Autour d'exemples simples, découvrons ensemble les concepts sous-jacents et les possibilités offertes par le Machine Learning. Si sans complexe vous voulez savoir ce qui se cache derrière ce « buzz word », cette session est pour vous! Vous vous demandez ce qu'il y a exactement derrière des termes tels que: apprentissage supervisé, classification, régression, clustering, série temporelle… Venez, aucun pré-requis n'est nécessaire!
7. tech.days 2015#mstechdaysDémystification du machine learning
Les principaux
scénarios fonctionnels
qui peuvent être
adressés avec du
Machine Learning
Analyse de
désabonnements
(churn)
Monitoring
d’équipements
Spam
filtering
Ciblage
publicitaire
Recommandations
Détection de
fraudes
Détection
d’images et
classification
Prévisions
Détection
d’anomalies
8. tech.days 2015#mstechdaysDémystification du machine learning
ThyssenKrupp Elevator fournit et maintient plus de
1,1 million d’ascenseurs dans le monde et a pour
objectif de toujours offrir un meilleur service et
d’optimiser les coûts de maintenance.
En combinant une approche Internet of Things,
pour remonter les informations provenant des
capteurs des ascenseurs, et le Machine Learning, ils
sont capables de détecter les comportements qui
vont conduire à une panne et intervenir en
conséquence (maintenance prédictive et proactive),
avant que les pannes ne surviennent.
L’étape suivante est de pouvoir optimiser
l’approvisionnement en pièces détachées et le
chargement des camions de dépannage avant
même que les ascenseurs ne tombent en panne.
9. tech.days 2015#mstechdaysDémystification du machine learning
La Poste américaine a traité 150 milliards de
courriers en 2013: bien trop pour un tri manuel.
Mais en 1997, seulement 10% des courriers avec
une adresse manuscrite pouvaient être traités
automatiquement.
Le challenge consistait à permettre aux ordinateurs
d’interpréter les variations infinies de l’écriture
manuscrite.
En réalisant un apprentissage continu, la Poste a pu
« entrainer » ses ordinateurs à lire efficacement
l’écriture manuscrite.
Aujourd’hui, avec l’aide du machine learning, le tri
de plus de 98% des courriers est réalisé
automatiquement.
33. Besoins métierDonnées
Données brutes
•Extraction des champs
pertinents
Filtrage
•Nettoyage,
enrichissement
•Extraction de variables
Sélection d’attributs
•Réduction de dimension
•Correction de valeurs
Interprétation
•Analyse métier
•Utilisation
opérationnelle
Modifier la
conception du
modèle
Sweep des
paramètres
Visualisation
•Visualisation des
résultats de prédiction
Introduire des
connecteurs vers des
Outils de restitution BI
Définition de la
problématique
Pré
traitements
des données
Construction
du modèle
Evaluation et
optimisation de
la précision du
modèle
Déploiement
du modèle en
Web Service
Réglage de la
pertinence
Préparation de
données
Data mining
Déploiement
Création de clusters
Sequence mining
Machine Learning
Apprentissage
Tests de robustesse, de
calibrage, validation croisée
35. Ambiant Intelligence for a better Customer Experience
“Consistent, Personalized, and Self-learning”
Customer
Business Operations
Orders / CRM
Inventory / IOT
Finance
Services
External sources
Rating
Social / Weather
Demographics
Partners
Integrated Enterprise Data
Single View of the Customer
Machine Learning
Scores Segmentation
High-Value Services
Sales
Campaign
Churn
Prices
Interaction
Management
Channels
Web
Stores
Support
Devices
Lounges
Partners
Learning
36. Ambiant Intelligence for a better Customer Experience
“Consistent, Personalized, and Self-learning”
Customer
Business Operations
Orders / CRM
Inventory / IOT
Finance
Services
External sources
Rating
Social / Weather
Demographics
Partners
Integrated Enterprise Data
Single View of the Customer
Machine Learning
Scores Segmentation
High-Value Services
Sales
Campaign
Churn
Prices
Interaction
Management
Channels
Web
Stores
Support
Devices
Lounge
Partners
Learning
Advanced and Innovative Dashboards from any device