[PDF] Lentreprise Eura Nova 21 janv. 2021 Les camé

View - Download Lentreprise Eura Nova

Previous PDF

Next PDF

21 janvier 2021

Session de sensibilisation à

l'Intelligence Artificielle

Action co-financéepar la

Direccte

2

Utilisation des Micros :

•Par défaut, les micros des participants sont inactifs et gérés par SCS; •Entre chaque partie, il y aura une session de Q/R;

•Les participants peuvent intervenir lors des sessions de Q/R en posant leur question par écrit via le module

"questions»

Utilisation des Caméras :

•Les caméras de chaque participant seront désactivées •Seuls les intervenants pourront activer leur caméra s'ils le souhaitent

Visioconférence : Points Techniques

3

Agenda et intervenants

Mot de bienvenue et Introduction

Bertha Besteiro-Chef Adjointe du Service économique de l'Etat en région

Stéphanie Schohn -Directrice Ecosystème SCS

Sensibilisation à l'Intelligence Artificielle

Jean-Baptiste Bosc -Responsable du Développement France Euranova

Juliette Spinnato-R&D Project Manager

oL'IA, pourquoi maintenant?oPourquoi et comment concrétiser un projet IA?oParlez-vous IA?oL'IA en action

Présentation de l'accompagnement Diagnostic Flash IA

Stéphanie Schohn -Directrice Ecosystème SCS

L'entreprise Eura Nova

Une organisation tournée vers l'innovation

CHAMPS D'EXPERTISE

Nous créons des modèles

de data science pour créer de la valeur à partir des données

Nous organisons les flux

de données et construisons des infrastructures centrées autour des données

Nous développons des

logiciels faciles à utiliserNOS SERVICES

12 ans d'expérience

135 experts

4 produits open source

1 solution com m ercialisée

Média, Télécom, Banque,

Assurance, Commerce,

Pharma, RH

Tran sp ort, Aviation , ...

2.2 M€ d'investissement

par an au niveau du g roup e (BE, FR, TN)

INTELLIGENCE ARTIFICIELLE

ARCHITECTURE DE DONNÉES

INGÉNIERIE LOGICIELLE

HISTORIQUE

CLIENTS

RECHERCHE

Défis de nos

clients

Découvertes

scientifiques

SOLUTIONS

4

L'IA, pourquoi maintenant?

Entre réalité et fiction!

A votre avis...

... e s t-ce de l'intelligence artificielle?

L'assistant vocal Siri?Des bons de réduction

personnalisés?

Un radar automatique?

Le moteur de

recommandation Amazon? 6

Les 3 niveaux de l'IA

Q u 'y a-t-il sur cette im age ? (Est-ce un chat ?)

Pourquoi est-ce un chat ?

Est-ce qu'il monte ou il descend ?Intelligence spécifiqueIntelligence généraleSuper intelligence

7

INTELLIGENCE

ARTIFICIELLE

MACHINE

LEARNING

DEEP

LEARNING

Une définition

d'ingénieur!

INTELLIGENCE

ARTIFICIELLE

Programmes capables

d'apprendre et de raisonner comme des humains

DEEP LEARNING

Sous-ensemble du ML

pour lequel les réseaux neuronaux artificiels s'adaptent et apprennent de grandes quantités de données

MACHINE

LEARNING

Algorithmes pouvant

apprendre sans être explicitem ent programmés 8

Donc au final, c'est quoi l'IA?

Programmation basée sur des exemples

9

Pourquoi maintenant?

Explosion des

données digitales

Exemples

Marquants

10

La matière première de l'IA : la data

L'or noir du 21eme siécle!

11

L'augmentation des puissances de calcul

Mais aussi de nouveaux outils

pour augmenter les possibilités de calcul :

L'utilisation de Machine Virtuelle via le cloud

Calcul distribué outil type Spark,Hadoop

Et plus généralement des offres de service type cloud computing (AWS, AZURE,OVH, etc.) 12 13

Des exemples marquants

14

Pourquoi et Comment

concrétiser un projet IA ?

Les usages de l'IA

Réduire les

coûts

Création de

valeurs

Analyser

-Améliorer ses services -Créer de nouveaux produits -Renouveler l'expérience client -Recrutement et RH -Prédire et réduire les coûts de maintenance -Optimiser vos ressources -Automatiser les procédés -Anticiper les futurs besoins -Etudes clients/marchés -Etudes marketing -Modélisation nouveaux usages nouvelles possibilitésdonnées centralisées

Les trois vecteurs de progression

16

Comment

utiliser l'intelligence artificielle?

L'intelligence artificielle n'est qu'un moyen

d'atteindre un objectif.

