Témoignages clients, livres blancs, articles, webinars… Tout au long de l’année, les équipes de Novelis ont créé de nombreux contenus pour partager avec vous les meilleures pratiques et retours d’expérience sur l’automatisation intelligente des processus. Dans cet article, retrouvez nos contenus les plus populaires de 2022 pour lancer 2023 et identifier les leviers qui vont booster votre efficacité opérationnelle !
BLOG – Livres blancs, articles, interview…
Anonymisation de données sensibles par l’approche combinée du NLP et des modèles neuronaux : « L’exploitation des données est plus que jamais un enjeu majeur au sein de tout type d’organisation […] La pseudonymisation/anonymisation apparaît ainsi comme une technique indispensable pour protéger les données personnelles et favoriser la conformité aux réglementations. »
[LIVRE BLANC] Comment l’automatisation peut vous aider à surmonter les défis de la relation client : « Les attentes des consommateurs ont changé et l’expérience client est devenue un facteur de différenciation majeur, d’autant que sa qualité est de plus en plus mesurable et comparable. […] Novelis vous propose d’en découvrir les avantages dans son livre blanc « Comment l’automatisation peut vous aider à surmonter les défis de la relation client » divisé en trois parties… »
[USE CASES] RPA : Tâches à fort potentiel d’automatisation dans la finance : « La révolution numérique est en train de changer le visage du secteur financier, quel que soit le métier : trésorerie, contrôle de gestion, comptabilité, direction financière, etc. Se transformer pour innover devient une obligation pour ces acteurs, qui doivent être toujours plus rapides, plus fiables et plus efficaces dans l’exécution des processus. »
[USE CASES] RPA : des tâches à fort potentiel d’automatisation dans les assurances et pour les mutuelles : « Les assurances et les mutuelles sont confrontées chaque jour à de nouveaux enjeux et défis. La RPA apporte une réponse à ces défis, ce qui en fait une solution véritablement essentielle pour ces organismes d’assurance et de mutuelle, qui disposent d’un large éventail de processus à fort potentiel d’automatisation. »
REPLAYS – Redécouvrez nos webinars
[Événement] Novelis et NICE partenaires de l’événement CX Paris All Verticals : Cette édition CX Paris All Verticals met à l’honneur l’économie de l’expérience et mettra en avant les différents niveaux de maturité en matière d’expérience client au sein de différents secteurs d’activité : banque, assurance, retail, BtoB, services publics, luxe, automobile, énergie…
Dans cet article nous allons découvrir le modèle Yolov7, un algorithme de détection d’objet. Nous étudierons tout d’abord son utilisation et ses caractéristiques au travers d’une base de données publique. Puis nous verrons comment entraîner ce modèle nous-même à partir de ce dataset. Enfin, nous entraînerons Yolov7 à identifier des objets personnalisés à partir de nos propres.
Qu’est-ce que Yolo ? Pourquoi Yolov7 ?
Yolo est un algorithme de détection d’objets dans une image. L’objectif de la détection d’objet est de classifier de manière automatique, à l’aide d’un réseau de neurones, la présence et la position d’objets humainement identifiables sur une image. L’intérêt repose donc sur les capacités et performances en termes de détection, reconnaissance et localisation des algorithmes, dont les applications pratiques sont multiples dans le domaine de l’image. La force de Yolo repose sur sa capacité à exécuter ces tâches en temps réel, ce qui le rend particulièrement utilisé avec des flux vidéo de dizaines d’images par seconde.
YOLOest en réalité un acronyme pour « You Only Look Once ». En effet, contrairement à de nombreux algorithmes de détections, Yolo est un réseau de neurones qui évalue la position et la classe des objets identifiés à partir d’un seul réseau de bout en bout qui détecte les classes à l’aide d’une couche entièrement connectée. Yolo n’a donc besoin de « voir » qu’une fois une image pour détecter les objets présents, là où certains algorithmes détectent uniquement des régions d’intérêt, avant de réévaluer celles-ci afin d’identifier les classes présentes.
Intersection over Union : IoU
Intersection over Union (littéralement Intersection sur Union, ou IoU) est une métrique permettant de mesurer la précision de la localisation d’un objet. Comme son nom l’indique, elle est calculée à partir du ratio entre la zone d’intersection Objet détecté-Objet réel et de la zone d’union de ces mêmes objets (cf. équation 1). En notant Adétecté et Aréel les aires respectives de l’objet détecté par YOLO et de l’objet tel que réellement situé sur l’image, on peut alors écrire :
On notera qu’un IoU de 0 indique que les 2 aires sont complètement distinctes et qu’un IoU de 1 indique que les 2 objets sont parfaitement superposés. En général, un IoU > 0.5 représente un critère de localisation valide.
