L'intelligence artificielle: de la théorie à la pratique 04.12.2018 - NSI-PIXELIXIR Academy
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
NSI-PIXELIXIR Academy
présente
L’intelligence artificielle:
de la théorie à la pratique
04.12.2018
IA: de la théorie à la pratique
INTRODUCTION
Alix Bixhain & Jean-Dominique QUINET
Agenda • Introduction • Bots • Reconnaissance d’images & Classification • Exemples de prédictif: machine learning & deep learning • Natural language processing • En pratique
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
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.
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.
Introduction LA MATURITÉ DES ENTREPRISES
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
IA: de la théorie à la pratique
Chatbots
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 chatbotIA: 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
RésultatsRéseaux 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 candidatsMachine 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 05:00Machine 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’arbreMachine 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
NLPNLP 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: EmployéParNLP - 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
PrécisionNLP
EXEMPLE RESA - CONSTITUTION DU DICTIONNAIRE
Analyse des performancesNLP
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
RécapitulatifIntroduction 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 externeMachine 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 externeMachine 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
ClassMachine 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 PrésencesNLP VEILLE D’INFORMATION
Vous pouvez aussi lire
