L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy

 
L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
NSI-PIXELIXIR Academy
                présente

L’intelligence artificielle:
de la théorie à la pratique
           04.12.2018
L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
IA: de la théorie à la pratique

 INTRODUCTION
       Alix Bixhain & Jean-Dominique QUINET
L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
Agenda

• Introduction
• Bots
• Reconnaissance d’images & Classification
• Exemples de prédictif: machine learning & deep learning
• Natural language processing
• En pratique
L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
Introduction
QU’EST-CE QUE L’INTELLIGENCE ARTIFICIELLE?

                  La construction de programmes informatiques qui s'adonnent à
                  des tâches qui sont, pour l'instant, accomplies de façon plus
                  satisfaisante par des êtres humains car elles demandent des
                  processus mentaux de haut niveau tels que :
                      • l'apprentissage perceptuel,
                      • l'organisation de la mémoire
                      • et le raisonnement critique.
  Marvin Minsky
L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
Introduction
LES 4 PILIERS DES TECHNOLOGIES COGNITIVES

        Comprendre                     Raisonner                       Apprendre                        Interagir

    Les systèmes cognitifs       Les systèmes cognitifs          De chaque interaction, de      Avec la possibilité de voir,
    comprennent l’imagerie, le   peuvent identifier des          chaque résultat, ils           parler et entendre, les
    langage et d’autres          concepts sous-jacents,          développent et affinent leur   systèmes cognitifs
    données non structurées -    émettre des hypothèses,         expertise. Ils n’arrêtent      interagissent avec les
    comme les humaines           inférer des raisons, extraire   jamais d’apprendre.            hommes de manière de
                                 des idées.                                                     plus en plus naturelle.
L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
Introduction
QUAND UTILISER LES TECHNOLOGIES COGNITIVES?

• Les problèmes sont complexes, les informations et la situation changent et le
  résultat dépend du contexte;
• Les sources de données sont fluctuantes, il y a des données non structurées
  (textes, images)
• On cherche un ranking (score de confiance), des alternatives
• Le problème dépend du contexte: temps, utilisateur, lieu, élément d’une tâche… et
  ce contexte n’est pas toujours connu.
• Un dialogue ou une collaboration homme/machine est requis.
L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
Introduction
LA MATURITÉ DES ENTREPRISES
L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
Introduction
LES PROJETS ENVISAGÉS

                                                des algorithmes de machine learning

                                               des assistants intelligents ou chatbots

                                                            des services d’interaction

  des applications de cyber-sécurité pour traiter la complexité des nouvelles menaces

                                                                des applications CRM

                les robots logiciels (ou RPA automatisation de processus robotique)

                                      des infrastructures Cloud (puissance de calcul)

                 des applications financières pour améliorer la détection des fraudes

                                                        des outils d’analyse d’images

                      des applications financières pour supporter la prise de décision
L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
IA: de la théorie à la pratique

       Chatbots
L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
Chatbots
LE FUTUR

 D’ici 2020, 80% des actes d’achats se produiront sans inclure aucun interaction
 humain / humain.

 D’ici 2020, les “smart agents” faciliteront 40% des interactions mobiles et
 commenceront à dominer l’ère “post app”.
Chatbots
QU’EST-CE QU’UN AGENT VIRTUEL (OU CHATBOT)?

 Un agent virtuel utilise une interface conversationnelle pour permettre
 à des utilisateurs d’interagir avec une organisation.
Chatbots
IL EXISTE DE NOMBREUX CANAUX DE COMMUNICATION

• Site web
 Ajouter un chatbot sur votre site web qui répond aux questions les plus fréquentes de vos clients

• Applications mobile
 Permettre à vos utilisateurs de contrôler l’application en utilisant du langage naturel

• Messagerie
 Construire des chatbots twitter, slack, facebook, messenger qui interagissent avec les clients.

• IOT
 Equiper des objets connectés afin qu’ils comprennent le langage et répondent aux commandes des utilisateurs.

• Robots
 Equiper les robots de services de conversations.

