French 
English 
Dutch 
L'intelligence artificielle (IA) et l'apprentissage machine (ML) sont les nouvelles technologies à la mode. Pourtant, l'IA existe depuis longtemps.
Chez Docbyte, nous utilisons l'IA basée sur des règles pour automatiser le tri des documents par catégories dans notre salle de courrier numérique.
En ce qui concerne la ML, c'est là que les choses deviennent intéressantes, car les avantages potentiels sont énormes pour tout processus d'intégration ou de salle d'expédition.
LIVRE BLANC - SALLE DE COURRIER INTELLIGENTE
Mais pour la plupart des gens, l'apprentissage automatique est aussi mystérieux que des bâtiments éloignés par une journée sombre et brumeuse.
Leurs contours flous peuvent nous donner une idée générale de ce dont il s'agit, mais ce n'est qu'en y regardant de plus près que l'on peut distinguer un hôpital d'un immeuble de bureaux ou compter les fenêtres.
Il en va de même pour l'apprentissage automatique. Alors que cette technologie prend de plus en plus d'importance et s'immisce dans notre vie quotidienne, il est grand temps de lever le voile et de dissiper certains des mystères qui l'entourent.
Apprentissage automatique :
Ces deux définitions sont tout à fait pertinentes et mettent en évidence les caractéristiques les plus importantes du ML :
- Une méthode mathématique et statistique
- Peu ou pas d'intervention humaine dans la formation du modèle
- Capacités d'auto-amélioration de l'algorithme
ML vs AI :
En termes simples, l'IA est le terme générique désignant la théorie et le développement de systèmes informatiques qui effectuent des tâches nécessitant normalement l'intelligence humaine, c'est-à-dire qui tentent de simuler un comportement intelligent dans les ordinateurs. Sur cette base, la ML est un outil permettant de créer de l'IA.
Deux types d'apprentissage automatique :
1. Supervisé :
Ce type de ML peut être comparé à une relation élève-enseignant. L'enseignant, un programmeur humain, fournit des données à partir desquelles l'élève, le modèle de ML, apprend à déduire des modèles sous-jacents.
L'élève applique ensuite son apprentissage à de nouveaux exercices, en ajustant son modèle chaque fois que les réponses sont erronées. Plus l'élève reçoit d'exemples de données, plus il s'améliore.
La classification et la régression en sont deux exemples.
Classification :
Vous fournissez à votre algorithme les caractéristiques des articles et un ensemble de catégories dans lesquelles ces articles peuvent être triés.
L'algorithme recherche ensuite des modèles dans la manière dont ces caractéristiques d'articles sont classées, afin de pouvoir classer correctement de nouveaux articles sur la base de ses résultats.
Par exemple, si des fleurs d'une certaine hauteur et d'une certaine couleur poussent dans une région spécifique, les nouvelles fleurs présentant ces caractéristiques devraient entrer dans la catégorie de celles qui peuvent pousser dans cette région.
Régression :
Analyse la relation entre les variables et leur effet sur certaines caractéristiques.
Par exemple, quel est l'impact de la couleur d'une fleur sur son prix ? En découvrant ces effets de causalité, l'algorithme peut fixer avec précision les prix des nouvelles fleurs.
2. Non supervisé :
Alors que les modèles supervisés impliquent une certaine forme d'interaction humaine et des règles prédéfinies, les modèles non supervisés n'en ont pas.
Les données sont transmises à un algorithme, qui en déduit lui-même les schémas et les caractéristiques. Voici à nouveau deux exemples :
Regroupement :
Au lieu de demander à l'algorithme de trier les caractéristiques des articles dans des catégories prédéfinies, vous fournissez des données et laissez l'algorithme définir les catégories dans lesquelles il trie les caractéristiques des articles.
Modélisation des sujets :
À l'instar du regroupement, les algorithmes de modélisation thématique extraient un nombre prédéfini de sujets à partir des données qui leur ont été fournies.
Derrière le buzz :
Exploration de données
Il s'agit probablement de l'expression à la mode la plus couramment entendue et la plus déroutante. Contrairement à ce que son nom pourrait suggérer, le data mining ne consiste pas à extraire de nouvelles données de divers systèmes.
Il s'agit en fait de creuser dans votre montagne de données existantes pour trouver les informations les plus utiles, ce qui est plus proche du filtrage des données que de l'exploitation minière.
Réseau neuronal
Apprentissage profond ou DL
Un autre terme générique pour les techniques et les modèles traitant des problèmes complexes qui nécessitent une énorme quantité de données. Avec l'apprentissage profond, l'objectif est d'utiliser des réseaux neuronaux pour simuler la pensée humaine.
Un réseau neuronal profond se différencie des autres réseaux neuronaux par sa taille. Alors qu'un réseau normal peut compter 1 000 neurones, par exemple, ceux des scénarios d'apprentissage en profondeur se comptent généralement par centaines de milliers.
Par exemple, le dernier modèle de traitement du langage naturel (voir ci-dessous) de Google est le suivant 340 millions d'euros paramètres. Bien entendu, cela rend l'apprentissage en profondeur très complexe et sa mise en œuvre nécessite des efforts considérables.
