Conseils IT

Conseils IT

Intelligence Artificielle et Data Science

• Comment l’IA révolutionne vos traductions (et le métier de traducteur)

  L’Intelligence Artificielle ne va pas mettre les traducteurs au chômage. Mais elle rebat les cartes en fonction des cas d’usages et recentre la traduction humaine sur la traduction hybride et la « transcréation ».  Lire la suite

• Traitements IA : pourquoi il ne faut pas sous-estimer les CPU

  Les GPU sont souvent présentés comme le véhicule de choix pour exécuter les workloads IA, mais la pression est forte pour étendre le nombre et les types d’algorithmes qui peuvent fonctionner efficacement sur les CPU.  Lire la suite

• Les trois plus grands défis de la transformation digitale (et comment les résoudre)

  Isaac Sacolick, auteur d’un best-seller sur le sujet, décrit ici les principaux défis auxquels les organisations vont être confrontées dans leur transformation numérique et la manière de les résoudre.  Lire la suite

• Stratégie IA : les cinq bonnes habitudes pour la mener à bien (Gartner)

  En ce début d’année – malgré un contexte particulier – il est toujours bienvenu de prendre de bonnes résolutions. Lors de son Symposium, Gartner a recommandé aux entreprises cinq habitudes afin d’assurer le succès de leur stratégie IA.  Lire la suite

• Intelligence Artificielle et finance : les freins les plus courants (et comment les surmonter)

  La gestion financière et la comptabilité ont beaucoup a gagné de l’Intelligence Artificielle. Mais les freins sont nombreux. En voici sept, très courants, et la manière de les lever pour vous assurer du succès de vos projets d’automatisation et de ...  Lire la suite

• Les 15 techniques les plus populaires de la data science

  Les data scientists exploitent une variété de techniques statistiques et analytiques pour tirer de la valeur des jeux de données. Voici 15 méthodes de classification, de régression et de clustering.  Lire la suite

• Comprendre l’informatique quantique en mode cloud

  L'informatique quantique attise l’intérêt des développeurs et des acteurs du cloud. AWS, IBM, Google ou Microsoft : tous s’y sont lancés. Et si, d’après les analystes, il y a peu de chances qu’un ordinateur quantique soit opérationnel avant ...  Lire la suite

• 9 problèmes de qualité des données qui menacent vos projets IA

  La qualité de vos données a une incidence sur le bon fonctionnement de vos modèles d’IA et de machine learning. En identifiant et en anticipant ces neuf problèmes de données, les organisations seront en mesure de préparer des algorithmes efficaces.  Lire la suite

• IA, machine learning, deep learning : quelles différences ?

  Dans le domaine de l’Intelligence Artificielle, ces trois termes sont souvent utilisés de manière interchangeable, alors qu’ils recouvrent des notions distinctes.  Lire la suite

• L’IA neuro-symbolique, évolution de l’intelligence artificielle ?

  L’unification de deux approches antagonistes est considérée comme une étape majeure dans l’évolution de l’IA. Le présent article traite des travaux des plus grands spécialistes du domaine qui visent à associer raisonnement symbolique et deep ...  Lire la suite

• Les dix usages les plus courants du Machine Learning en entreprise

  Les applications de Machine Learning dégagent de la valeur dans toutes les fonctions métier. Voici dix exemples d’applications en entreprise.  Lire la suite

• Sans respect du RGPD, pas d’IA pour le Service Desk

  Les données recueillies par un Service Desk ont souvent un caractère personnel (dans le sens du RGPD). Il faut donc prendre quelques mesures pour s’assurer d’être en conformité lorsqu’on veut augmenter son ITSM avec de l’Intelligence Artificielle, ...  Lire la suite

• L’intelligence artificielle générale sera-t-elle bientôt une réalité ?

  L’intelligence artificielle générale sera-t-elle bientôt une réalité ? Et si l’IAG devient vraiment une réalité un jour, est-ce qu’elle fonctionnera comme le cerveau humain ? Ou existerait-il une meilleure voie à suivre pour créer des machines ...  Lire la suite

• Apprentissage supervisé et non supervisé : les différencier et les combiner

  Découvrez comment LinkedIn, Zillow et d’autres choisissent entre l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage semi-supervisé pour leurs projets de machine learning.  Lire la suite

• Comment construire un modèle de Machine Learning en 7 étapes

  Il faut de la patience, de la préparation et de la persévérance pour construire un modèle de machine learning viable, fiable et agile qui rationalise les opérations et renforce les métiers.  Lire la suite

• Processus : repérez vos bons candidats pour le RPA

  Le RPA est un très bon outil d’automatisation. Mais il n’est pas adapté à tous les processus. Voici dix critères pour sélectionner ceux de votre entreprise qui sont le plus adaptés à cette technologie et qui en tireront le plus de valeur.  Lire la suite

• IA Frugale : comment entraîner des modèles avec peu de données ?