• Jeux
 Introduire la compréhension du langage naturel dans les jeux
Chatbots
LES TROIS APPLICATIONS LES PLUS FRÉQUENTES

• Service au client
  Fournir aux clients une approche rapide, simple, disponible à toute heure, afin de résoudre un
  problème de support ou de répondre à des questions courantes.
• (e-)commerce conversationnel
  Fournir une expérience d’achat guidée aux clients pour faire leurs achats de biens et de service à
  travers des canaux mobiles ou de messagerie.
• Productivité des employés
  Simplifier l’accès aux questions courantes et aux tâches les plus fréquentes
Chatbots
EXEMPLES - FINANCES (1)

• Djingo, le conseiller virtuel d'Orange Bank tournant à l'intelligence artificielle d'IBM Watson, réalise
  en moyenne près de 24.000 conversations par semaine

   https://www.latribune.fr/entreprises-finance/banques-finance/ia-le-conseiller-virtuel-d-orange-bank-assure-plus-d-une-
   conversation-sur-deux-770849.html

• La mise en place d'IBM Watson aurait permis de libérer 200.000 jours homme au Crédit Mutuel,
  selon son président.

   https://www.latribune.fr/entreprises-finance/banques-finance/ia-watson-est-un-investissement-rentable-au-credit-
   mutuel-769495.html

• Démo: https://www.orangebank.fr/
Chatbots
EXEMPLES - FINANCES / KBC (2)

Actuellement, K’Ching parle néérlandais, français,
et bientôt allemand et anglais. Dans ses premiers
mois, K’Ching a répondu à 120.000 questions
pour près de 24.000 utilisateurs âgés de 15 à 17
ans.

Le plus important utilisateur lui a posé 200
questions!

Beaucoup de conversations durent plus de 15
minutes.

Un second chatbot, Harry, sera déployé et est
destiné à l’usage exclusif du département HR.
Chatbots
EXEMPLES - TRANSPORT / SNCB (1)

Céline, le chatbot de vente de la SNCB sur messenger.

Première étape: ouverture “discrète” pendant Pâques

  1470 visiteurs uniques
  8191 messages
  636 checkout
  156 GoUnlimited vendus
  = 10.6% conversion!

  85.7% satisfied
  1.2% not satisfied

  Successrate (tout est répondu avec succès)
  a évolué de 65% à 78% en 10 jours.
Chatbots
EXEMPLES - TRANSPORT / SNCB (2)

Céline, le chatbot de vente de la SNCB sur messenger.

Seconde étape: ouverture pendant l’été 2018

  Target: 5000 ventes —> atteint +26%

  86% success rate
  98.4% satisfaction

  11.819 utilisateurs uniques
  dont 59%—> 6996 utilisateurs uniques (lien de
  paiement)
  dont 79%—> 5551 clients
Chatbots
LA MODÉLISATION

Trois concepts importants entrent en jeu dans la modélisation d’une conversation:

• l’intention: le but exprimé par le client dans sa réponse
• l’entité: la classe d’objet, le type de données sur laquelle le client veut exercer son intention.
• l’arbre de dialogue: une succession de noeuds à travers on programme l’interaction entre le bot et le client.
Chatbots
DÉMONSTRATION
Chatbots
QUELQUES POINTS D’ATTENTION

• architecture de la solution technique
   • gestion de la langue, accès back-end, extra information management (media,…) …
• maintenance/amélioration & benchmarking
   • evolution / benchmarking
   • import
• architecture de la conversation
• calibrage de la conversation (persuasion, humanisation, engagement)
Chatbots
LES FACTEURS DE CALIBRATION

• Calibrer la conversation implique:
   • de définir le but du chatbot
   • d’identifier le point de vue du chatbot
       • à qui s’adresse-t-il? qui bénéficie de ses conseils?
       • est-ce que le bot représente les intérêts de quelqu’un/quelque chose?
       • quel rôle doit il adopter dans la relation avec l’utilisateur final?
   • de spécifier le facteur de proactivité/réactivité du bot
   • définir le ton et la personnalité du chatbot
IA: de la théorie à la pratique

Images / classification
Reconnaissance d’images
EXEMPLES (1)
Reconnaissance d’images
EXEMPLES (2)
Reconnaissance d’images
EXEMPLES (3)

  • 3000 radiographies des poumons
  • 2 classements:
   • sain
   • tuberculeux
  • exemple académique pour illustrer la reconnaissance
    d’images par défaut
  • meilleurs résultats avec réseaux de neurones
    convolutionnels.
Reconnaissance d’images
EXEMPLES (3)
Classification
EXEMPLES D’APPLICATION DE CLASSEMENT TEXTUELS

  • Classement des documents lorsque le format visuel ne suffit pas (ex: factures)
  • Classement des e-mails par type d’action à entreprendre
  • Classement des plaintes clients pour accélérer le processus de traitement
  • Classement de commentaires en fonction de l’adhésion à une marque, un produit
  • …
IA: de la théorie à la pratique

Machine learning
Réseaux de neurones
MACHINE LEARNING - DÉFINITION
            Programmation traditionnelle

