Pour nos 10 années d’activité, nous revisitons ici la production que nous avons faite en terme de data analytics et d’IA : décrire, prédire et prescrire.

Il s’agit d’apporter une solution pour résoudre les vrais enjeux de la détection de connaissances pour les personnes / les décideurs / les managers / les fonctionnaires / les politiques / les opérationnels … par la donnée (voir nos réalisations).

Le positionnement des IA MyDataBall est de 3 ordres :

  1. Donner les moyens aux analystes d’interroger de grandes masses de données et de visualiser des règles profondes (à plus de 3 dimensions) à fortes probabilités de décision. Trois types de gain par le « deeplearning » :
    • confirmer des intuitions
    • générer des intuitions augmentées
    • découvrir de nouvelles connaissances (Knowledge Discovery)
  2. Capitaliser sur les connaissances générées par les personnes des métiers : machine learning (Knowledge Management).
  3. Générer une IA industrielle : « ce n’est plus les hommes qui vont vers les nombres et les tableaux de bord, mais les nombres et les tableaux de bord qui vont vers les hommes, les consommateurs de la donnée » (Risk Management).

Le principe de la visualisation est ici fondamental : 70% de nos connaissances reconnues se fait par la vue. La recherche dans ce domaine est très active. Cependant, peu de solutions offre la capacité de voir des relations à plus de 3 dimensions. MyDataBall porte se résultat.

A utiliser MyDataBall, les gains de temps et de consommation de la donnée sont substantiels, les prises de décision sont facilités, le partage entre les équipes est grandement facilité, l’automatisation est garantie, les projets sont réalisés dans des délais courts (entre 15 jours et 3 mois).

Nous avons eu recours à 2 innovations majeures :

  1. Data Visualisation Sphérique (des évolutions issues des besoins clients et quelques expérimentations qui sont en cours) : elle permet une interaction entre les questions / réponses des utilisateurs et les algorithmes de détection de règles profondes. Le patrimoine des questions constitue la machine learning. La technologie que nous utilisons est économe en énergie et est sur le principe de l’optimisation thermodynamique.
  2. « Fast Deeplearning Reducing Map » : algorithme qui combine la détection des meilleures cartographies des grands ensembles de données multivariées et l’apprentissage de perceptron multi-couches (deep). La qualité et la robustesse des réponses (prédiction et prescription) reposent sur la technique des modus ponens et modus tollens (détecter des causalités) en mode incomplet.

Les 3 étapes de construction d’un projet MyDataBall sont les suivantes :

 

 

Les mots clefs de la technologie MyDataBall sont :

  • Pour des données structurées : le datamining industriel, les random forests, le score d’arbres.  Notre innovation a débuté par offrir une capacité inégalée à montrer des règles explicatives des indicateurs divers et transverses à une organisation, les biens nommés KPI (Key Performance Indicator). Notre technologie par arbres (random forest) a répondu au besoin essentiel de détecter des règles profondes au travers de plusieurs métiers.
  • Pour des données non structurées (Anglais et Français) : FastText, BERT et les suites (RoBERTa, AllBERT, CamenBERT) sont industrialisés dans nos environnement SaaS. Les articles publiés inhérents se trouvent sur ces liens :  langage naturel et langage naturel 2.

Reconnaissances : pour l’ensemble de ces travaux, nous avons eu le prix IAI award 2019 sur les aspects de gestion des connaissances (organisation, cycle de vie de la connaissance, usages), le prix BigData du Crit et IT Forum. MyDataBall est labellisé au pôle Finance Innovation,  pour les métiers du chiffre et du conseil ainsi que dans l’immobilier, à remporter le prix de l’Innovation.

Notre dernière labellisation par le Pôle de compétitivité Finance Innovation pour l’immobilier en janvier 2020 est issue des premiers travaux pour la ville de La Rochelle, une communication à dataquitaine et une conférence. Le sujet est de générer des IA installer dans les IoT pour détecter la performance des flux de données énergétiques (eau et déchet, …) mais également de détecter des comportements dans les appartements et les maisons. L’objectif est de donner des éléments de contrôle des bâtiments (smart building). Vous trouverez un résumé sur le blog.

 

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *