/expertises
Machine Learning
L’apprentissage automatique au service de vos décisions
Le machine learning (apprentissage automatique) apprend de vos données passées pour prévoir, classer, détecter ou recommander. Ses modèles sont sobres, rapides et plus faciles à expliquer que les grands modèles d’IA générative. Nos ingénieurs les conçoivent, les mettent en production et les maintiennent depuis 2017.
/usages
Des usages du machine learning, sur vos données chiffrées.
Le machine learning répond aux questions chiffrées de votre activité : combien, quand, lequel, est-ce normal. Il apprend sur vos historiques de ventes, de mesures, de transactions ou de dossiers.
Chaque modèle est mesuré face à la méthode qu’il améliore, sur des données qu’il n’a jamais vues, avant sa mise en service.
- Prévision de la demande Anticipe ventes, fréquentation ou charge de travail, semaine par semaine, à partir de votre historique et du calendrier, pour ajuster stocks et équipes.
- Maintenance prédictive Repère dans les mesures des capteurs (vibrations, températures, pressions) les signes avant-coureurs d’une panne, et permet d’intervenir avant l’arrêt.
- Détection d’anomalies et de fraudes Signale les transactions, déclarations ou mesures qui s’écartent des habitudes, et les classe par niveau de risque pour l’examen d’un expert.
- Priorisation des dossiers Estime l’urgence d’une demande ou la probabilité qu’un prospect aboutisse, pour que vos équipes traitent d’abord les dossiers qui comptent.
- Anticipation des départs Estime pour chaque client, abonné ou adhérent la probabilité de départ dans les mois qui viennent, et indique les raisons qui pèsent le plus.
- Prévision énergétique Prévoit consommation et production d’énergie heure par heure, pour ajuster les achats, le stockage et le pilotage des équipements.
/types
Trois types de machine learning.
Le type d’apprentissage dépend des données disponibles. La plupart des projets d’entreprise relèvent de l’apprentissage supervisé, qui demande un historique où le résultat est connu.
- Supervisé Apprend à partir d’exemples dont le résultat est connu : des ventes passées, des pannes constatées, des dossiers déjà classés. Il prévoit et il classe.
- Non supervisé Découvre des structures dans des données sans étiquette : des groupes de clients aux comportements proches, des mesures qui sortent de l’ordinaire.
- Par renforcement Apprend par essais et récompenses, dans un environnement simulé. Il sert au pilotage et à l’optimisation de systèmes complexes.
/approche
Le modèle le plus simple qui atteint l’objectif.
- forêts aléatoires des centaines d’arbres de décision entraînés chacun sur une partie des données, dont on combine les réponses.
- boosting de gradient une méthode qui assemble de nombreux petits arbres de décision, chacun corrigeant les erreurs des précédents.
Nous comparons plusieurs familles de modèles sur vos données, des régressions aux forêts aléatoires1 et au boosting de gradient2, et retenons la plus simple qui atteint l’objectif. Un tel modèle tient souvent en quelques mégaoctets et tourne sur un serveur ordinaire.
Chaque prévision s’accompagne des facteurs qui l’ont déterminée : le prix, la saison, l’historique du client. Vos équipes voient sur quoi repose chaque recommandation.
- Des modèles comparés sur vos données, avant d’être retenus
- Des prévisions expliquées facteur par facteur
- Des modèles sobres rapides à entraîner et à faire tourner
Des prévisions dont vos équipes voient les raisons.
/optimisation
Des prévisions qui nourrissent vos décisions.
Une prévision devient une décision avec la recherche opérationnelle. Elle calcule les plannings, les tournées ou les répartitions qui respectent vos contraintes, à partir des prévisions du modèle.
- Tournées et plannings Calcule les tournées, les plannings et les affectations qui respectent vos contraintes (horaires, compétences, capacités) et réduisent les trajets.
- Réglage de procédés Recherche, à partir des mesures d’un procédé, les réglages qui améliorent son rendement ou sa qualité, et les propose à vos opérateurs.
- Allocation de ressources Répartit budgets, stocks ou capacités entre sites et activités selon vos priorités, en tenant compte des prévisions de demande.
Une prévision qui devient un planning, une tournée, une répartition.
/secteurs
Le machine learning dans chaque secteur.
Les mêmes méthodes servent des métiers très différents. Ce qui change d’un secteur à l’autre, ce sont les données, les décisions à éclairer et le niveau d’explication attendu.
- Industrie Maintenance prédictive des équipements, réglage des procédés, prévision des approvisionnements et détection des dérives de qualité.
- Commerce et services Prévision des ventes, recommandation, anticipation des départs de clients et tarification selon la demande.
- Énergie Prévision de la consommation et de la production, pilotage des équipements et détection des consommations anormales.
- Secteur public Priorisation des demandes, prévision de la fréquentation des services et repérage des déclarations atypiques, pour un examen par un agent.
/projet
Un projet de machine learning en cinq étapes.
Un modèle de prévision demande un historique, souvent de plusieurs mois. La vérification des données vient donc avant tout développement, et la surveillance suit la mise en service.
