Démystifier le Machine Learning et l'Intelligence Artificielle

mai

06

10 h 30 – 12 h CEST

Machine Learning, Intelligence Artificielle, Big Data, industrie 4.0.

Vous avez sans doute déjà rencontré ces termes dans les journaux, dans des magazines, à la télévision ou dans des podcasts. Mais connaissez-vous leur signification ?

Il existe autant de réponses que de spécialistes, et à en croire certaines affirmations, l'Intelligence Artificielle et le Machine Learning seraient une sorte de « magie noire » qui, bientôt, viendra automatiser et voler nos emplois. Vraiment?

Non,  l'Intelligence Artificielle et le Machine Learning sont des termes definissant des programmes qui ont fait leurs preuves, des approches ou encore à des techniques conçues pour tirer parti d'une plus haute disponibilité des données. L'apprentissage supervisé et non supervisé se trouve par exemple au cœur même du Machine Learning et repose sur des techniques de modélisation statistique reconnues, telles que la régression, la classification et le clustering.

Rejoignez-nous lors d'une présentation et d'un panel de discussion pour en apprendre plus. Vous y retrouverez des conseils et des témoignages sur les bonnes pratiques en matière de techniques de Machine Learning et sur la façon dont les intégrer efficacement aux programmes, afin d'exploiter au mieux vos données de générer une valeur ajoutée accrue pour votre entreprise.

Présentation

David Hand

David J. Hand

Chercheur principal et professeur de mathématiques à l'Imperial College London

Le Dr David Hand est un membre de la British Academy et lauréat de la médaille Guy, attribuée par la Royal Statistical Society. Il a occupé par deux fois le siège de président de la Royal Statistical Society et est aussi l'auteur de deux ouvrages : The Improbability Principle et Dark Data. En 2013, David Hand s'est vu décerner l'ordre de l'Empire britannique au titre de ses travaux de recherche et d'innovation.

Panel de discussion

Concevoir des modèles de données utiles a toujours été un élément indispensable pour les entreprises s'efforçant de se démarquer par leur innovation. Seule ombre au tableau : les projets liés à l'industrie 4.0, au big data et à la transformation numérique, qui viennent accroître la complexité des données. Participez à une discussion au cours de laquelle des intervenants partageront leurs perspectives, et découvrez comment des entreprises de renom résolvent plus rapidement leurs problèmes et suscitent davantage l'innovation.

Qu'allez-vous apprendre ?

Les données sont désordonnées : si votre objectif de modélisation consiste à améliorer leur compréhension plutôt que leur prédiction, vous devez comprendre ce que ces données représentent. Avant de concevoir un modèle performant, vous devez savoir comment nettoyer des données, les rendre analysables, ou encore communiquer et partager vos résultats pour qu'ils soient exploitables. Maîtriser les techniques de Machine Learning n'est donc que l'un des éléments qui vous permettront de résoudre plus rapidement des problèmes tout en suscitant davantage l'innovation.

Le débat vous permettra de mieux comprendre  :

 
  • Le cycle de vie d'un modèle empirique, des données au déploiement.
  • Les différents types de modèles empiriques, leurs structures, leurs forces et leurs faiblesses.
  • Les modèles et techniques classiques de Machine Learning , et le lien qui subsiste avec les modèles empiriques.
  • Les bonnes pratiques en matière de construction rapide de modèles prédictifs et explicatifs.
  • La façon dont mettre en place des initiatives de Machine Learning ou de les intégrer à des programmes existants.
  • Les bonnes pratiques en matière d'automatisation.

Back to Top