La connaissance métier est le meilleur atout.

MACHINE LEARNING

Algorithmes pouvant apprendre sans être

explicitement programmés

Traiter les

donnéesStocker les donnéesUtiliser l'information pour passer à l'action

ETAPE 1

Récolter les

donnéesETAPE 2ETAPE 3ETAPE 4 17 18

1erChallenge : Automatisation

Intégration dans l'infrastructure existante

Comment puis-je intégrer mon PoC dans mes systèmes ?

Autom atiser la collection des données

Ré-entraîner les modèles automatiquement

Appliquer et monitorer le modèle

Intégrer la pile technologique

Consommer les prédictions via une architecture orientée service "Votre PoC a été intégré avec succès." 19

2èmeChallenge : Organiser les données

Tout s'emmêle et c'est normal n'est-ce pas ?

Questions clés à se poser afin de réduire le "time to market" lors de l'intégration de mon PoC.

Questions fréquentes :

1.Où se trouve la donnée de confiance ?

2.Comment propager les mises à jour, comment s'assurer que les données restent cohérentes ?

3.Comment utiliser mes données dans mes applications ? Comment construire un modèle prédictif ?

4.Com m ent concilier "BI" et "Analytics" ?

5.Qu'en est-il de mes processus de gouvernance ?

API Gateway

20

3èmeChallenge : des données et des services

SOA (ou architecture par µ-service) VS data architecture ESB SOA DATA

EDWDATA LAKE DATA LAB

21

4èmeChallenge : l'attitude Big Data / ML

Compétences et état d'esprit

Afin de construire avec succès des PoCs :

Les équipes techniques doivent avoir conscience des objectifs business. Elles doivent être en mesure de transformer des besoins métiers en solutions techniques.

La méthodologie Agile est une bonne manière de délivrer des PoCs étape par étape en se focalisant dès le début sur la valeur créée et en s'assurant de l'alignement constant entre

besoin et solution. La proximité avec le business est fondamentale. Les PoCs introduisent souvent de nouvelles technologies et paradigmes qui doivent être maîtrisés. 22

5èmeChallenge : gouvernance de la donnée

A l'ère du RGPD

Afin de positionner la donnée au coeur du business, une organisation forte est nécessaire : Passer d'une organisation centrée sur les applications à une organisation centrée sur la donnée. Les modèles de sécurité doivent s'adapter tout au long du parcours de la donnée à travers l'entreprise. Des lignes directrices communes doivent être imposées quant à l'utilisation des données par les différentes équipes. Il est crucial de disposer de rôles tels que "Data steward", "Data owner" et surtout CDO/DPO. Les concepts et vocabulaires doivent être les mêmes à travers toute l'entreprise.

Outcomes

Technologies

Ajout de données

externes

Feature

engineering

Open Source

Machine Learning

Automatisation

Industrialisation

Approche

Challenge

Je veux améliorer mon

m odèle prédictif

Tim elineStep 1Step 2

Am élioration de

20%

3 sprints

Open collaboration

Interface web

interactive

Mise en production

Big Data

23

Parlez-vous IA ?

Des données...

Type de données?

Accès au données?

Volume de données?

<1TB<100TB>100TB <1GB

Labellées?

Unsupervised learningSupervised learning

STREAMING

COLD

UNSTRUCTURED

STRUCTURED

SEMI STRUCTURED

25

La qualité des données

Prem ier facteur pour l'utilisation IA

Valeur

Volum e

Variété

Véracité

Vélocité

Possibilité et qualité

d'usage

Valeur

Véracité

Volum e

Variété

Vélocité

Difficulté de développement et coût

d'utilisation 26

Où sont vos données?

data warehouseDocument texte

Tableau

Excel, CSV

Photos et vidéo

Appareils

connectésCapteurs et signaux

Son et voix

27

Où sont vos données?

Dans l'entreprise

Site internet /données utilisateur

Outils d'entreprise : CRM, outils de gestions, GED, etc.

Documents numériques

Base de données

Capteurs / IOT

Acquisition active

Développement d'outils d'indexation

Cam pagne : Test clinique, sondage, etc.

Form ulaires clients/prospects

Open source

Données publiques

Plateforme Spécialisée (Kaggle)

Données open-sources

Démarche type Open Data

Partage de données avec des entreprises partenaires

Voir même concurrentes...

Données entreprises clientes

Entreprises spécialisées ex : Datactivist

28

Créer de la donnée?