- Cadrer La décision à améliorer, et l’indicateur qui mesurera le progrès.
- Vérifier les données Leur profondeur, leur régularité, leurs doublons et leurs valeurs manquantes.
- Prototyper Un premier modèle, mesuré face à la méthode actuelle sur des données nouvelles.
- Mettre en production Les prédictions rejoignent vos logiciels, à la fréquence convenue.
- Surveiller La qualité des prévisions en service, avec Igloo, notre plateforme MLOps.
/livrables
Un modèle en service, documenté et suivi.
Chaque modèle livré s’accompagne de sa documentation et des mesures de ses performances. Il reste suivi après sa mise en service.
- Le modèle en service Livre ses prédictions à vos logiciels, par une interface de programmation (API) ou un fichier mis à jour à la fréquence convenue.
- Le suivi de la qualité Montre l’écart entre les prédictions et les résultats constatés, et signale toute dérive.
- La documentation Décrit les données, le modèle, ses performances mesurées et ses limites connues.
- La maintenance Assure les réentraînements et les évolutions du modèle, selon les termes du contrat.
/à savoir
Les questions les plus fréquentes sur le machine learning.
Le Diag Data IA, financé à 40 % par Bpifrance
Le machine learning, en une phrase
L’apprentissage automatique est une branche de l’intelligence artificielle qui permet à un programme d’apprendre des règles à partir d’exemples, au lieu de les recevoir écrites.
Les algorithmes les plus utilisés
Régressions, arbres de décision, forêts aléatoires et boosting de gradient couvrent la plupart des besoins sur des données chiffrées. Les réseaux de neurones prennent le relais sur les images, les sons et les textes.
Machine learning et deep learning
L’apprentissage profond est une branche de l’apprentissage automatique, fondée sur des réseaux de neurones à nombreuses couches. Il excelle sur les images, les sons et les textes ; le machine learning classique reste plus sobre sur les données chiffrées.
Machine learning et statistiques
Les statistiques décrivent et expliquent, le machine learning prévoit à partir d’exemples. Les deux partagent une large part de leurs méthodes.
Machine learning et IA générative
L’IA générative produit du texte ou des images. Le machine learning prévoit, classe et détecte. Les deux se combinent souvent dans un même projet.
La quantité de données
Quelques milliers d’exemples suffisent à beaucoup de modèles de classement. Une prévision saisonnière demande plusieurs cycles d’historique. Le diagnostic de vos données le dit avant tout engagement.
L’explicabilité
Les modèles de machine learning classiques indiquent les facteurs qui ont pesé dans chaque résultat. Nous les retenons quand une décision doit pouvoir être justifiée.
/cas d’usage
Des cas d’usage fondés sur l’apprentissage automatique.
- Classement de documents Trie, étiquette et range les documents entrants pour accélérer leur traitement et fiabiliser leur archivage.
- Prévision de la demande Anticipe volumes, ventes ou fréquentation à partir de l’historique, pour ajuster stocks, équipes et approvisionnements.
- Maintenance prédictive Repère dans les données des capteurs les signes avant-coureurs d’une panne, pour intervenir avant l’arrêt.
- Détection d’anomalies et de fraudes Signale les transactions, déclarations ou mesures atypiques, pour qu’un expert les examine en priorité.
- Priorisation des dossiers Classe dossiers, demandes ou prospects selon leur urgence ou leur probabilité d’aboutir, pour mieux répartir le travail.
- Anticipation des départs Repère les clients, abonnés ou adhérents susceptibles de partir, pour agir avant qu’ils ne le fassent.
- Segmentation Regroupe clients, produits ou sites aux comportements proches, pour adapter les offres et les actions à chacun.
- Recommandation Propose à chacun les produits, contenus ou documents pertinents, selon son historique et son contexte.
- Prévision énergétique Prévoit consommation et production d’énergie pour ajuster les achats, le stockage et le pilotage des équipements.
- Réglage de procédés Recherche les réglages qui améliorent le rendement ou la qualité d’un procédé, à partir de ses mesures.
- Qualité des données Détecte doublons, incohérences et valeurs manquantes, et propose les corrections avant qu’elles ne faussent vos décisions.
- Supervision des modèles Surveille la qualité des réponses et des prédictions en service, détecte les dérives et réentraîne quand il le faut.
/dans cette rubrique
- Expertises La bonne technique pour chaque problème
- IA générative et LLM Des modèles de langage reliés à vos documents
- MLOps L’industrialisation qui fait durer vos modèles
- Deep Learning Des réseaux de neurones pour les images, les sons, les textes
- Science des données Ce que vos données disent, et ce qu’il leur manque
- Ingénierie des données Un socle de données fiable, prêt pour l’IA
- Agents IA Des agents qui travaillent dans vos outils
- Vision par ordinateur Lire, mesurer et contrôler les images
/contact
Travaillons ensemble
Découvrez comment Inceptive peut vous aider à transformer votre activité et à résoudre des problématiques opérationnelles complexes grâce à l’intelligence artificielle.