5 exemples d'apprentissage automatique que vous devriez connaître

0

Paul Matthews, freelance tech writer, writes about examples of machine learning across the the healthcare, entertainment, marketing and éducation industries. 

From front end développement to the automotive sector, the applications de apprentissage automatiqueg for entreprise purposes is bigger than ever. Examples of machine learning in the real world include recommendation engines, object detection, natural language processing, and more. Let’s analyse five interesting examples of how ML is being used to deliver better online experiences and advance healthcare and education.

1. La musique : Spotify et Soundcloud 

 Des sociétés comme Universal, Sony et EMI ont connu une numérisation massive au cours des dix dernières années, passant de la "vente d'un certain nombre de disques" à la "diffusion en continu de ce disque pendant un nombre "n" de fois". La monétisation par les publicités grâce aux lectures sur des portails comme Youtube, Spotify et Soundcloud est quelque chose de recherché. Comment ces plateformes peuvent-elles attirer constamment du trafic et des oreilles vers leurs sorties dans un marché de la musique aussi bruyant ? En attirant automatiquement de plus en plus d'utilisateurs, grâce aux outils d'apprentissage automatique. Combien de fois avez-vous vu (ou mieux, entendu) un titre aléatoire dans votre mix quotidien conseillé comme "quelque chose basé sur vos goûts" ? La réponse à cette question se trouve dans une application relativement simple qui combine

1. la structure réelle de la chanson, et
2. le fait que les utilisateurs ont joué la chanson de votre choix avant ou après celle qui est recommandée.

Spotify et Soundcloud utilisent tous deux un algorithme ML pour comprendre et analyser les choix de l'utilisateur et prendre une décision en fonction des informations qu'ils ont recueillies.

2. PathAi : Diagnostic rapide avec Tensorflow 

PathAi is mainly aTensorflow based application which helps in speeding up diagnosis by associating symptoms and other environmental variables (demographic, location and such). PathAI’s biggest selling point is the fact that not only it could be launched on a completely cloud-based architecture, but it is also extremely slim, compared to other bulky pieces of software in the healthcare sector, which are, sometimes, requiring ad-hoc hardware. PathAi is definitely set to become extremely big in the nearest future, given its recent wave of investment which amounted for over $11 million. 

Il est assez difficile de citer une startup médicale liée au ML ou à la technologie comme une future "norme industrielle" mais, pour l'instant, nous pouvons affirmer que PathAi pose les bases de l'avenir de la santé et de la technologie. 

3. Concerto : Medical Data Science Via ML 

With Concerto, we’re still analysing the healthcare sector and its machine learning-based applications. When Concerto was developed, their creators had a clear idea: building something which could have helped oncologists, surgeons and généralités doctors in understanding symptoms, by automatically processing bulky, sometimes confusing databases within a fraction of second. Concerto is, in fact, the first data science-related tool for medical purposes. Built in New York by a team of former data scientists, Concerto has been a refreshing scent of technology in a medical world which, in terms of data processing, still relies on paper and slow communication between professionals, making, sometimes, the development of any form of procedure slow and stressful. Concerto is a strong, tangible example of how data science applies to infrastructures and architectures for building processes and not for mere marketing goals and retargeting ads. Concerto is set to become the most used database in 2025, at least in the states. 

4. Personnalisation du Web : Ce que vous aimez, quand vous le voulez 

Ah, machine learning and marketing. If this isn’t the biggest combination of the decade, then there isn’t another one. With web personalization, we refer to the usage of a number of programming languages (mainly Python and Javascript) to optimise a catalogue, a product listing, or a piece of contenu on a web page/application. The personalization process is divided into 3 main sections, acquisition, processing and build. 

-The acquisition fait référence à la collecte de données effectuée lorsqu'un utilisateur arrive sur une page (principalement par le biais de cookies), répond à une enquête par courrier électronique ou tape quelque chose dans le champ de recherche de la page. Cette partie doit être clarifiée pour l'utilisateur suite à la dernière décision du GDPR. 

-The traitement est liée à l'utilisation de bibliothèques Python qui traitent effectivement les comportements des utilisateurs, créant des points de données dans un environnement de lac de données interne, qui deviennent effectivement des lignes directrices pour les outils Javascript qui restituent ces données dans un contenu personnalisé. 

-The construire est celui qui se produit lorsque l'outil Javascript susmentionné optimise la page. Si, par exemple, les directives contenues dans ces points de données indiquent que l'utilisateur x, qui aime les chaussures rouges, est en train de parcourir la section des chaussures, l'application JS placera ces résultats en tête, augmentant ainsi le taux de conversion du site. Très simple, mais très efficace. 

La personnalisation est utilisée par plusieurs marques, dont Zara, Primark, Boohoo et ASOS. 

5. L'éducation dans son ensemble 

Il existe des dizaines de startups liées à l'éducation qui construisent des outils basés sur l'apprentissage automatique pour améliorer ce secteur éducatif. Quel est leur objectif ? Voici quelques exemples d'utilisations de l'apprentissage automatique dans l'éducation : 

- Résoudre des problèmes et obtenir facilement des données précises. Imaginez un professeur capable d'accéder à des problèmes compliqués en quelques secondes, puis de les expliquer dans leur forme la plus simple après que le logiciel les ait réduits, en fonction du niveau de l'auditoire. 

- Création automatique de tâches et d'examens en fonction du sujet, de son niveau de difficulté et plus encore. De quoi sauver la vie d'un enseignant, non ? Un algorithme ML pourrait être formé pour proposer un examen avec le niveau de difficulté requis et les solutions pourraient également être calculées automatiquement. 

- Analyser et prévoir les progrès de la classe, en analysant le taux de réussite aux examens et aux essais, aidera les enseignants à s'évaluer eux-mêmes.

Conclusion

Les exemples d'apprentissage automatique dans le monde d'aujourd'hui sont infinis. Il est facile de comprendre pourquoi l'avenir du ML est si prometteur, tant du point de vue des entreprises que de celui des utilisateurs. L'avenir est, en effet, automatisé.

Besoin de consulter un expertise en apprentissage machinet? Engagez des scientifiques freelance sur Kolabtree. C'est gratuit de poster votre projet et de commencer. 

Paul Matthews, basé à Manchester, est un rédacteur spécialisé dans les affaires et la technologie qui écrit pour
mieux informer les propriétaires d'entreprise sur la manière de gérer une entreprise prospère. Il est actuellement
conseil the biggest team of développeurs d'applications à Manchester.


Kolabtree aide les entreprises du monde entier à embaucher des experts à la demande. Nos freelances ont aidé des entreprises à publier des articles de recherche, à développer des produits, à analyser des données, et bien plus encore. Il suffit d'une minute pour nous dire ce dont vous avez besoin et obtenir gratuitement des devis d'experts.


Partager.

À propos de l'auteur

Ramya Sriram gère le contenu numérique et la communication chez Kolabtree (kolabtree.com), la plus grande plateforme de freelancing pour scientifiques au monde. Elle a plus de dix ans d'expérience dans l'édition, la publicité et la création de contenu numérique.

Laissez une réponse