En revanche, les réseaux neuronaux profonds produisent de bien meilleurs résultats que les autres approches de ML.
Par exempleEn contrepartie d'une complexité accrue, nous obtenons la capacité d'interpréter le langage de manière extrêmement efficace par le biais d'algorithmes.
Cela signifie que nous pouvons maintenant automatiser le traitement des documents à un niveau sans précédent. DL se distingue également par sa capacité à analyser correctement les données non structurées, telles que les images et les vidéos.
Cela permet d'atteindre un niveau d'automatisation encore plus élevé, en offrant des capacités avancées de recherche d'images, d'identification des visages, de classification des images, etc.
Traitement du langage naturel ou Nlp
Cela ouvre la voie à l'utilisation de la ML pour étiqueter et extraire des informations d'un texte non structuré.
Les robots vocaux et de conversation, l'analyse des centres d'appels et bien d'autres choses encore ont permis à la PNL d'automatiser davantage les processus existants et d'en créer de nouveaux afin d'améliorer l'efficacité.
Reconnaissance des formes
Lorsqu'il s'agit de discerner des schémas dans des tas de données, l'intelligence artificielle et l'apprentissage automatique n'ont pas d'égal.
Ils peuvent découvrir des corrélations que les humains ne verraient normalement pas ou qu'ils ne pourraient jamais voir en raison de la quantité d'informations disponibles.
La reconnaissance des formes est particulièrement utile pour votre salle de courrier, car elle vous permet d'extraire des données quelle que soit la disposition utilisée.
De nombreuses salles de courrier utilisent déjà une certaine forme d'intelligence artificielle pour extraire des informations, mais elle se limite souvent à des modèles prédéfinis.
Même des modifications limitées de l'agencement peuvent empêcher un fonctionnement correct. Les salles d'expédition avec reconnaissance des formes, comme DocbyteIl peut extraire et classer correctement tous les documents qu'il reçoit, quelle que soit leur présentation.
Pourquoi utiliser l'apprentissage automatique ?
L'objectif de la ML est de trouver des connexions et des modèles statistiques avancés. Bien que des règles prédéfinies nous permettent également de le faire, le processus est beaucoup plus difficile, prend beaucoup de temps et n'est finalement pas aussi précis.
De plus, une fois l'algorithme d'un modèle ML programmé, il apprend tout seul, ce qui réduit le travail du développeur.
La précision est un autre avantage de la technologie. Dans un cas d'utilisation, les modèles basés sur des règles nous ont donné environ 50 % de réponses correctes, alors que l'apprentissage automatique en a donné 80 % ! Les algorithmes d'apprentissage automatique sont capables de découvrir des schémas que les humains ne peuvent pas suivre.
Automatisation des processus robotiques et intelligents :
Traditionnellement, les développeurs automatisent les processus en créant une vue d'ensemble des tâches, puis en connectant et en scénarisant les étapes nécessaires à l'automatisation.
Avec l'automatisation des processus robotiques (RPA), un ordinateur élabore lui-même cette liste d'actions en observant les utilisateurs accomplir les tâches. Il est donc possible d'automatiser vos flux commerciaux sans interaction humaine.
Cependant, ce sont toujours les humains qui décident quand et sur quel processus la RPA doit s'exécuter. L'automatisation intelligente des processus (IPA) améliore encore la RPA en y ajoutant des capacités d'IA et de ML telles que la recherche d'images, la reconnaissance vocale et l'identification des visages.
Ces nouvelles technologies offrent de nombreuses possibilités d'accroître l'automatisation à des niveaux jamais atteints auparavant.
Par exemple, des systèmes qui remplissent automatiquement des modèles d'entreprise, tels que des factures, sur la base d'informations extraites de documents numérisés.
L'avenir du ML à Docbyte :
Les modèles avec des règles définies manuellement peuvent très bien fonctionner. Mais à mesure que les problèmes que nous voulons résoudre avec l'IA deviennent plus complexes, nous constatons que nous avons atteint leurs limites.
Les cas d'utilisation complexes nécessitent des milliers de règles, et le codage manuel de ces règles est un travail de titan inutile.
L'apprentissage automatique peut contribuer à réduire le travail, et il est donc certain qu'il occupera une place beaucoup plus importante dans les futurs projets d'IA.
Cela étant dit, les règles ne sont pas pour autant caduques. La ML nécessite toujours un investissement important en temps et en efforts, de sorte que pour les problèmes de base, les règles restent, eh bien, des règles.
L'apprentissage automatique dans une salle de courrier numérique :
Si l'on considère le type de ML qui présente le plus de potentiel pour Docbyte, la classification et la modélisation de sujets semblent être la voie à suivre.
Notre salle d'expédition numériquePar exemple, il intègre déjà des algorithmes de classification afin de rendre plus efficace le tri des courriels en différentes catégories.
En particulier, dans les cas de tri complexes, nous nous sommes éloignés du tri basé sur des règles et avons introduit l'apprentissage automatique pour améliorer la vitesse et la précision de la catégorisation.
Accélérez l'intégration grâce à la ML :
DEMANDEZ NOTRE LIVRE BLANC SUR LES SALLES DE COURRIER INTELLIGENTES