(mean) Average Precision : mAP
Average Precision (précision moyenne) est une métrique de précision de classification. Elle est basée sur la moyenne des prédictions correctes sur les prédictions totales. On cherche donc à se rapprocher d’un score de mAP de 100% (aucune erreur au moment de déterminer la classe d’un objet).
En revenant à notre point précédent, Yolo reste un modèle d’architecture, et non la propriété d’un développeur en particulier. Ceci explique pourquoi les versions de Yolo sont de contributeurs différents. En effet, on incrémente la version de Yolo (Yolov7 à ce jour : janvier 2023) à chaque fois que les métriques précédemment citées (surtout le mAP et son temps d’exécution associé) dépassent nettement le précédent modèle et donc l’état de l’art. Ainsi, chaque nouveau modèle YolovX est en réalité une amélioration montrée par un document de recherche associé publié en parallèle.
Comment fonctionne Yolo ?
Yolo fonctionne en segmentant l’image qu’il analyse. Il va tout d’abord quadriller l’espace, puis réaliser 2 opérations : localisation et classification.
Figure 1 : Architecture du modèle Yolo, opérant un quadrillage à partir de convolutions successives.
Figure 2 : Image quadrillée.
Dans un premier temps, Yolo identifie tous les objets présents à l’aide de cadres en leur associant un degré de confiance (ici représenté par l’épaisseur de la boite).
Figure 3 : Localisation des objets.
Puis, l’algorithme attribue une classe à chaque boîte selon l’objet qu’il pense avoir détecté à partir de la carte de probabilité.
Figure 4 : Carte de probabilité des classes
Figure 5 : Détection des objets
Enfin, Yolo supprime toutes les boîtes superflues à l’aide de la méthode NMS.
NMS : Non-Maxima Suppression
La méthode NMS se base sur un parcours des boîtes à haut indice de confiance, puis une suppression des boîtes superposées à celles-là en mesurant l’IoU. Pour cela, on suit 4 étapes. En partant de la liste complète des boîtes détectées :
Suppression de toutes les boîtes d’indice de confiance trop faible.
Identification de la boîte d’indice de confiance le plus grand.
Suppression de toutes les boîtes ayant un IoU trop grand (c’est-à-dire de toutes les boîtes trop similaires à notre boîte référence).
En ignorant la boîte de référence ainsi utilisée, répétition des étapes 2) et 3) jusqu’à avoir éliminé toutes les boîtes de notre liste originale (c’est-à-dire en prenant la 2nde boîte d’indice de confiance le plus grand, puis la 3ème, etc.).
On obtient alors le résultat suivant :
Figure 6 : Image de sortie post-NMS présentant les objets détectés par Yolo
Comment utiliser Yolov7 avec le dataset COCO ?
Maintenant que nous avons vu le modèle Yolo dans le détail, nous allons étudier son utilisation avec une base de données d’images : le dataset COCO.
Le dataset MICROSOFT COCO (pour Common Objects in COntext), plus communément appelé MS COCO, est un ensemble d’images représentant des objets communs dans un contexte commun. Cependant, à l’inverse des bases de données habituelles utilisées pour la détection et la reconnaissance d’objets, MS COCO ne présente pas des objets ou des scènes isolés. En effet, le but lors de la création de ce dataset était d’avoir des images proches de la vie réelle, afin d’avoir une base d’entraînement plus robuste pour des flux d’images classiques, reflétant la vie quotidienne.
Figure 7 : Exemples d’objets isolés
Figure 8 : Exemples de scènes isolées
Figure 9 : Scènes classiques de la vie quotidienne
Ainsi, en entrainant notre modèle Yolov7 avec le dataset MS COCO, il est possible d’obtenir un algorithme de reconnaissance de près d’une centaine de classes et catégorisant la majorité des objets, personnes et éléments du quotidien. Enfin, MS COCO est aujourd’hui la principale référence pour mesurer la précision et l’efficacité d’un modèle. Pour avoir un ordre d’idée, ci-dessous sont présentés les résultats des différentes versions de Yolo.
Figure 10 : Average Precision (AP) en fonction du temps d’analyse par image.
Sur ce graphique, chaque série de points représente la précision en fonctionnement d’un modèle sur le dataset MS COCO en fonction du temps attribué pour évaluer chaque image.
En abscisse, sont indiqués les temps accordés aux réseaux pour évaluer une image. Plus le temps est faible, plus on peut se permettre d’envoyer un flux d’images important à notre algorithme, au prix de la précision.
En ordonnée sont donc indiquées les précisions moyenne des modèles en fonction du temps accordé, comme vu précédemment.