  Entraîner des modèles de machine learning avec peu de données, est-ce possible ? Oui, mais les spécialistes considèrent que les techniques d’enrichissement sont suffisamment performantes pour généraliser les apprentissages de leurs modèles.  Lire la suite

• L’IA, triple meilleure alliée du support de la « Modern Workplace »

  Les postes de travail modernes, configurés et gérés à distance, simplifient la vie des utilisateurs. Mais cette simplicité crée une masse de données et une nouvelle complexité pour l’IT et le service support. L’IA peut les aider de trois façons, ...  Lire la suite

• NLP : ciblez les utilisateurs, pas les records sur les benchmarks

  Alors que les frameworks d’évaluations standardisées du NLP gagnent en popularité, les experts invitent les data scientists à se concentrer sur des métriques personnalisées pour assurer le succès de leurs applications NLP.  Lire la suite

• Quand choisir un moteur de règles ou le machine learning

  Le choix entre un moteur de règles et un algorithme de machine learning dépend de la complexité de la tâche décisionnelle à accomplir et du niveau d'expertise des équipes en interne.  Lire la suite

• Feature engineering : cinq conseils essentiels pour améliorer vos modèles IA

  De la compréhension de l'objectif escompté d'un modèle algorithmique à la prise en compte des spécificités du domaine d'application, des experts partagent les méthodes pour faciliter la phase de feature engineering.  Lire la suite

• NLP : les techniques et les algorithmes préférés des data scientists

  Quels sont les algorithmes et les techniques d’entraînement les plus populaires dans le traitement du langage naturel ? Cet article revient sur les outils d’entraînement les plus appréciés des data scientists spécialistes du NLP.  Lire la suite

• Deep learning : réseaux neuronaux RNN et CNN quelles différences ?

  Les réseaux de neurones convolutifs et récurrents sont à la base de nombreuses applications d’intelligence artificielle. Découvrez les différences entre ces deux types de réseau de neurones artificiels.  Lire la suite

• Les cinq cas d’usage les plus communs de l’IA dans l’IT Ops

  Le machine learning est un sujet d’actualité pour les divisions IT et les entreprises. Apprenez comment les équipes en charge des opérations IT appliquent le plus souvent la technologie, de la réponse du service d’assistance à l’évaluation de la ...  Lire la suite

• Pistes pour comparer les outils d’analytiques avancées

  Le choix d’un fournisseur de BI augmentée et d’analytique avancée peut être difficile tant les offres semblent similaires au premier abord. Voici quelques conseils du Gartner et de Forrester pour mieux sélectionner ses outils.  Lire la suite

• Machine learning : six conseils pour faire la chasse aux biais

  À mesure que l’adoption du machine learning se développe, les entreprises doivent devenir des experts en préparation de données, faute de quoi elles risquent d’obtenir des résultats inexacts, injustes ou même dangereux. Voici comment lutter contre ...  Lire la suite

• Machine Learning : les 9 types d’algorithmes les plus pertinents en entreprise

  Le machine learning devient la priorité de bon nombre d’entreprises. Elles veulent modéliser d’importants volumes de données. Le choix du bon algorithme dépend des objectifs à atteindre et de la maturité de votre équipe de Data Science.  Lire la suite

• Comment développer un chatbot bien adapté à votre service client ?

  Compréhension du contexte, intelligence émotionnelle, personnalité du bot, exploration de la voix, analyse des différents moteurs sont autant de critères qui conditionnent le succès d’un projet de chatbot, selon une expertise de Devoteam.  Lire la suite

• Intelligence artificielle : un service desk à la fois plus « user et agent friendly »

  L’IA multiplie les canaux, les créneaux horaires et les langues pour accéder à un Help Desk. Pour les agents, elle gère les cas basiques et fait en sorte de les « augmenter ». Les deux aboutissent à un service plus apaisé et humain. Loin d’une ...  Lire la suite

• Data scientist et data engineer : deux experts à ne pas confondre

  Les data scientists et les ingénieurs data travaillent souvent ensemble, et parfois ces deux postes sont confondus. Découvrez ce qui différencie ces deux rôles.  Lire la suite