              Données
                               ordinateur    Résultats

            Programme

            Machine learning

              Données
                                ordinateur   Programme
              Résultats
Réseaux de neurones
MACHINE LEARNING - COMMENT CELA FONCTIONNE?
Réseaux de neurones
MACHINE LEARNING - MACHINE LEARNING TYPES IN DETAIL
Réseaux de neurones
MACHINE LEARNING - CLASSIFICATION VS REGRESSION
Réseaux de neurones
MACHINE LEARNING - DEEP LEARNING
Réseaux de neurones
QUELQUES APPLICATIONS

• reconnaissance d’images sur mesure
• prédiction de données
 • données financières
 • pression dans une vanne en fonction de paramètre extérieur
 • fraude
• en fonction d’un texte, anticiper la quotation d’un avis sur un produit
• prédiction de données dans le temps
• apprendre à peindre comme (filtres)
• apprendre à parler comme
• …
Use case
4 EXEMPLES

• différents domaines
• différents types d’algorithme (réseaux de neurones // random forest)
• différentes problématiques (temporelles ou pas)

—> double objectif:
   -   ouvrir le champ des idées
   -   identifier les composantes d’un projet de machine learning
Machine learning - Applications
ENTRETIEN D’EMBAUCHE

          Un consultant RH voudrait savoir si un candidat se présentera
              à l’entretien d’embauche qui aura lieu chez son client

    Informations concernant le client    Informations concernant le candidat
                                         - Sexe
    -   Nom du client
                                         - Adresse actuelle
    -   Type d’industrie
                                         - Lieu de travail actuel
    -   Adresse de la société
                                         - Lieu de naissance
    -   Poste à pourvoir
                                         - Etat civil
    -   Compétences recherchées
                                         - Réponses à des questions posées par le
    -   Lieu de l’entretien
                                         recruteur concernant la disponibilité, la flexibilité
    -   Type d’entretien
                                         et la motivation du candidat.

   Taille du data set: 1227 candidats
Machine learning - Applications
ENTRETIEN D’EMBAUCHE
Machine learning - Applications
ENTRETIEN D’EMBAUCHE
Comment améliorer les prédictions ?

    A) En optimisant les paramètres de           B) En optant pour un autre algorithme
             la random forest                        (ex.: un réseau de neurones)

Problèmes similaires

      ‣ Prédire les défauts de paiement et établir des profils types de mauvais payeurs
      ‣ Prédire les achats d’un client en fonction de son profil
      ‣ Prédire l’impact de publicités ciblées
      ‣…
Cours apple
LA PROBLÉMATIQUE

• sur base d’une évaluation temporelle du cours, prédiction des valeurs suivantes.

—> problème temporel
Cours apple
QUEL TYPE DE RÉSEAU DE NEURONES UTILISE-T-ON?

• Réseau de neurones classique
• + spécialisation pour structure de données séquentielle: RNN
• + spécialisation pour tenir compte des souvenirs: LSTM
Cours apple
BREVE PRÉSENTATION
Cours apple
BREVE PRÉSENTATION
Maintenance prédictive NASA
PROBLÉMATIQUE

• Paramètres sur des moteurs,
• Prédiction de maintenance (quand le moteur va-t-il casser?)
Maintenance prédictive NASA
SET DE DONNÉES

• N° du moteur
• RUL=combien de cycles reste-t-il avant la défaillance?
• settings = réglages du moteur qui peuvent influencer le nombre de cycle
• Capteurs
Maintenance prédictive NASA
RÉSULTATS
Machine learning - Applications
ANALYSE DU SOMMEIL
Machine learning - Applications
ANALYSE DU SOMMEIL

Classification des états de sommeil        différencier les phases d’éveil, de sommeil léger (N1),
                                             modéré (N2), profond (N3) et paradoxal (REM)

                        Cycle 1           Cycle 2           Cycle 3           Cycle 4
          Awake

          REM

          N1

          N2

          N3

                23:00             00:30             02:00             03:30              05:00
Machine learning - Applications
ANALYSE DU SOMMEIL
Machine learning - Applications
ANALYSE DU SOMMEIL
Machine learning - Applications                                         Données
Cotation d’articles vendus par e-commerce                            Age de la cliente
                                                                    Titre de la critique
                                                                    Corps de la critique

              Cliente 1: (51 ans) Mon achat favori!

                                                                    ?
  J’adore, j’adore, j’adore cette veste! Je me sens rayonnante à
 chaque fois que je la porte, elle est tout simplement splendide!

           Cliente 2: (33 ans) Déception totale …
     La photo est trompeuse. Cette robe, portée, a l’air d’un
      sac. Je ne la porterais même pas pour Halloween!