On remarque alors 3 points importants :
Quel que soit le temps accordé au réseau, Yolov7 surpasse les autres modèles Yolo en termes de précision de détection sur le dataset MS COCO. Ceci explique sa présence comme référence dans l’état de l’art actuel de la détection en temps réel d’objets sur image.
L’augmentation du temps d’inférence sur chaque image n’a pas/peu d’intérêt une fois les 30ms/image dépassés. Cela implique que le modèle est plus optimal sur une utilisation nécessitant un traitement rapide des images, comme un flux vidéo (> 25 img/s).
Quel que soit le modèle concerné, aucune ne dépasse les 57% de précision de détection. Ceci implique que le modèle est donc encore loin de pouvoir être utilisé de manière fiable dans un cadre public.
Pour obtenir soi-même les résultats précédents, il suffit de suivre les instructions de la page GitHub du modèle yolov7 pré-entraîné à partir du dataset MS COCO : https://github.com/WongKinYiu/yolov7.
Suivre tout d’abord la rubrique :
Installation.
Puis l’encadré :
Testing.
Comment entraîner Yolov7 ?
Maintenant que nous avons vu comment tester Yolov7 avec un dataset sur lequel il est entraîné, nous allons nous intéresser à la manière dont nous pouvons entraîner Yolov7 à l’aide de notre propre dataset. Nous allons commencer dans un premier temps un entraînement avec des données déjà préparées, ici le dataset MS COCO. Encore une fois, le GitHub de Yolov7 présente un encart spécifique prévu à cet effet :
Training.
Il est décomposé en 2 étapes simples :
Télécharger le dataset déjà annoté MS COCO.
Lancer le script « train.py » intrinsèque au répertoire Git avec le dataset précédemment téléchargé.
Celui-ci va alors tourner sur 300 étapes pour se conformer au dataset MS COCO. On notera qu’en réalité cette opération a plus un but instructif étant donné que Yolov7 est déjà entraîné sur le dataset MS COCO et possède donc déjà un modèle adéquat.
Préparer ses propres données d’entraînement
Maintenant que nous avons vu ce qu’est Yolov7, comment le tester et l’entraîner, il ne nous reste plus qu’à lui fournir notre propre base d’images pour l’entraîner sur notre cas d’usage. Nous allons donc suivre 4 étapes pour créer notre propre dataset directement utilisable pour entraîner Yolov7 :
Choix de notre base de données d’images.
Optionnel : Labellisation de l’ensemble de nos images.
Préparation du lancement (cas d’utilisation de Google Collab).
Entraînement (et fonctionnement fractionné).
Pour illustrer le déroulé de ces opérations, nous allons prendre un cas similaire aux travaux de Novelis utilisés sur AIDA: la détection d’éléments dessinés sur une feuille de papier.
Figure 11 : Image de départ : un dessin manuscrit en couleurs sur une feuille.
Pour commencer, il va donc nous falloir récupérer une quantité suffisante d’images similaires. Soit de notre propre collection, soit en utilisant une base de données préexistante (par exemple en prenant le dataset de notre choix à partir de ce lien. De notre côté, nous utiliserons le dataset Quick Draw. Une fois notre base formée, nous allons annoter nos images. Pour cela, de nombreux logiciels existent, la majorité du temps permettant de créer des boîtes, ou des polygones, et de les labelliser sous forme de classe. Dans notre cas, notre base de données est déjà labellisée, sinon il faudrait créer une classe pour chaque élément à détecter, puis identifier à la main sur chaque image les zones exactes de présences de ces classes. Une fois notre dataset labellisé, nous pouvons lancer une session sur Google Colab et commencer un nouveau Python Notebook. Nous l’appellerons ici « MyYolov7Project.ipynb » par exemple.
Étape préalable : copier votre dataset dans votre drive. Dans notre cas, on a déjà ajouté à notre drive un dossier « Yolov7_Dataset ». Voici l’arborescence du dossier :
Figure 12 : Arborescence du dossier « Yolov7_Dataset ».
Pour chaque dossier, on retrouve un dossier images, contenant les images, et un dossier labels contenant les labels associés générés précédemment. Dans notre cas, nous utilisons 20 000 images au total, dont 15 000 pour l’entrainement, 4 000 pour la validation et 1 000 pour le test.
Le fichier data.yaml contient quant à lui l’ensemble des chemins d’accès aux dossier :
Puis les caractéristiques des classes :
Nous ne représenterons pas les 345 classes dans le détail mais elles devront bien être présentes dans votre fichier. Nous pouvons donc à présent commencer notre script « MyYolov7Project.ipynb » sur Colab. Première étape, lier notre Drive au Colab afin de pouvoir sauvegarder nos résultats (Attention : les données du réseau entraîné sont volumineuses).
