La Conférence des maîtres de l’IA
Alp ICT a le plaisir de vous partager ses take-aways de la conférence des maîtres de l’IA, organisée le 6 décembre 2018 par ManufactureThinking, Trivadis et CREA.
Se focaliser sur l’approche métier
Près de 25’000 data scientists se sont auto-formés en Suisse. Aujourd’hui, nous avons besoin d’ingénieurs data qui sont capables d’implémenter les solutions développées par les data scientists. Assia Garbinato, cheffe de service Data chez Vaudoise Assurance, propose de partir du business case et non de la technologie. ll faut motiver le métier à avoir une plus-value. Par exemple, Vaudoise Assurance a souhaité réduire le nombre de churns car très coûteux. L’utilisation du Machine Learning a triplé l’efficacité des appels du call center, passant de 20% à 56%.
Lev Kiwi est porteur d’un projet ambitieux pour Trivadis qui recherche l’agilité dans le stationnement et la planification avec contraintes.
Avec la localisation de tous les véhicules dans le hangar, l’intelligence artificielle fait la planification pour eux avec des caractéristiques à gérer et une gestion en temps réel. Un projet IA requiert une équipe :
- 1er critère : Avoir un cas drivé par le métier
- 2e critère : Avoir des compétences informatiques
- 3e critère : Avoir des compétences mathématiques
- 4e critère : Avoir de grandes compétences en communication
Comment surmonter les défis de la mise en place d’un modèle IA ?
Visium, spin-off de l’EPFL, souhaite augmenter la sécurité urbaine sans rentrer dans la vie privée des citoyens. Visium a développé la reconnaissance de son, plus performante que la reconnaissance vidéo car moins intrusive. Elle permet d’écouter automatiquement certains événements dangereux. Ian Arslanagic partage les leçons retenues par Visium face aux défis de la mise en place de leur modèle IA :
- Face au manque de données initiales, pensez à des solutions alternatives pour acquérir ou créer des données. Visium s’est basé sur des banques de sons pour créer sa propre base de sons réalistes.
- Le Deep Learning n’est pas fait pour l’IoT car ce dernier a une capacité computationnelle plus basse qu’une carte graphique. Des techniques astucieuses de Computer Science et Machine Learning le permettent.
- Passer du modèle à un système en production : testez votre solution en situation réelle le plus souvent possible.
- Comment définir le succès du modèle IA ? Avec la compréhension des besoins commerciaux, des indicateurs de performances et de l’application finale.
Ainsi, Visium a crée un modèle très performant malgré le peu de données initiales. Aujourd’hui, son modèle permet une gestion simultanée et en temps réel du microphone, de la communication et de la prédiction sur une Raspberry Pi. Il est possible de déployer et de mettre à jour la solution avec le serveur connecté à Internet.
L’intelligence artificielle pour la prévention de la fraude bancaire
L’équipe de Netguardians a réalisé que l’IA est devenu une nécessité pour le domaine bancaire. Avant, la prévention de la fraude bancaire était effectuée par des contrôles manuels ou la business intelligence, pour des résultats très moyens. Fin 2000, les fraudes se sont complexifiées et sont devenues plus coûteuses.
Nous sommes aujourd’hui inter-connectés sur tout type de médias, de façon continue et pour toute sorte de besoins. Le volume de transactions financières a explosé et est beaucoup plus rapide, sans aucune intervention manuelle. De plus, chaque client bancaire est différent donc il faudrait implémenter une quantité gigantesque de règles.
70% de la fraude est interne et coute 3$ trillion par an dans le monde.
Solution : la machine peut apprendre des habitudes des utilisateurs sur une année d’historique de données, détecter des transactions frauduleuses et capturer cette compréhension dans des profils dynamiques. Le Machine Learning bloque tout ce qui est inhabituel et les résultats sont sans appel : réduction massive (83%) du taux de faux positif, 93% de réduction du temps nécessaire aux investigations et 118% de réduction du taux de détection de fraude.