Pour ne rien manquer de la transformation digitale

Abonnez-vous au Digest
Recherche
Savoir quel est le bon moment pour ensemencer un champ ou monitorer les flux de discussions sur les réseaux sociaux… Les usages permis par le machine learning sont de plus en plus nombreux et ouvrent toujours plus de perspectives business. Découvrons 4 exemples très concrets !

Pour promouvoir Leade.rs, une plateforme qui permet aux organisateurs d’évènements de se connecter avec des intervenants, le serial entrepreneur Loïc Le Meur a réuni à Paris les 11 & 12 avril 2017 plusieurs speakers prestigieux. Parmi eux, Jennifer Marsman. Cette développeuse et évangéliste chez Microsoft a partagé plusieurs cas d’usages autour de l’intelligence artificielle et du machine learning.

Détecter les mensonges en analysant les ondes cérébrales (ou comment savoir si l’on va obtenir une promotion)

Pour entamer sa démonstration et donner un aperçu des possibilités actuelles du machine learning, Jennifer Marsman a débuté son intervention en évoquant un projet personnel, pour lequel c’est son propre époux qui a servi de cobaye.

Après avoir équipé son conjoint d’un casque capable de mesurer l’activité électrique du cerveau, elle lui a posé une série de questions, l’obligeant d’abord à dire la vérité, puis à mentir. La développeuse a ensuite mis les données obtenues dans Azure Machine Learning, un outil qui permet de construire des flux de données très facilement à partir d’une interface drag & drop. Objectif : déterminer si une réponse est vraie, ou non.

Les premiers tests effectués par Jennifer Marsman ont atteint une exactitude de près de 93%… Ce qui lui a donné des idées ! Deux semaines plus tard, c’est son manager qu’elle a entraîné dans son expérimentation. Après avoir suivi une méthodologie similaire, elle a rassemblé les données collectées dans son modèle de machine learning, puis a mis en place une interface permettant visualiser les résultats.

Que demanderiez-vous à votre manager si vous pouviez vous assurer de la véracité de sa réponse ? Jennifer Marsman a interrogé le sien sur la possibilité d’une prochaine promotion. Ce dernier a répondu positivement… Une affirmation qui s’est vérifiée quelques semaines plus tard, validant en même temps le modèle mis en place par la développeuse !

Monitorer les conversations sur les réseaux sociaux (ou comment le machine learning a sauvé Noël)

En 2010, le compte @XboxSupport a été nommé Most Responsive Corporate Account on Twitter par le Guiness des Records. Pour la marque, Twitter est un excellent moyen de recueillir des datas qu’elle peut ensuite exploiter grâce au machine learning. Pour cela, les chercheurs Microsoft et les équipes Xbox ont fait une analyse de texte sur cet énorme flux de données.

Première étape, détecter la langue utilisée, anglais, espagnol ou français. Il s’agit ensuite d’extraire les mots-clés, afin de déterminer les sujets évoqués. Dans la phrase « Mon hôtel propose des services fabuleux », il s’agira par exemple du mot « hôtel ». Enfin, les équipes Microsoft effectuent de l’analyse de sentiment, de manière à obtenir une échelle qui va de 0 (sentiments très négatifs et clients mécontents) à 1 (sentiments très positifs).

Monitorer les conversations sur les réseaux sociaux (ou comment le machine learning a sauvé Noël)

La charte utilisée en interne par les équipes support de la marque Xbox, pour monitorer les conversations sur Twitter : la taille d’une bulle dépend du nombre de personnes évoquant un sujet, tandis que la couleur, et le nombre, sont relatifs aux sentiments.

« Le jour de Noël 2016, raconte Jennifer Marsman, nous avons vu apparaître une grosse bulle rouge qui indiquait « code ». Alertés, nous avons regardé les tweets et constaté qu’un problème avec un code prépayé affectait une partie des utilisateurs. Nous avons ainsi pu le fixer très rapidement… et c’est comme ça que le machine learning a sauvé Noël ! »

Recenser les girafes (pour mieux les protéger)

En Afrique, la population des girafes Masaï est en déclin. Le Wild Nature Institute rassemble des scientifiques qui les observent pour mieux comprendre les facteurs de leur disparition. Pour cela, ils procèdent notamment à leur recensement, en les identifiant grâce à leurs taches qui, comme nos empreintes digitales, sont uniques. Le problème est que les girafes ne défilent pas devant la caméra avec le bon angle et à la bonne distance. Jusqu’à présent, il fallait donc recadrer et redimensionner chaque photo à la main… Un travail titanesque.

Grâce à une technologie de machine learning déployée dans le cloud Azure, les équipes Microsoft ont mis en place un algorithme de détection d’objet, capable de repérer le torses des animaux de façon très précise… et donc de faire gagner énormément de temps aux scientifiques du Wild Nature Institute.

Un SMS pour savoir quand planter des cacahuètes

En Inde, l’International Crops Research Institute for Semi-Arid Tropics (ICRISAT) cherchait à améliorer la productivité des champs de cacahuètes. Avec l’aide des équipes Microsoft, ils ont bâti un modèle de machine learning permettant de déterminer, grâce à plusieurs facteurs comme la météo ou le pH des sols, quel était le meilleur moment pour les semences. Les agriculteurs ont alors pu s’inscrire pour recevoir un SMS les alertant du moment idéal pour effectuer les plantations.

Traditionnellement, ces derniers avaient l’habitude d’ensemencer lors d’un festival. Quand celui-ci est arrivé, le SMS n’avait toujours pas été envoyé, car la période n’était pas optimale. Environ 3 000 agriculteurs décidèrent néanmoins d’effectuer les semis, tandis que 4 000 autres ont attendu l’alerte SMS, soit deux semaines supplémentaires. Ils ont eu raison : leurs plants de cacahuètes ont bénéficié d’environ 30% de croissance de plus !

Retrouvez l’intégralité de l’intervention de Jennifer Marsman