Comment gagner en efficacité opérationnelle grâce à la classification supervisée ?

Top+10+Machine+Learning+Algorithms
https://factonics.com/wp-content/uploads/2021/01/web-4861609_1920.jpg

D’ici 2025, le volume total de données à analyser devrait être multiplié par plus de huit selon le cabinet d’analystes IDC, pour atteindre 163 Zettaoctets (163 milliards de Teraoctets). L’Intelligence artificielle se révèle alors indispensable pour traiter de si nombreuses donnéesDans une ère où le volume de données croît de façon exponentielle, l’IA apparaît comme un élément primordial pour les organisations qui souhaitent améliorer leur productivité, éviter certains coûts et dégager du temps pour des activités à forte valeur ajoutée. Parmi les différentes approches existantes, la classification supervisée permet par exemple aux entreprises d’automatiser et d’industrialiser leurs processus de catégorisation de produits sur leurs sites. Une tâche chronophage et coûteuse si elle est faite manuellement. 

Mais d’abord qu’est-ce que la classification supervisée et pour quels cas d’usage ? 

Actuellement, la classification supervisée est l’approche de machine learning la plus utilisée et la mieux maîtrisée industriellement. Celle-ci permet principalement de répondre à un large panel de problèmes tels que : 

  • La détection de défaut, de fraude. 
  • Le tri automatique de courrier (détection de spam)  
  • La reconnaissance d’image  

 

Concrètement comment ça marche ? 

En classification supervisée, les algorithmes apprennent à partir de données étiquetées. L’objectif est de reconnaître les nouvelles données en leur attribuant la bonne classe. La classification supervisée est une approche qui permet de définir un ensemble de règles permettant de classer des données (des images, du texte, des mails…), à partir de variables caractérisant celles-ci. 

 

Plus simplement :  

 

  • Tout part d’un jeu de données étiquetées suffisamment important, décrit par un ensemble de caractéristiques. Par exemple une base d’image contenant des images de pizzas et de pates. 
  • Les données sont ensuite transmises à l’algorithme. L’algorithme est en quelque sorte le cœur du réacteur : celui-ci utilise des techniques de statistique et de probabilité pour trouver une fonction de mapping entre les données en entrée et la classe à prédire. Cette fonction est appelée un modèle de prédiction.  
  • Parmi les modèles de classification supervisée les plus courants, on retrouve la régression logistique, SVM, Decision TreeRandom Forest et les réseaux de neurones. 
  • Dès lors, nous pouvons utiliser ce modèle pour prédire les classes de nouvelles entrées (nos images de plats). 

 

Au final, le modèle est donc entraîné pour reconnaître des données similaires à celles déjà rencontrées en apprentissage :   


L’apprentissage et utilisation du modèle 

 

Les gains obtenus : 

Prenons l’exemple de la collaboration réussie entre Manutan et Factonics 

La classification supervisée permet d’augmenter l’efficacité opérationnelle alors que les coûts de production sont réduits 

D’abord, car les efforts ne sont plus concentrés sur des tâches manuelles et répétitives.  

80% des nouveaux produits sont automatiquement classifié” 

Ensuite car cela permet d’effectuer des tâches d’expertise qui peuvent s’avérer coûteuse à acquérir pour un être humain, en raison notamment de contraintes physiques ou du temps nécessaire pour traiter un volume important de données. 

Plus de 100 000 produits catégorisés par an” 

Chez Factonics, nous sommes fiers d’accompagner un des leaders du B2B français @manutan avec notre solution de classification automatique de produits, qui fonctionne grâce au traitement automatique du langage naturel (NLP).  

La solution permet l’enrichissement du catalogue client en utilisant les descriptions et les images des produits. Guillaume Duval, Directeur Master Data Management du groupe Manutan se félicite de cette collaboration. La solution de Factonics permet de gagner en moyenne 1 à 2 semaines par dossier de référencement de nouvelles offres, soit 280 jours par an 

 

Aujourd’hui, nous travaillons au quotidien sur des projets basés sur des algorithmes de classification supervisés, avec toujours pour objectif d’apporter un bénéfice concret aux usagers. Un gain de temps sur les tâches quotidiennes qui sont réalisées 4 à 5 fois plus vite, des performances très satisfaisantes avec plus de 80% de bonnes prédictions sur des tâches de classifications.  

Rappelons également que cette approche peut s’inscrire dans plusieurs domaines comme la détection de fraude ou l’imagerie médicale.   

Pour ne manquer aucune de publications de Factonics  : https://www.linkedin.com/company/factonics/
 

source: 

https://www.kongakura.fr/article?id=Classification%20supervis%C3%A9e 

https://www.internetlivestats.com/ 

https://machinelearnia.com/apprentissage-supervise-4-etapes/ 

https://www.lesechos.fr/2017/04/lexplosion-du-volume-de-donnees-fait-saliver-lindustrie-du-stockage-165088 

 

Share

Leave a Reply

Your email address will not be published. Required fields are marked *