                          …
         Cliente 23486: (26 ans) Chemisier splendide!
Je valide complètement! Il est devenu un élément incontournable
                       de ma garde-robe!
Machine learning - Applications                                         Extraction des
                                                                   caractéristiques du text
                                                                        Caractères spéciaux
                                                                        Mots non-pertinents
Cotation d’articles vendus par e-commerce                          Résumer le texte par un vecteur
                                                                    Limiter la taille de ce vecteur

                « Ceci est une phrase pour entraîner l’algorithme »

      [«Ceci», «est», «une», «phrase», «pour», «entraîner», «l», «algorithme»]

                   [«Ceci», «phrase», «entraîner», «algorithme»]

                  « Ceci est une phrase pour tester l’algorithme »

                                    [1, 1, 0, 1]
Machine learning - Applications
Cotation d’articles vendus par e-commerce
Résultat final
                                                                                               Négatifs   Positifs
          Random forest (500 arbres)        710                         6.562   88,5 %

                      Valeurs réelles             1.456                         6.764

                                        0                 2250   4500   6750            9000

Problèmes similaires

   ‣   Analyse de sentiment (chatbot, messages, …)
   ‣   E-réputation d’une entreprise, d’un produit, …
   ‣   NLP
   ‣   …
Machine learning
DÉCOUPAGE DES DONNÉES
Machine learning - Applications
OPTIMISATION

               Underfitting          Overfitting

                                                      Test erreur
    Erreur

                                                    Apprentissage erreur

               Complexité = Profondeur de l’arbre
Machine learning
LES COMPOSANTES D’UN PROJET

• choix des données
 • lesquelles
 • quelles caractéristiques extraire pour nourrir les algorithmes
 • analyse de corrélation
 • normalisation
 • traitement des données
 • définition des set de données d’apprentissage, de validation et de test
• choix et comparaison des algorithmes
 • optimisation
• …
IA: de la théorie à la pratique

           NLP
NLP
QUE RECOUVRE LE NLP?
NLP
COMMENT FONCTIONNE LA RECONNAISSANCE?
NLP
OU L’UTILISE-T-ON?

 • traitement de grandes quantités de textes     • moteurs de recherche
 • traduction                                    • extraction d’information
 • traitements de textes avancés                 • filtrage collaboratif
 • transformation textes/paroles                 • publicité personnalisée
 • reconnaissance automatique de la parole       • capture de la connaissance
 • traduction paroles -> paroles                 • détection des fraudes
 • génération de textes                          • analyse de sentiments
 • découvertes des données cachées (dark data)   • veille de réputation
 • bots                                          • …
NLP
DECOUVERTE DE DONNÉES “CACHÉES” (DARK DATA)
NLP
EXEMPLE RESA (RECUEIL ÉLECTRONIQUE DES SOCIÉTÉS ET ASSOCIATIONS)

• Récupérer des données non structurées légales contenues dans des fichiers aux formats PDF
  provenant des publications faites au RCSL / RESA
NLP - Watson Knowledge studio
Deux types de modèles
1. Modèles basés sur des règles
      ✓ Information structurée:
                                      -   « 01/10/2018 »
                                      -   « martine.dupont@gmail.com »
                                      -   « BE75 5678 0877 4329 »
                                      -   « www.pixelixir.com»

2. Modèles basés sur l’apprentissage automatique
      ✓ Information non structurée:
    « Angela Merkel se rendra jeudi à Paris pour y rencontrer le Président Emmanuel Macron. »
NLP - Watson Knowledge studio
Constitution du système d’entités

1. Types et sous-types d’entités

« Angela Merkel se rendra jeudi à Paris pour y rencontrer                       Types: Personne, Lieu, Jour
          le Président Emmanuel Macron. »                                    Sous-types: Chancelière, Président

 2. Rôles des entités

« Le Président des Etats-Unis réside officiellement à la Maison-Blanche. »               Rôle: Lieu

« La Maison-Blanche ferme la mission palestinienne à Washington. »                   Rôle: Organisation

3. Relations entre entités

« Marie travaille pour IBM. »                                                      Relation: EmployéPar
NLP - Watson Knowledge studio
 Exemple RESA (recueil électronique des sociétés et associations)

Text annoté                                                    Système d’entités
NLP - Watson Knowledge studio
Exemple RESA (recueil électronique des sociétés et associations)
NLP
EXEMPLE RESA - CONSTITUTION DU DICTIONNAIRE
                                                                            Précision globale: 92 %
Set de 85 documents annotés
                                                             Capital                                                         1
    59 documents pour l’apprentissage
                                                 Date de constitution                                                 0,96
    19 documents pour la validation
                                                              Forme                                         0,91
    7 documents pour le test
                                                            Montant                                      0,86