• L’essentiel sur Oracle Data Science

  Oracle a ajouté une gamme de nouveaux services à sa plate-forme cloud pour fournir aux Data Scientists et aux Data Analysts plus de fonctionnalités de gestion et d'analytiques avancées.  Lire la suite

• Le « Dynamic Data Storytelling » au cœur de la nouvelle génération de BI (Gartner)

  Analytique « augmentée », « avancée », et « automatisée » sont les nouvelles tendances clefs de la Business Intelligence. Mais l’analytique « dynamique » – dont on dit qu’elle remplacera les traditionnels tableaux de bord – sera certainement la ...  Lire la suite

• Data Science : quatre conseils de Gartner pour réussir son projet IA

  Les entreprises aimeraient se reposer sur la Data Science, mais elles sont confrontées à des difficultés telles que les projets ne dépassent pas souvent la phase du PoC. Gartner recommande de suivre quatre bonnes pratiques pour passer ces projets en...  Lire la suite

• IoT : les services cloud dédiés d'AWS, Microsoft et Google

  Utilisez ce récapitulatif des offres IoT de Microsoft, AWS et Google pour vous aider à décider ce qui convient le mieux à vos besoins en matière de collecte, de traitement et d'analyse des données des appareils dans le cloud.  Lire la suite

• Trois étapes importantes pour bien débuter avec l’IA

  L’Intelligence Artificielle n’est pas si simple à mettre en place dans une organisation. Elle demande de penser différemment, de bien comprendre ce qu’elle peut faire, et de ne pas négliger les données. Voici trois conseils pour partir sur de bonnes...  Lire la suite

• Cinq pistes pour pallier la pénurie de Data Scientists

  Mais où sont donc les Data Scientists ? En attendant de les trouver - s'ils existent - voici quelques moyens de gérer vos données et vos stratégies analytiques en exploitant au mieux vos ressources actuelles.  Lire la suite

• Qu’est-ce que le DataOps (Data Operations) ?

  Selon Gartner, le DataOps doit réconcilier les opérateurs avec les consommateurs des données pour favoriser l’exploitation de l’analytique dans toute l’entreprise. Quelles sont les différences avec le DevOps ?  Lire la suite

• Data Science : comment améliorer votre storytelling ?

  Comment créer des histoires percutantes et convaincantes à partir de données numériques froides et muettes ? Des experts partagent leurs conseils sur la façon d’améliorer vos compétences en matière de narration et mieux communiquer les résultats de ...  Lire la suite

• Explicabilité des IA : quelles solutions mettre en œuvre ?

  S’il est communément accepté que les algorithmes de type Machine Learning/Deep Learning fonctionnent comme des boîtes noires, la recherche avance quant à l’explicabilité des résultats délivrés par les IA. Des techniques et frameworks sont en train ...  Lire la suite

• Des données non structurées aux données structurées : c’est possible avec le Machine Learning

  Avec la puissance de calcul facilement accessible et les progrès en matière de Machine Learning, il devient plus facile et moins coûteux de transformer les données non structurées en sources d'information comestible.  Lire la suite

• Trois conseils pour rendre votre Machine Learning plus efficace

  Nipa Basu, experte de l'analytique, donne trois conseils sur la façon d'intégrer les outils d'apprentissage automatique dans les processus métier pour que les algorithmes aident vraiment à prendre de meilleures décisions.  Lire la suite

• Que font les entreprises avec le Machine Learning ?

  Détection de fraudes, moteurs de recommandations, arbre de décision, sécurité sont autant d’usage du Machine Learning en entreprise. On y apprend également la différence entre apprentissage supervisé et non supervisé.  Lire la suite

• Trois exemples concrets d’algorithmes de Machine Learning

  Découverte par affinité, la classification, le clustering sont autant de méthodes d’analyse des données qui s’adossent à des algorithmes de Machine Learning. Cet article en liste trois, ainsi que leur fonctionnement.  Lire la suite

• L’expérience utilisateur, une clé du déploiement du Deep Learning en production

  Lorsqu’il s’agit de déployer des modèles de Deep Learning en production, les experts s’accordent sur un point : il est fondamental de ne pas perdre de vue des fondamentaux pour s’assurer que les résultats souhaités soient bien là, auprès de la bonne...  Lire la suite

• Machine Learning vs Deep Learning ? La même différence qu'entre un ULM et un Airbus A380

  Le Deep Learning partage certaines caractéristiques avec l'apprentissage statistique traditionnel. Mais les utilisateurs expérimentés le considèrent comme une catégorie à part entière avec une conception de modèles prédictifs et des résultats bien ...  Lire la suite