Une fois notre Drive lié, nous pouvons à présent cloner Yolov7 à partir du Git officiel :
En nous plaçant dans le dossier installé, nous vérifions les prérequis :
Nous aurons également besoin des bibliothèques sys et torch.
Nous pouvons alors lancer le script d’entrainement de notre réseau :
On notera que le batch size peut être modifié en fonction des capacités de votre GPU (avec la version gratuite de Collab, 16 reste le maximum possible). N’oubliez pas également de modifier votre chemin d’accès au fichier « data.yaml » en fonction de l’arborescence de votre Drive. À l’issue de l’entrainement, nous récupérons donc un dossier avec les métriques de l’entrainement ainsi qu’un modèle entraîné sur notre base de données. En lançant le script de détection (detect.py), nous pouvons donc obtenir le résultat de détection sur notre image de départ :
Figure 13 : Image de départ annotée par Yolov7
Comme on le voit, certains éléments n’ont pas été détectés (la rivière, l’herbe au premier plan) et certains ont été mal labellisés (les deux montagnes perçues comme des volcans, probablement dû aux rayons du soleil dépassant). Notre modèle est donc encore perfectible, soit en affinant notre base de données, soit en modifiant les paramètres d’entraînement.
Optionnel : Entrainement fractionné du réseau (En cas d’utilisation de de la version gratuite de Google Colab)
Bien que notre cas d’usage reste simpliste, en cas d’utilisation de la version gratuite de Google Colab, l’entrainement de notre réseau peut prendre plusieurs jours avant de s’achever. Or les restrictions de Google Colab (version gratuite) empêchent un programme de tourner plus de 12h. Pour conserver l’entrainement, il suffit alors de le relancer après l’arrêt d’une session avec en paramètre des poids (weights) notre dernier poids enregistré :
Ici un exemple lancé avec le 8ème run (remplacez le dossier « yolov78 » par le dernier entrainement réalisé). Vous pouvez retrouver l’ensemble de vos entrainements dans le dossier associé dans l’arborescence de Yolov7.
Figure 14 : Arborescence des entrainements. Nous en sommes ici au 12ème lancement.
L’entrainement reprend alors du dernier epoch utilisé, et vous permet de progresser sans perdre le temps passé précédemment sur votre réseau.
Références :
Travaux, expérimentations et retours d’expérience du Lab. R&D de Novelis.
Contribution de WANG, Chien-Yao, BOCHKOVSKIY, Alexey, et LIAO, Hong-Yuan Mark. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv preprint arXiv:2207.02696, 2022. : https://arxiv.org/abs/2207.02696
Journée Recherche à l’EPF : organisée depuis 20 ans, cette journée est dédiée à la recherche et à l’innovation.
C’est à l’occasion de la Journée Recherche de l’EPF que Novelis se rendra dans les locaux de l’école pour animer une table ronde sur l’innovation dans le numérique. A la suite de cette présentation, les élèves pourront rencontrer notre équipe sur son stand et en savoir davantage sur les travaux du Laboratoire de recherche et développement interne de Novelis en échangeant directement avec les membres de l’équipe recherche et de l’équipe recrutement.
Chez Novelis nous souhaitons véritablement utiliser les nouvelles technologies pour accéder aux besoins métiers de nos clients et ainsi leur proposer des solutions adaptées pour les accompagner dans leur transformation digitale. Et c’est au travers de notre Lab R&D, dans lequel nous investissons plus de 25% de notre chiffre d’affaires, que cela se traduit. Nos chercheurs docteurs travaillent au quotidien sur la recherche fondamentale et expérimentale autour de l’IA (machine learning, traitement d’image et NLP) avec pour objectif de dépasser l’état de l’art en matière d’IA et de NLP.
Nous sommes très fiers de contribuer à la construction de notre futur en investissant dans la recherche scientifique, c’est pourquoi nous sommes ravis de pouvoir partager le fruit de nos travaux avec les élèves de l’école d’ingénieurs EPF.
A l’occasion du Forum des partenaires 2022 organisé par Blue Prism ce 24 mai, Novelis a été primé pour sa solution Automation as a Service SmartRoby, reconnue meilleure Solution de l’année dans la catégorie AI & Cloud Innovation – EMEA & Globalpar l’éditeur leader en RPA.
En 2021, Novelis recevait déjà le prix de la meilleure solution Business de l’année avec SmartRoby. Cette année et donc pour la deuxième fois consécutive, nous avons reçu le prix régional et mondial de la part de Blue Prism, reconnaissant notre impact positif sur l’activité d’un client grâce à l’utilisation innovante de l’Intelligence Artificielle et du l’Automatisation Intelligente dans leCloud.
