loder

Cas d'usage

Services

Analyse automatique d’appels d’offres et scoring prédictif de succès

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 permettant de corréler les éléments demandés dans l’appel d’offre avec les caractéristiques qui y répondent au sein de l’entreprise, tout en prenant en compte l’évolution de celles-ci et également des données exogènes.  

Objectifs
  • Amélioration du process et de la  productivité par l’analyse automatique des appels d’offres récurrents.
  • Accès à l’outil de scoring et d’aide à la décision à tous les collaborateurs pour une analyse collégiale et une minimisation d’erreurs d’appréciation. 
  • Détermination d’un score de prédiction de gain des appels d’offres.
Contraintes
  • Historique de données nécessaire sur les appels d’offres passés et leurs résultats
  • Détermination de l’exhaustivité des paramètres concernés dans les AO et les données de l’entreprise répondante
  • Evolution dans le temps des caractéristiques (atouts et faiblesses) de l’entreprise répondante pour éviter les biais du modèle
Avec l'IA Parc
  • Apprentissage automatique sur l’IA Parc d’un modèle de Machine Learning
  • Prédiction automatisée en temps réel avec un score de confiance de la capacité à gagner l’appel d’offre étudié
  • Temps d’étude divisé par 10 – Flux d’activité potentiel multiplié par 5

Cas d'usage

Santé

Création d’outil d’aide au diagnostic

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.

Objectifs
  • Détection, aide au diagnostic, analyse assistée 
  • Analyse de parcours patient
  • Accompagnement patient dans les bonnes habitudes alimentaires
Contraintes
  • Difficulté de poser un diagnostic et de définir un traitement
  • Récupération de données 
Avec l'IA Parc
  • Analyse sémantique de NLP pour la création par modèle Bert d’un Bot d’auto-évaluation du patient
  • Utilisation des réseaux de neurones
  • Analyses du parcours patient par  statistiques et Machine Learning

Cas d'usage

Formation

Outil d’analyse des écarts entre besoins et offres de formation

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 :

  • le métier
  • le niveau de diplôme en cours d’acquisition
  • la zone géographique
  • l’âge de l’apprenti

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.

Objectifs
  • Réalisation d’outil prédictif d’aide au choix d’une politique d’apprentissage
  • Visualisation des courbes d’offres et de demandes de contrats d’apprentissage avec des filtres applicables critère par critère
  • Auto-évaluation de la qualité de la prévision (permettant de détecter d’éventuelles données manquantes)
  • Intégration progressive de nouvelles sources de données
Contraintes
  • Durée d’analyse et d’extraction des données utiles sur les bases de données des contrats d’apprentissage
Avec l'IA Parc
  • Analyse des données via EleasticSearch et élaboration d’un prototype d’analyse multicritères. 
  • Utilisation du Machine Learning, les séries temporelles chronologiques, le clustering et le forecasting au moyen de Prophet
  • Création de modèle dans un projet collaboratif de l’IA Parc, publié, validé par l’équipe de test et passé à l’échelle pour déploiement sur une application de visualisation des courbes et des données de prédiction

Cas d'usage

Industrie

Contrôle qualité sur ligne de production de pièces automobiles

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.

Objectifs
  • Valorisation du travail des opérateurs en bout de ligne de production en faisant évoluer leur fonction 
  • Automatisation du contrôle par caméras fixes reliées à un PC de contrôle réalisant l’analyse en temps réel des images avec une IA pré-entrainée.
  • Amélioration des performances de détection
Contraintes
  • Absence d’historique de données 
  • Production de données en grandes quantités par la mise en œuvre de portiques montés de caméras prenant des clichés de pièces défectueuses : 10 caractéristiques.
  • Apprentissage automatique sur l’IA Parc de plusieurs centaines de clichés sous différents angles et par type  de défaut possible
Avec l'IA Parc
  • Détection automatique en temps réel des pièces défectueuses sorties de la ligne de production
  • Installation d’un IA Parc dédié sur site 
  • Logiciel de traitement avec poste opérateur et contrôle des caméras

Cas d'usage

Nucléaire

Maintenance industrielle sensible

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. 

Objectifs
  • Capacité à prédire les pannes et les dysfonctionnements des équipements au plus tôt
Contraintes
  • Collecte, sécurisation et acheminement des données issues des équipements de radioprotection
  • Identification de signaux faibles dans la radioprotection
Avec l'IA Parc
  • Fiabilité de l’interprétation des données rendue possible par les algorithmes de deep learning
  • Mise en place de mécanismes de synchronisation des modèles/jeux de données utilisés par les IA 
  • Création de modèles prédictifs évolutifs et paramétrables sur les données de radioprotection
  • Entraînement et optimisation de ces modèles
  • Construction de  modèles prédictifs

Cas d'usage

Sécurité

Détection de visage, augmentation de la résolution, reconnaissance faciale et identification en temps réel

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.

Objectifs
  • Simultanément et en temps réel, analyse de tous les visages dans un espace
  • Filtrage par critère et extraction des visages approchants
  • Augmentation de la résolution pour améliorer la netteté du visage
  • Comparaison avec une base de données et identification
Contraintes
  • Multiplication de caméras à installer car la foule se déplace en tous sens 
  • Reconnaissance d’un individu se cachant derrière un attribut 
Avec l'IA Parc
  • Combinaison des algorithmes RetinaFace (localisation de visages dans l’environnement), Guided  Super Resolution without facial landmarks (appliquer une super résolution aux images trop petites et floues)  et Pose-Robust Face Recognition via Deep Residual Equivariant Mapping et reconstruction de forme
  • Entraînement du modèle 

Cas d'usage

Crise

Gestion de crise : planification d’urgence

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.

Objectifs
  • Détection du Covid et prévision de son expansion grâce à des algorithmes de Machine Learning
  • Anticipation des conséquences de sa propagation sur l’ensemble de l’activité sociale, économique, sanitaire et institutionnelle du pays
Moyens
  • Recueil de données contenues dans les bulletins sanitaires de 65 pays et autant de langues, la localisation des maladies animales, ajouté aux données des compagnies aériennes.
Avec l'IA Parc
  • Intégration par exemple de l’outil R qui outre le langage, fournit un environnement pour le traitement, la modélisation et la visualisation de données.
  • Manipulation des données en intégrant une série de techniques statistiques, de clustering, de classification, d’analyses et graphiques
  • Recherche et optimisation du meilleur modèle pour  une mise en œuvre facile et intuitive rendue possible  par le choix des meilleurs frameworks de Machine Learning : Scikitlearn, Tensorflow ou Pytorch
Contactez-nous