                                                            Nombre                                         0,89

Précision:                                             Numéro RCS                                                            1

                                                           Personne                                             0,9
Pourcentage d’entités correspondant exactement
               aux annotations                          Siege social                                     0,87

                                                                        0      0,25      0,5      0,75                       1

                                                                                      Précision
NLP
EXEMPLE RESA - CONSTITUTION DU DICTIONNAIRE
     Analyse des performances
NLP
VEILLE D’INFORMATION

    • Une société emploie des experts qui sont compétents sur un certain nombre de thématique.
    • Ces experts travaillent sur de nombreux projets européens.
    • Pour maintenir les experts à jour, il faut surveiller près de 1000 sites web!
    • Le but du projet est d’informer les experts sur les informations parues dans leurs champs de
      compétences.

Il s’agit d’une mise en adéquation entre:
-   les compétences (centres d’intérêts) des experts
-   les thématiques identifiées sur une source d’information.
NLP
VEILLE D’INFORMATION
NLP
VEILLE D’INFORMATION

                       ‣ compiled informations
                       ‣ based on personal
                         preferences
                       ‣ based on SOLR queries
                       ‣ boost factor to highlight
                         specific elements

                         We can deliver very different
                               user profiles!
L’intelligence augmentée avec Watson
           Récapitulatif
Introduction
ZONES D’APPLICATION SECTORIELLE
Un projet?
COMMENT COMMENCER?

Se focaliser sur des améliorations ayant de la valeur business.
• Pour avancer il faut démarrer - et démarrer est plus simple que vous ne le croyez
• L’adoption des technologies cognitives prend diverses formes et tailles et la plupart du temps,
  commence à petite échelle.
• Ce que les projets à succès ont en commun (quelle que soit leur ambition), c’est la vision claire
  de ce que les technologies cognitives peuvent et ne peuvent pas faire.
• Dans l’évaluation des technologies cognitives, l’adoption ne fait sens que si elle s’aligne avec
  des priorités stratégiques.
• Votre stratégie d’adoption devrait soutenir des résultats rentables, tels qu’épargner de l’argent,
  gagner des clients ou augmenter le revenu.
Récapitulatif
EN QUOI POUVONS-NOUS VOUS AIDER

• identification projet (ROI, qualité des données, visions, …)
• choix des techniques à mettre en oeuvre, établissement d’une architecture “cognitive”
• choix technologique
• sélection et préparation des données
• optimisation
• transfert de compétences
• mise en place des boucles d’améliorations
• …
MERCI!
Machine learning - Applications
ENTRETIEN D’EMBAUCHE                                                               Set d’apprentissage

    Arbre de décision:                                                                10 A + 20 P
                                       Disponibilité

                                                       Ou
                              N   on                     i

                        Abs                                      Compréhension

                        7A
                                                                 on          Ou
                                                             N                 i

                                                Abs                                     Prés
      : Noeud interne

                                                 3A                                       20 A
     : Noeud externe
Machine learning - Applications
ENTRETIEN D’EMBAUCHE                                                               Set inconnu

    Arbre de décision:                                                             5 A + 25 P
                                       Disponibilité

                                                       Ou
                              N   on                     i

                        Abs                                      Compréhension

                   2A+4P                                                     Ou
                                                             N   on            i

                                                Abs                                  Prés
      : Noeud interne

                                               2 A + 7P                            1 A + 14 P
     : Noeud externe
Machine learning - Applications                                                Random forest
                                                                          Ensemble d’arbres de décision
ENTRETIEN D’EMBAUCHE                      Input
                                   Candidat 700                          dont les noeuds sont un peu plus
                                                                                    aléatoires

       Arbre 1         Arbre 2                              Arbre 1000
       Tree1           Tree2                                TreeN

                Abs
               Class            Prés
                               Class                                 Abs
                                                                    Class

                                       Classe majoritaire
                                        Majority voting

                                                                            Solution robuste
                                             Abs
                                            Class
Machine learning - Applications
ENTRETIEN D’EMBAUCHE

       Prédictions du consultant RH        9                   65

  Prédictions avec une random forest           17                   70

      Présences et absences réelles                      45                      78

                                       0            35         70          105        140

                                                    Absences             Présences
NLP
VEILLE D’INFORMATION
Vous pouvez aussi lire
DIAPOSITIVES SUIVANTES ... Annuler