Nous avons conçu SmartRoby, une solution Automation as a Service, pour permettre aux structures à taille humaine d’accéder plus facilement aux technologies de pointe en matière de RPA et d’Intelligent Automation. Complémentaire des offres Blue Prism, notre solution est disponible sur AWS, DX, OVH et On-Prem, entièrement en self service et connectée à Blue Prism. Elle propose une interface orientée métier avec un modèle tarifaire basé sur la consommation réelle des robots, pour piloter et contrôler l’ensemble des processus automatisés d’une organisation. Les organisations peuvent ainsi se doter d’une solution d’automatisation en quelques semaines et à moindre coût.
Elle offre également d’autres atouts pour aller plus loin que l’automatisation classique avec l’accès à des algorithmes d’IA et de NLP. Mais aussi plus d’autonomie pour les équipes business pour gérer un ensemble de fonctionnalités de manière autonome sans dépendre des équipes IT. Le business est ainsi capable de suivre facilement l’impact de l’automatisation au sein de l’organisation grâce à des reportings chiffrés, le temps gagné et le ROI. Mettre le curseur du côté de l’entreprise et être en capacité de mesurer l’impact permet d’aller plus loin beaucoup plus facilement.
Il y a un an, lorsque nous mettions à disposition sur le marché notre solution SmartRoby, nous souhaitions déjà rendre l’automatisation accessible à toutes les organisations quelle que soit leur taille. Nous pensons toujours qu’en tant qu’acteur du digital il est de notre devoir de permettre à toutes les entreprises d’accéder à des solutions telles que SmartRoby, qui transforment de façon numérique la façon dont les organisations fonctionnent.
Être une nouvelle fois lauréat des Partner Excellence Awards 2022 dans la catégorie « AI & Cloud Innovation » est une véritable reconnaissance du caractère innovant de SmartRoby et vient récompenser les investissements réalisés sur cette plateforme. Ce prix vient également souligner la forte relation de partenariat que nous entretenons avec Blue Prism, un des leaders de l’automatisation robotisée des processus (RPA). Les synergies sont énormes, nous parlons d’un grand acteur numérique mondial avec qui nous construisons des ponts entre le BPM et l’automatisation.
« Dès le premier jour, nous avons compris la puissance des solutions offertes par Blue Prism.SmartRoby vient compléter cette offre avec une solution prête à l’emploi quel que soit le type ou la taille de l’organisation : notre but est de démocratiser l’accès à une technologie étonnante comme Blue Prism. En quelques mots, SmartRoby c’est la plateforme qui donne accès à l’automatisation facilement et rapidement. » déclare Mehdi Nafe, CEO de Novelis.
Le 25 mai prochain, Novelis se rendra à Madrid pour célébrer la 3ème édition du Blue Prism World.
Véritable expérience virtuelle et voyage autour de l’automatisation, cet événement organisé par notre partenaire Blue Prism, permet à tous de découvrir la technologie et les stratégies pour réussir au travers de retour d’expérience client uniques.
Le Blue Prism World on Tour Madrid 2022 sera l’occasion de réunir l’ensemble des équipes Blue Prism Iberia, ainsi que ses clients et partenaires stratégiques tels que Novelis.
Au programme de l’événement
Inspirez votre créativité avec : des présentations inspirantes, des séances plénières avec des clients et des partenaires et la présentation des technologies les plus innovantes de l’automatisation et de l’IA, qui révolutionnent la main-d’œuvre numérique.
En tant que Chef d’entreprise, rencontrez des experts et découvrez notamment comment atteindre tous vos objectifs clés : fidélisation des collaborateurs, satisfaction de vos clients et augmentation de l’efficacité, de la précision et de la productivité, ainsi que le ROI.
Blue Prism World : Cap sur les entreprises du futur
Transformer sa façon de travailler grâce au pouvoir collaboratif des personnes et de l’automatisation intelligente, utiliser l’intelligence artificielle, les nouvelles avancées technologiques et l’ingéniosité humaine pour créer les entreprises du futur : c’est l’objectif du Blue Prism World.
Dans votre entreprise du futur :
Vos collaborateurs et les digital workers travailleraient ensemble et collaboreraient de manière transparente : une main-d’œuvre unifiée
Vos clients bénéficieraient d’un service de meilleur qualité grâce à une plus grande efficience des employés
La productivité globale de votre organisation serait bien supérieure permettant d’atteindre vos objectifs commerciaux stratégiques.
Tout ceci est possible dès maintenant, le futur est déjà là. La technologie dont vous avez besoin pour réimaginer votre entreprise existe mais vous devez apprendre à l’utiliser et à la mettre en œuvre.
