6 problèmes que l'IA sait résoudre

Plus de 85% des projets de science des données ne parviennent pas à dépasser le stade des tests et à passer en production. Si tout le monde démarre un projet de Machine Learning / Intelligence Artificielle, où cela se passe-t-il mal ? 

Ce billet devrait vous aider à vous concentrer sur les types de problèmes que l'IA permet de résoudre. Afin de tirer profit de l'utilisation de l'IA pour accroître l'automatisation, vous devrez disposer des bonnes données, de suffisamment de données, d'une méthodologie pouvant être définie à l'aide de points de données, et faire preuve de créativité pour comprendre comment appliquer ou élaborer des solutions pour certaines parties du flux de travail de votre équipe.

Exemples de résolution de problèmes par l'IA

        
1) Classification (décisions)
Décisions binaires : Acheter ou vendre ; Oui ou non ; Démarrer ou arrêter 
Catégorisation : Approuvé, refusé ou signalé pour un examen plus approfondi ; données d'étiquetage 
Sentiment : Négatif, Neutre ou Positif et même un score de polarité
2) Extraction (saisie automatisée des données)
Analyse d'un document source, d'un site web, d'un PDF ou d'un formulaire
Extraire et introduire automatiquement ces informations dans votre base de données 
Visualiser ou accéder à des données dans les tableaux de bord internes ou destinés aux clients de votre entreprise
3) Synthèse
L'objectif est d'extraire les phrases les plus pertinentes d'un texte plus vaste. Les modèles extractifs sélectionnent des phrases entières à inclure dans un résumé et les modèles abstractifs sélectionnent des parties de phrases qui sont combinées avec des mots générés par ordinateur et des parties d'autres phrases.
4) Recommandation
À partir d'un ensemble de documents (ou d'articles, d'éléments de contenu, de brevets, de profils de clients, etc.), identifiez les contenus similaires dans la base de données dans laquelle vous effectuez votre recherche.
5) Estimation
 
Vous n'aurez peut-être pas besoin de l'I.A. pour construire un meilleur modèle d'estimation, sauf si vous avez suffisamment de données pour que l'ouverture d'Excel fasse planter votre ordinateur parce que votre feuille de calcul comporte plus de 100 000 lignes et de nombreuses variables. L'apprentissage automatique peut optimiser des centaines de dimensions lorsque vous n'êtes pas sûr de l'importance de toutes les variables. 

Pensez à la modélisation de tous les facteurs qui affectent la santé d'un individu en utilisant une vie entière de données sur la population, par opposition à la modélisation des prix des logements en fonction du code postal, du nombre de chambres et de la taille.

6) Détection des anomalies

    Pensez à la cybersécurité. Votre service informatique a une idée de l'activité normale de tous les employés de votre entreprise et doit être alerté lorsqu'il y a des risques réels pour votre entreprise. Exemple : des pirates informatiques s'infiltrent dans votre réseau et volent la propriété intellectuelle de votre entreprise. 

Bien qu'il soit impossible de prévoir à l'avance la forme que prendra l'attaque, un modèle de détection des anomalies peut être déployé pour repérer les écarts de comportement, comme un pic de 10 000% dans les connexions ou le trafic sortant vers un serveur situé à l'étranger.