
L'apprentissage par transfert est une méthode d'apprentissage automatique dans laquelle un modèle formé pour une
tâche est réutilisé comme point de départ pour un modèle formé pour une autre tâche, souvent plus spécifique. De
cette façon, les connaissances sur un ensemble de données spécifique sont transférées à un autre modèle, qui utilise
ces connaissances pour résoudre une tâche connexe. ~ L'être humain utilise et transfère ses connaissances des
domaines précédemment appris vers des domaines et des tâches plus récents (par exemple : connaissance des
statistiques et de l'algèbre linéaire pour apprendre l'apprentissage automatique, connaissance de la conduite).
Très populaire dans le domaine de l'apprentissage approfondi, en particulier la vision par ordinateur et le traitement du
langage naturel :
• Réduire le temps de calcul
Il n'y a aucune raison de ne pas l'utiliser !
• Surmonter les problèmes de rareté des données
• Permettre au modèle de mieux se généraliser
Domaine d'entrée
Transfer Learning
Data Learning Task 1
Knowledge
Domaine cible Data Learning Task 2

Introduction À L'intelligence Artificielle - Session 3

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Introduction À L'intelligence Artificielle - Session 3

Transféré par

Droits d'auteur :

Formats disponibles

Introduction à

Machine & Deep Natural Language

Concepts Concepts Concepts Concepts

Cas d'utilisation Cas d'utilisation Cas d'utilisation Cas d'utilisation

Machine & Deep

Artificial Intelligence (AI) La capacité d'un programme informatique ou d'une

Sous-ensemble d'IA utilisant des techniques statistiques pour donner aux

Sous-ensemble de ML et nom de marque pour les réseaux de neurones qui ne sont

Machine & Natural Language

Machine & Natural Language

Natural Language Processing (NLP) Exemples de processus du NLP

Speech "Exprimer une représentation formelle d'un message Réponses aux

Extraction d'informations Résumé du texte

Intelligent Search with no need for tagging the content in your

Data can be processed without human interference.

Social media Human agent

3 Natural Language Processing – Exemple 1

Social media Human agent

3 Natural Language Processing – Exemple 2

3 Natural Language Processing – Exemple 2

3 Natural Language Processing – Exemple 2

3 Natural Language Processing – Exemple 2

3 Natural Language Processing – Exemple 2

3 Natural Language Processing – Exemple 3

3 Natural Language Processing – Exemple 3

• Langue familière flamande

3 Natural Language Processing – Exemple 4

3 Natural Language Processing – Exemple 5

Classification, Extraction Catégories d'e-mail

3 Natural Language Processing – Exemple 6

Le formulaire européen d'accident est rempli après un accident de voiture

Extraction automatique des données

En utilisant les technologies suivantes, les données

Cela permet un traitement automatique et une orientation

Stratégie ciblée Stratégie de

Avec Reimagine, nous suivons une méthodologie qui

CRISP DM signifie Cross-Industry Standard Process for

CRISP DM a été créé à la fin des années 1990, avant

C'est pourquoi, chez Reimagine, nous avons complété la

Dilemme : faut-il acheter ou construire ?

Vendeurs d'IA Besoin de

Dilemme : faut-il acheter ou construire ?

Les entreprises peuvent travailler avec les fournisseurs

Les options peuvent être envisagées à la lumière de

Si vous gérez correctement vos relations avec les

Parfois, vous (en tant qu'entreprise) avez accès à des

Les zones de danger présentent à la fois des dangers et

Vous devez faire l'IA vous-même quand vous avez une

Étiquetage des données de flux de travail

Domaine cible Data Learning Task 2

Vous aimerez peut-être aussi