Chaque année, Blue Prism organise un Partner Excellence Awards lors du Partner Forum Virtual pour célébrer ses partenaires qui ont le plus contribué à faire progresser l’écosystème Blue Prism au cours des 12 derniers mois.
Lors du dernier Partner Excellence Awards en 2021, Novelis recevait déjà le prix de la meilleure Solution Business Blue Prism avec SmartRoby (en savoir plus).
Ce prix mondial catégorie AI & Cloud Innovation est destiné au partenaire qui a démontré le plus grand impact positif sur l’activité d’un client grâce à l’utilisation innovante de l’intelligence artificielle et du Machine Learning. Ce partenaire s’est engagé avec son client à tirer parti de la plateforme Blue Prism et des compétences en IA pour obtenir des résultats véritablement transformateurs dans le cloud public.
Le Partner Excellence Awards 2022 permet aux partenaires Blue Prism de montrer leur expertise dans la fourniture de capacités d’automatisation intelligente pour transformer numériquement la façon dont les organisations fonctionnent, sont compétitives et innovent.
« Cette année, notre jury, composé d’experts en automatisation intelligente de Blue Prism, a une fois de plus été très impressionné par la qualité exceptionnelle des candidatures, qui témoignent de la diversité des talents, de l’innovation et des aspirations de nos partenaires Blue Prism ! »
Commente l’équipe organisatrice du Partner Forum Virtual.
Rendez-vous le mardi 24 mai pour découvrir en live, lors du forum virtuel des partenaires Blue Prism, si Novelis remportera le prix très convoité de meilleure solution dans la catégorie AI & Cloud Innovation Solution of the Year – pour la région EMEA.
Mercredi 11 mai à 16h30, El Hassane ETTIFOURI, CIO de Novelis, Docteur en IA et génie Logiciel, expert en automatisation, présentera une conférence en ligne aux étudiants de l’EPITA Paris, l’école des ingénieurs en informatique.
La conférence portera sur l’Application de l’IA dans la construction logicielle.
Améliorer la compréhension des besoins décrits en langage naturel et donner la possibilité à la machine de concevoir et développer des solutions informatiques à base de description en langage naturel, c’est l’une des missions que nous nous sommes donnés chez Novelis.
Depuis sa création en 1984, l’EPITA est la première école d’ingénieurs spécialisés en informatique à Paris. Elle prépare ses étudiants passionnés aux métiers de l’ingénierie et du numérique pour construire le monde de demain.
L’intelligence artificielle ou IA se présente comme une science informatique pluridisciplinaire permettant de prédire des conclusions sans aucune intervention directe de l’humain.
Pour cela elle a besoin de :
Plusieurs algorithmes ;
Deep & Machine Learning (ou apprentissage automatique & profond en français) ;
L’heuristique ;
Modèles de correspondance ;
Calculs cognitifs.
L’IA a principalement été conçue pour apporter des solutions aux problèmes complexes que l’humain n’est pas capable de résoudre à 100%.
Comment l’IA est-elle parvenue à s’imposer dans la médecine d’aujourd’hui et comment va-t-elle révolutionner le monde de demain ?
L’IA et la médecine : des débuts prometteurs
L’IA est aujourd’hui utilisée dans un bon nombre de domaines allant de l’agriculture à l’automobile, en passant aussi par la médecine et les services de soins. Il aura fallu plusieurs années avant que l’IA et l’ingénierie des connaissances en e-santé ne puissent faire leurs preuves en médecine et en biologie. Certains projets basés sur l’IA et liés aux soins ont même attiré plus d’investissements que ceux réalisés dans d’autres secteurs de l’économie mondiale.
40% des entreprises du secteur pharmaceutique et des sciences du vivant déclarent avoir déjà déployé des technologies d’IA et se montrent satisfaites de leurs résultats.
Plutôt encourageant.
Mais qu’en est-il concrètement ? Les hôpitaux et les cliniques disposent souvent de vastes volumes de données médicales. Mais comment faire pour traiter toutes les données en bonne intelligence sans prendre le risque de passer à côté d’une information déterminante pour la qualité des soins ?
Lorsque l’on est confronté à un volume trop important d’informations, la surcharge informationnelle conduit à la désinformation et cela peut mener toute l’organisation à un dysfonctionnement dans la prise de décision.
L’IA va ainsi pouvoir intervenir dans le processus en modélisant et en analysant les données pour prédire des maladies et trouver des remèdes, notamment grâce à : des matériels innovants de traitement ; l’estimation de l’espérance de vie ; la rapidité des diagnostiques ; et enfin à la compréhension rapide des corrélations entre certains facteurs et nos conditions de santé.
A partir des données et avec l’aide du Deep & Machine Learning, la puissance de calcul basé sur l’IA parvient donc à prédire des tendances non négligeables.
