machine learning, deep learning et search : à quand ces innovations dans nos entreprises ?

Machine learning, deep learning :à quand ces innovations dans nos entreprises ?Search Day 2015William Lesguillier – Product manager offre Valorisation des Données

2

Antidot – Qui sommes-nous?● Editeur de logiciels

● Moteurs de recherche| enrichissement des données● Depuis 1999 | Paris, Lyon, Aix-en-Provence● 3.5 M€, 45 collaborateurs, +150 clients

● Mission : délivrer à nos clients des solutions hautement configurables et innovantes qui créent de la valeur à partir de leurs données et augmentent leur performance opérationnelle

3

Parmi nos clients● Production de contenus

● Industrie

● E-Commerce

● Santé

4

Qu’est-ce que le Machine Learning●Définition : faculté donnée à

un ordinateur d’apprendre un comportement à partir d’exemples

●Fondement scientifique : l’Intelligence Artificielle (IA)

5

Re-re-renaissance de l’IA●L’Intelligence Artificielle est de retour

sur le devant de la scène●Deux facteurs principaux :

●Le développement de la puissance de calcul●La disponibilités accrues des données !

6

L’événement qui change tout

7

L’événement qui change tout●Puissance de calcul : 100 servers●Données disponibles : 200 millions de

pages

8

L’événement qui change tout

9

ML : illustrations des principesDire si un logement se trouve à New York ou San Francisco

Altitude des logements

Concept d’attribut

Crédit : http://www.r2d3.us

10

ML : illustrations des principesDire si un logement se trouve à New York ou San Francisco

Concept de modèle

d’entrainement

11Données d’entrainement

Données de test

ML : illustrations des principesDire si une maison se trouve à New York ou San Francisco

Concept de surentrainement

12

Qu’est-ce que le Deep Learning ?●Se base sur les algorithmes de type réseaux de

neurones●Le système découvre lui-même les attributs et

construit le modèle d’entrainement●Il peut même aller jusqu’à s’affranchir d’une base

d’entrainement (pas de documents étiquetés, ie apprentissage non supervisé)

●Avènement grâce à la puissance des GPU (Graphic Computing Units) très adaptés à ce type de calcul

13

Qu’est-ce que le Deep Learning ?

14

Machine Learning : pour quoi faire ?● Reconnaissance du texte (y compris manuscrit) et de la voix● Traduction automatique● Text mining● Aide à la recherche d’information● Assistants personnels● Assistance au diagnostic médical● Smart cities● Sécurité informatique● Robotique● …

15

Le Machine Learning chez Antidot

Enrich Access

SearchSemantic &

ComplexMachine Learning

Graph & Linked Data

16

Classification automatique

17

Classification automatique

18

Extraction d’entités

19

Les avantages du ML pour le text mining

20

Et pour les moteurs de recherche ?

21

Que s’est-il passé ces 10 dernières dans le monde du moteur de recherche d’entreprise ?

Notre réponse :

Rien de bien folichon

22

3 types de moteurs de recherche

23

Comment un moteur trouve-t-il ?●Il recherche dans les documents le ou

les mots-clés renseignés●Il filtre les documents trouvés avec les

critères fournis (format de document, fourchette de prix…)

●Et enfin, le plus important : il ordonne les document dans l’ordre jugé le plus pertinent

24

Qu’est-ce que la pertinence ?

MotMot

MotMot

Mot

Mot

Mot

Mot

1

Mot

25

Qu’est-ce que la pertinence ?●Cette méthode de pondération s’appelle

tf-idf (Term Frequency-Inverse Document Frequency)

●Elle a été inventée par Gerry Salton, appelé le père de la recherche d’information, en 1970

26

Pertinence des moteurs spécialisés

27

Pertinence des moteurs Web●Etape 1 (90s) : algorithmes tf idf

●Etape 2 (2000) : Google invente le Page Rank

●Etape 3 (2005) : explosion du nombre de paramètres de pondération

●Etape 4 (2010) : utilisation du ML pour trouver la meilleure pertinence en fonction de tous et de chacun

28

Pertinence des moteurs d’entreprise

●tf-idf est toujours implémenté dans tous les moteurs de recherche d’entreprise via les algorithmes appelés Best Match ou Vector Space Model

●L’état de l’art de ces moteurs à 45 ans !!

29

●Today with AFS : 0 results

●Tomorrow with Taruqa :

Sneak peak sur nos travaux de recherchecomment configurer le back office Antidot d’AFS Rechercher

30

●Today with AFS : filtering only is possible

●Tomorrow with Taruqa : Boost documents by facet values

Sneak peak sur nos travaux de rechercheconfiguration back office Rechercher

31

Rendez-vous en 2016 !

32

Sources et ressources● Wikipedia : Histoire de l’intelligence artificielle● TEDx: Ken Jennings, « Watson, Jeopardy and me, the obsolete know-it-all

 »● TechRepublic :

IBM Watson: The inside story of how the Jeopardy-winning supercomputer was born, and what it wants to do next

● A visual introduction to machine learning● Wired : Google’s Artificial Brain Learns to Find Cat Videos● IBM : machine learning applications● Wikipedia : TF-IDF● Wikipedia : BM25● Le Monde : série d’articles de Morgane Tual sur l’intelligence artificielle

Merci de votre attentionDes questions ?