Exemple programme développé pour Bpost sur les panneaux routiers. 29

Cross validation

30

Les 3 principales familles

31
d'apprentissage automatique

L'IA enaction

Dans les entreprises

HR

Automobile

Banque &

Assurance

DES CAS D'USAGE DANS DES DOMAINES VARIÉS, UNE

MÉTHODOLOGIE SIMILAIRE

Média

Aviation

Telecom

RetailSanté

Expertise

transverse 33

Maritime

Les types d'algorithmes

34

4.0 Industry: détection des anomalies

Comprendre pourquoi une chaîne de production donne des lots défectueux

Quality Test

LabMachines

Produce

data

We have collected:

data from the production line, data encoded in quality test lab

Historical data

We have crossed these data

with historical datato increase data quality, make links between batches, trace the stages of the line

Advanced Data Analysisallow

to identity the factors that im pact quality, to detect errors driven by tiny disruption

We have used

Graphm odeling

Both production workers and

quality managers have the tools to operate on the fly and with precision and to anticipate deviations.

Thus, they create new data that

enrich and improve the processes. 35

Détection instantanée des fraudes

Détecter les comportements frauduleux en temps réel

Our client:an important Belgian bank

Their goal:detect fraudulent

behaviour in real tim e

Challenges:

1. cross real-time data from

transactions and historical data (form er transactions and custom ers' inform ation)

2. use a machine learning model, and

enrich real-time events

3. use business rules from the bank to

decide if there is a fraud or not

The project: tap into machine learning

techniques and real-time streaming to enhance fraud detection

Real-time data on

customers' transactionsInternal data on customers' identity & form er transactions

Machine Learning Model

Enrichment

of RT events

Business

Rules Fraud

No fraud

36

Prévoir les trajectoires des avions

Our client:an international air

traffic management organisation

Their question:how to safely

increase traffic fluidity in airports during adverse meteorological conditions?

The approach: a three-year

project split into four tracks to increase airplane traffic by predicting the whole trajectory of the plane at landing and takeoff

The project was carried out in

collaboration with a company specialised in wake-related issues for aeronautical applications

Augmentez vos revenus en faisant plus

Track n°1Track n°2

Track n°3Track n°4

Increase the number of

landings by predicting the landing timesRaise the number of takeoffs by predicting takeoff tim es

Increase the traffic

fluidity by predicting the crosswinds during the trajectory

Raise the number of

landings by predicting the occupancy times of the runway

Th e buffer is

reduced AND there is a safe separation time between the planes

A safety distance

was imposed BUT it was not adapted to all circum stances

Before

After

Increased traffic

37

Les types d'algorithmes

38

Marketing ciblé dans le retail

Our client: one of the largest

retailers in Europe

Their question:how to enhance

our customer segmentation and retain our best customer?

Challenges

requires an accurate understanding of the specific businessmodel upgrade statistical methods with machine learning techniques

The result: an individual

marketing automation software to maximise the profits generated by the "best customers". Comprenez mieux les comportements d'achat de vos clients

Historical

datashopping basket

Value-added services:

targeted sales & increase in turnover purchase rateamount of expenditure recency

Best customers

that are likely to quit

Step 1

Step 2

Complete descriptive

analysis software & dashboards

Recommendation

system (DataViz)Personalised offers 39

Call center data

In-depth understanding

of their customers 40

Personas pour le Telco

Our client: an international telco

manufacturer

Their question: how can we get

new customers' insights:human- centric, highly user-friendly, and empatheticquotesdbs_dbs33.pdfusesText_39

[PDF] CAPCIEL CONDITIONS GENERALES. (en vigueur au 01.12.2013)

[PDF] CAPSA CONSULTING. Formation - Audit - Consulting CATALOGUE DE FORMATION

[PDF] Carnet de bord : Bac professionnel en communication graphique. Stage n :

[PDF] CARNET DE L ELEVE STAGE D APPLICATION EN 3EME SEGPA

[PDF] Carnet de littérature

[PDF] Carniel, centre de contacts basé en plein centre de Marseille, dispose de 100 positions et s organise suivant 3 entités :

[PDF] Carrière. Aspirations. Choix. Envies. Accompagner le projet professionnel des 18/25 ans

[PDF] Carte du lobbyisme Mars 2010

[PDF] CAS HES-SO DE PRATICIENNE FORMATRICE OU DE PRATICIEN FORMATEUR GENEVE

[PDF] Case story Unitt Cardwise À propos de Cardwise

[PDF] Catalogue 2015. La formation. autrement! Formations en management et efficacité professionnelle

[PDF] CATALOGUE DE FORMATION 2012

[PDF] Catalogue de formations. Leadership & développement durable

[PDF] Catalogue de solutions courrier AGADEV

[PDF] Catalogue des formations 2015-2016 VOX ANIMAE