Comment l’IA est-elle utilisée aujourd’hui en médecine ?
Les solutions basées sur l’IA dans le domaine médical sont en forte croissance et sont surtout très diverses. En voici quelques exemples classiques :
Planification automatique des rendez-vous ;
Enregistrement dans les centres médicaux ;
Numérisation des contrats et dossiers médicaux ;
Rappels automatiques des vaccins pour les enfants et les femmes enceintes ;
Algorithmes personnalisant les doses de médicaments ;
Ou encore l’amélioration de l’édition génomique.
Intéressons-nous plus précisément aux 4 grandes applications de l’IA en médecine actuelle, ayant connu de ce fait un franc succès ces dernières années :
Le diagnostic automatique des maladies : Avec le progrès grandissant du Deep Learning, dresser le diagnostic d’une maladie est aujourd’hui plus simple et plus rapide. Des modèles performants permettent désormais de détecter des maladies complexes telles que des cancers ou des pathologies ophtalmiques, avec autant de précision et d’exactitude que les professionnels de santé.
La production rapide des médicaments :L’industrie pharmaceutique et de la distribution de médicaments demeure l’un des secteurs économiques les plus coûteux, tant pour les États que pour les citoyens. Mais avec l’apparition de l’IA dans les processus analytiques de la fabrication des médicaments, le traitement des données devient plus efficace, permettant ainsi d’économiser sur des centaines de millions d’investissement et des années de travail.
Personnaliser le traitement : La personnalisation des traitements est un travail statistique très complexe que l’IA parvient à automatiser. Grâce à ce travail elle va pouvoir aider à mieux comprendre et mieux anticiper les réactions des patients face à tel ou tel traitement. Ainsi, avec l’analyse de toutes ces caractéristiques, l’algorithme est capable de prédire le traitement convenant le mieux au patient selon sa pathologie.
Améliorer l’édition des gènes : Avec l’IA, le développement de l’ARN (Acide Ribonucléique) s’est accéléré, permettant ainsi de réaliser des éditions génomiques impressionnantes en introduisant du matériel génétique dans des cellules. L’utilisation de l’édition génomique suppose des possibilités inouïes afin de soigner certaines pathologies.
Quel avenir pour l’IA et la santé ?
Le secteur de la santé évolue autant que l’IA et le Machine Learning gagnent en popularité. Des études montrent que les dépenses consacrées à l’IA dans le secteur médical devraient augmenter de 48% en rythme annuel entre 2017 et 2023.
Plusieurs prédictions peuvent être faites concernant l’impact que l’IA aura sur la santé dans un avenir proche. En voici quelques-unes :
Intégration de l’esprit à la machine : Les interfaces cerveau-machine (ICM) soutenues par l’IA pourraient bientôt permettre d’augmenter les fonctions motrices chez certains patients. Contrôler son corps par la pensée serait une avancée notable dans l’univers de l’IA et de la santé.
Des outils de radiologie plus performants : Les outils de radiologie améliorés par l’IA fourniront dans un future proche, une précision suffisante pour remplacer les échantillons de tissus.
Des Dossiers de Santé Electroniques 4.0 : Les DES permettent de compiler toutes les données (sociales, cliniques, psychologique…) d’un patient pour déterminer le risque de maladie et trouver un éventuel traitement au plus vite. Cependant, il est parfois difficile pour un médecin d’analyser toutes les données efficacement et dresser rapidement un bilan. L’IA intervient ici en automatisant le remplissage des DSE et en aidant à prédire les risque de maladie de façon fiable par l’identification de connexions cachées entre les ensembles de données.
Selon BMC Medical Informatics and Decision Making, une IA a pu analyser les notes cliniques de 55.516 DES comprenant 150.990 notes et a identifié 3.138 patients atteints de cancer de la prostate en seulement 8 secondes. 8 secondes ! Imaginez combien de temps un humain serait parvenu au même résultat ?
Diminution des risques de résistance aux antibiotiques : Les données du DSE pourraient être également utilisées pour repérer et anticiper les profils d’infection et avertir les patients à risque, avant même qu’ils ne présentent des symptômes.
Des analyses plus précises pour les images de pathologie : Puisque l’IA est capable de numériser les images au pixel près, les chercheurs pourraient être en mesure d’identifier des détails et des nuances invisibles pour l’œil humain.
Utilisation plus poussée de l’immunothérapie dans le traitement des cancers : L’IA pourra analyser un ensemble de données complexes sur la constitution génétique unique d’un patient. Le but ultime serait ensuite de cibler la thérapie idéale pour éradiquer la maladie au plus vite.
