En poursuivant votre navigation sur ce site, vous acceptez l’utilisation de cookies pour vous proposer des contenus et services adaptés à vos centres d’intérêts. En savoir plus et gérer ces paramètres. OK X
 
 

 

 

Dossiers

Automatisation des processus métiers par l’Intelligence Artificielle

3 questions à Vincent Poulain d’Andecy, Research Department Manager

Publication: 27 mai

Partagez sur
 
Le cloud et le big data nous ouvre un monde infini d’opportunités ! »...
 

L’Intelligence Artificielle appliquée aux entreprises, de l’histoire ancienne ou le dernier trending buzz word marketing ?

Il y a 30 ans, Yooz s’appelait Informatique et Technologies Avancées et collaborait déjà avec le Laboratoire informatique de l’école d’ingénieurs de Nîmes, l’EERIE, désormais intégré à L’École nationale supérieure des mines d’Alès. La technologie et la collaboration avec la recherche académique pour rester à la pointe font partie de la carte génétique de Yooz et de la vision de son fondateur, Didier Charpentier.

C’est ainsi qu’en 1990, nous avons pu proposer une technologie innovante à l’époque, les Réseaux de Neurones, pour répondre à une entreprise de travaux publics qui souhaitaient faciliter la saisie de rapports d’activité par des personnes peu accoutumées à l’outil informatique.

Les Réseaux de Neurones offraient de nouvelles perspectives en reconnaissance automatique de l’écriture. A partir de là, nous avons pu réaliser un progiciel de lecture automatique de formulaire. Pionnier sur ce marché, nous avons alors rencontré des documents de plus en plus complexe (les chèques, les décomptes de sécurité sociales, les bons de commandes, …) pour lesquels, parallèlement, les progrès scientifiques (reconnaissance de forme, chaîne de Markov pour l’écriture cursive…) permettaient de répondre.

Au début des années 2000, nous avons quitté la simple vision par ordinateur pour aller plus loin dans la compréhension des documents. Grâce à l’invention d’un système expert d’analyse de contenu, nous avons pu extraire des informations précises contenues dans des documents complexes comme les factures. Grâce au Machine Learning sur les données graphiques ou textuelles nous avons classé les documents. Toujours en collaboration avec des laboratoires académiques, l’intégration de connaissances linguistiques, le développement d’approche adaptatives, le développement du DeepLearning et de l’incremental Learning pour s’adapter continuellement aux évolutions des flux documentaires, sont des progrès que nous avons intégrés pour améliorer les performances de nos solutions.

Notre chemin est loin d’être fini : le big data, le cloud, le collaboratif et la capacité de calcul des datacenters, ouvrent non seulement une nouvelle dimension d’amélioration des performances de compréhension automatique des documents mais aussi la possibilité d’accroître notre périmètre d’application, comme par exemple la détection de fraude ou l’analyse décisionnelle.

Pourquoi avoir choisi, chez Yooz, d’utiliser l’Intelligence Artificielle pour automatiser le traitement des documents ?

Depuis toujours, la mécanisation, l’automatisation et la robotisation sont venues soulager l’humain des tâches fastidieuses pour lui offrir plus de temps sur des activités où il a davantage de valeur ajoutée.

Lors du traitement d’un document, l’intéressant est le processus décisionnel déclenché par l’apparition du document. La lecture du document pour en extraire les champs décisionnels et la saisie de ceux-ci dans le système informatique sont clairement des tâches fastidieuses. Pourtant il s’agit d’une tâche relativement intellectuelle. Elle nécessite des compétences d’interprétation des pictogrammes imprimés, les caractères, en symboles intelligibles, les lettres ou les chiffres. Et au-delà, il faut également comprendre le sens de ces symboles dans le discours porté par le document, par exemple déterminer le destinataire du document ou la date du document.

Déterminer ces informations serait très simple s’il n’y avait qu’une seule manière d’écrire un symbole et qu’une seule manière de rédiger un document. Toute la difficulté réside dans la variété des écritures, des formulations, des mises en page. L’humain sait s’adapter, il comprend rapidement que ‘date du document : 11/11/18’ ou ‘fait à Rethondes, le 11/11/18’ désigne la même information. Permettre à une machine de s’adapter à toutes les variations conduit à des techniques d’apprentissage des nombreux exemples (Machine Learning) ou des techniques de raisonnement artificiel déduisant des informations à partir de modèles de connaissance (Systèmes Experts).

L’intelligence artificielle s’est donc naturellement imposée chez Yooz pour automatiser le traitement des documents car notre vision est d’offrir des solutions performantes et adaptables à tout type de document.

Quelle est la nouvelle frontière de ces « robots » faits pour détecter, analyser, identifier des données ?

Un enfant de 3 ans commence à décoder des symboles, un enfant de 6 ans commence à décoder des textes, un enfant de 10 ans commence à comprendre des textes complexes. Le processus d’apprentissage repose sur la répétition des observations : lire, lire, lire et lire jusqu’à mémorisation. Mais également, l’enseignant lui inculque les règles sur la construction des phrases, la syntaxe, la conjugaison, la sémantique de mots remarquables (mais ou et donc…) qui vont fournir à l’enfant des modèles de compréhension des textes.

L’intelligence artificielle met en œuvre des stratégies similaires. Le machine learning s’appuie sur l’apprentissage massif d’exemples, les systèmes experts s’appuient sur un moteur d’inférence qui applique des connaissances, des règles, sur des observations pour en déduire de nouvelles connaissances. Les systèmes experts sont efficaces en généralisation car les règles modélisent la logique du document. En revanche, ils nécessitent un expert humain pour maintenir la base de connaissance. Le Machine Learning ne nécessite pas cette expertise. Aujourd’hui, les réseaux de neurones profonds (DeepLearning) sont très efficaces car les approches cloud permettent de collecter de grandes masses de document, et les datacenters ont la capacité de brasser ces données. Un réseau de neurones est un modèle mathématique statistique, inspiré de l’organisation des neurones biologiques, qui permet de simuler n’importe quelle fonction, a fortiori n’importe quelle fonction de reconnaissance ou de décision. L’apprentissage consiste à calculer statistiquement les milliers de paramètres du réseau à partir des exemples de document. Cette phase d’apprentissage est critique. Parfois elle n’est pas réalisable quand on dispose d’un volume insuffisant d’exemples. Dans ce cas, d’autres modèles existent comme l’incremental learning. Ce type de réseau a l’avantage d’être évolutif et de pouvoir apprendre avec peu d’exemples. Ce réseau peut être nourri continuellement d’exemples pour accroitre continuellement ses performances sans apprentissage massif. Il peut rapidement permettre la mise en œuvre pour l’automatisation des documents moyennement fréquents. Sa limite est qu’il n’atteint pas les performances du DeepLearning quand ce dernier est applicable.

Tous ces systèmes sont complémentaires. Notre choix logique et notre force est de combiner toutes ces technologies dans nos « robots ».

http://www.getyooz.com/

Suivez MtoM Mag sur le Web

 

Newsletter

Inscrivez-vous a la newsletter d'MtoM Mag pour recevoir, régulièrement, des nouvelles du site par courrier électronique.

Email: