Vous êtes sur la page 1sur 42

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
Trois domaines de l'IA se généralisent en 2019 - 2020

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
Trois domaines de l'IA se généralisent en 2019 - 2020

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
Trois domaines de l'IA se généralisent en 2019 - 2020

Machine & Natural Language


Deep Learning Processing

Vision par
ordinateur

© REIMAGINE 2021 10
Trois domaines de l'IA se généralisent en 2019 - 2020

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

© REIMAGINE 2021 11
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)

© REIMAGINE 2021 12
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
© REIMAGINE 2021 13
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

© REIMAGINE 2021 14
Traitement du langage naturel : Cas d'utilisation

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

© REIMAGINE 2021 15
Traitement du langage naturel : Cas d'utilisation

3 Natural Language Processing – Exemple 2

© REIMAGINE 2021 16
Traitement du langage naturel : Cas d'utilisation

3 Natural Language Processing – Exemple 2

© REIMAGINE 2021 17
Traitement du langage naturel : Cas d'utilisation

3 Natural Language Processing – Exemple 2

© REIMAGINE 2021 18
Traitement du langage naturel : Cas d'utilisation

3 Natural Language Processing – Exemple 2

© REIMAGINE 2021 19
Traitement du langage naturel : Cas d'utilisation

3 Natural Language Processing – Exemple 2

© REIMAGINE 2021 20
Traitement du langage naturel : Cas d'utilisation

3 Natural Language Processing – Exemple 3

© REIMAGINE 2021 21
Traitement du langage naturel : Cas d'utilisation

3 Natural Language Processing – Exemple 3

Caractéristiques

• Langue familière flamande


• Phonèmes en dialecte
• Discours spontané
• Discours continu
• Bruit de fond

© REIMAGINE 2021 22
Traitement du langage naturel : Cas d'utilisation

3 Natural Language Processing – Exemple 4

© REIMAGINE 2021 24
Traitement du langage naturel : Cas d'utilisation

3 Natural Language Processing – Exemple 5

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

© REIMAGINE 2021 25
Traitement du langage naturel : Cas d'utilisation

3 Natural Language Processing – Exemple 6


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.

© REIMAGINE 2021 26
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)

© REIMAGINE 2021 27
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.

© REIMAGINE 2021 28
AI Delivery methodology
The Workflow

© REIMAGINE 2021 29
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.

© REIMAGINE 2021 30
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

© REIMAGINE 2021 31
Acheter ou construire

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 ?

© REIMAGINE 2021 32
Acheter ou construire

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.

© REIMAGINE 2021 33
Acheter ou construire

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.
© REIMAGINE 2021 34
Acheter ou construire

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.

© REIMAGINE 2021 35
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.

© REIMAGINE 2021 36
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

© REIMAGINE 2021 37
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 ?

© REIMAGINE 2021 38
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 ?

© REIMAGINE 2021 39
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

© REIMAGINE 2021 40
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

© REIMAGINE 2021 41
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']

© REIMAGINE 2021 42
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

© REIMAGINE 2021 43

Vous aimerez peut-être aussi