Un laboratoire mobile pour des diagnostics simple et rapide : Idéal pour les personnes isolées ou ne pouvant pas se déplacer dans les hôpitaux ou cliniques. Comment cela fonctionne ? Il suffit de renseigner les symptômes du malade sur l’appareil mobile connecté. Le « mini labo » va analyser les données et annoncer les prélèvements qui devront être effectués (salive, urine, sang…). Les analyses vont ensuite être envoyées à un professionnel de santé qui pourra rapidement et à distance dresser un diagnostic complet.
Les prochaines années seront déterminantes pour l’IA dans le monde médical. Si les avancées techniques continuent de progresser à ce rythme, la croissance des technologies innovantes dans la médecine sera pharaonique !
Les 29, 30 & 31 mars prochains, venez hybrider votre relation client et réimaginez le champs des possibles de l’automatisation intelligente avec Novelis. Cet événement de référence sur la relation client permettra aux professionnels d’aller plus loin dans leurs réflexions et de découvrir de manière concrète l’apport que l’automatisation, l’IA et la RPA peuvent avoir sur un grand nombre d’entreprises.
Novelis sera présent pour présenter son expertise en matière de relation client.
285 exposants – 16000 visiteurs – 200 conférences & ateliers solutions proposés par des experts
Le salon Stratégie Clients c’est 3 jours intenses pour optimiser sa relation clientèle. La crise du Covid-19 a durement impacté tous les secteurs d’activité et la relation client n’y a pas échappée, elle s’est totalement transformée : plus hybride, digitale et agile.
Le service client a beaucoup évolué ces dernière année. A distance, la relation est bien souvent régie par des algorithmes et des voicebots et le besoin de plus de relation humaine se fait ressentir.
Le client souhaite désormais pouvoir bénéficier de l’efficacité et de la grande disponibilité des machines et en même temps de la sensibilité et de l’appréciation plus fine de leurs demandes par l’humain. En clair, le client d’aujourd’hui veut une relation hybride pour tirer le meilleur parti des deux mondes.
La stratégie client des entreprises se doit d’évoluer au même rythme que les attentes de leur clientèle et nous pensons que l’Intelligence Artificielle et l’automatisation des processus par robot est la solution.
Ce salon est alors le moment idéal pour tout ceux souhaitant découvrir ces nouveaux moyens d’hybrider la relation clientèle, améliorer les usages, enrichir sa stratégie, échanger avec ses pairs et trouver des solutions innovantes.
Novelis expert de la relation client
En tant que Pure Player de l’efficacité opérationnelle des processus métier, nous utilisons l’automatisation comme un levier pour booster la productivité des centres d’appel et améliorer l’expérience client.
Nous accompagnons nos clients dans leurs projets d’automatisation intelligente des processus métier grâce à Smart Automation. Nous permettons ainsi aux entreprises de transformer l’expérience de leurs clients et de leurs employés.
Dans le cadre de son cycle de conférence IT Time, le campus de l’école Supinfo Paris, l’école des experts métiers de l’informatique, reçoit pour la deuxième fois El Hassane Ettifouri, CIO de Novelis, Docteur en IA & Génie Logiciel et expert en automatisation.
Mercredi 16 mars à 17h15, El Hassane se rendra donc dans les locaux de l’école pour présenter une conférence sur l’automatisation intelligente au service de tous les métiers.
La Smart Automation (automation intelligente) ou IPA (Intelligence Process Automation) représente la technologie RPA enrichie par les pouvoirs de l’IA. Smart Automation = RPA + IA
Au programme de la conférence : ➡️Enjeux et connaissance des domaines de la RPA et de la Smart Automation ➡️Les métiers utilisant la RPA ➡️Les technologies existantes sur le marché ➡️L’intelligence artificielle appliquée à la RPA ➡️Démonstration
Les cookies nécessaires sont absolument indispensables au bon fonctionnement du site web. Ces cookies assurent les fonctionnalités de base et les caractéristiques de sécurité du site web, de manière anonyme.
Les cookies fonctionnels aident à réaliser certaines fonctionnalités comme le partage du contenu du site web sur les plateformes de médias sociaux, la collecte de commentaires et d'autres fonctionnalités tierces.
Les cookies de performance sont utilisés pour comprendre et analyser les principaux indices de performance du site Web, ce qui permet d'offrir une meilleure expérience utilisateur aux visiteurs.
Les cookies analytiques sont utilisés pour comprendre comment les visiteurs interagissent avec le site web. Ces cookies permettent de fournir des informations sur les métriques le nombre de visiteurs, le taux de rebond, la source de trafic, etc.
Les cookies publicitaires sont utilisés pour fournir aux visiteurs des annonces et des campagnes de marketing pertinentes. Ces cookies suivent les visiteurs à travers les sites Web et collectent des informations pour fournir des annonces personnalisées.
