Cas d'usage
En France, chaque année, 150 000 contrats correspondant à un montant unitaire supérieur à 90 000€ HT issus d’appels d’offres publics sont passés pour un montant moyen de 90 milliards d’euros. Cela concerne de nombreux domaines de l’activité économique. Nombre d’entreprises passent beaucoup de temps à les étudier, à les analyser pour décider d’y répondre ou non sans garantie de résultat. Leurs statistiques, si elles sont bien tenues, donnent un indicateur.
Avec le Machine Learning, on va plus loin. Il permet d’intégrer des paramètres supplémentaires afin de corréler les éléments demandés dans l’appel d’offre avec les caractéristiques qui y répondent au sein de l’entreprise, en tenant compte l’évolution de celles-ci et également des données exogènes.
Cas d'usage
Les TCA (troubles de la conduite alimentaire) touchent 1 million de personnes (en très grande majorité les femmes) en France dont 600 000 jeunes de – de 35 ans. 2 à 5% de la population mondiale serait concernée par ses différentes expressions : l’hyperfagie, la boulimie, l’anorexie. Ces troubles entraînent des complications de santé tout au long de la vie et augmentent les risques de mortalité précoces. Le diagnostic est rendu délicat par la difficulté qu’éprouvent les patients à en parler.
L’intelligence artificielle mise en œuvre grâce à l’IA Parc va permettre d’automatiser la détection, la prédiction des risques, l’aide au choix du parcours de soin et l’accompagnement du patient.
Cas d'usage
Dans le cadre de l’amélioration des performances de la politique de formation en apprentissage au sein d’une collectivité, l’analyse d’écarts entre besoins et offres de contrat d’apprentissage est importante.
L’application du « Machine Learning » pour analyser les écarts entre l’offre de contrats et la demande des apprentis se fait sur la base de 4 critères :
L’application de visualisation aide à quantifier et à qualifier les écarts entre l’offre et la demande pour décider des mesures adéquates pour réduire ces écarts.
Cas d'usage
Au sein d’une usine de production de pièces pour l’industrie automobile, les opérateurs en 3×8 effectuent le contrôle visuel des pièces en bout de ligne de fabrication. Leur tâche est de retirer les pièces usinées présentant un défaut.
Le travail est fatigant, non valorisant et les performances en terme d’exécution limitées. La détection de défauts difficile.
Avec le Deep Learning, il est possible de détecter les pièces défectueuses en bout de ligne de manière automatique.
Cas d'usage
Le projet cible les industries qui souhaitent mettre en place des outils de supervision et d’aide à la décision liés à la maintenance prédictive.
L’organisation Fastpoint et MomentTech unissent leurs expertises pour collecter et acheminer, depuis les sites industriels les plus contraints, les données de certains équipements industriels (ex : équipements de mesure de radioprotection), en vue de les analyser et de les exploiter sur des modèles de réseaux neuronaux qui permettent d’obtenir de meilleurs résultats.
La solution NucleoT a pour objectif de renseigner les exploitants et les sous-traitants sur les actions de maintenance prédictives à prioriser.
Cas d'usage
La reconnaissance faciale : enjeu évident dans le domaine de la sécurité.
Une entreprise de sécurité souhaite permettre à son réseau de caméras de filmer en permanence la foule d’un centre commercial en vue d’identifier un individu recherché.
La reconnaissance d’images est moins connue dans le domaine de la santé, toutefois elle représente un grand besoin, notamment dans la détection de maladies ou de diagnostics avancés à travers des images radiologiques ou des résultats d’analyse.
Cas d'usage
La planification d’urgence est mise en œuvre par les autorités publiques, les services d’intervention ou encore les entreprises privées. Elle consiste à créer un mécanisme d’anticipation permettant de répondre à des crises quelles qu’elles soient : une guerre, une pandémie, une catastrophe naturelle ou technologique (incendie d’une usine, cyber attaque, produit défaillant ou dangereux…). La planification d’urgence aide à mobiliser les ressources nécessaires afin d’assurer la sécurité des personnes et des biens.
L’IA va enrichir les données historiques de la planification conventionnelle par des algorithmes plus évolués de Machine Learning tout en tenant compte de données internes, et de données externes pour une analyse fine des variables.
La pandémie de Covid a été un formidable terrain d’application du machine learning notamment pour prévoir la propagation du virus, communiquer et donner des informations pertinentes à distance, développer la télémédecine et assurer l’approvisionnement alimentaire.