Nos solutions

Un outil 100% fonctionnel en moins de 3 mois

Types d'applications

La Data Science et le Machine Learning permettent d’appréhender les problématiques de n’importe quel secteur : santé, assurance, banque, supply chain, transport, communication, sécurité … Voici quelques grandes familles d’applications :

Analyse automatique de documents

Les documents textuels sont omniprésents dans le monde professionnel et demandent souvent un traitement manuel voire une lecture approfondie. L’analyse automatique permet d’extraire le texte d’un document scanné (OCR) et d'interpréter le sens (NLP). Elle ouvre la porte au traitement automatique.

  • Lecture automatique de factures
  • Synthèse de rapports
  • Transformation d’un corpus de documents en données structurées (ex. tableurs)
  • Etc

Recommandation

Il est souvent nécessaire de suggérer à un utilisateur les prochaines actions qu’il peut entreprendre grâce à votre produit, surtout lorsque ce dernier est un nouvel arrivant. Les besoins de recommandation sont partout : suggestion de contenu, complétion automatique, aide à la navigation...

Vous développez une application mobile de recettes de cuisine et voulez suggérer à vos utilisateurs, des recettes qui correspondent à leurs goûts.

Nous développons un moteur de recommandation qui vous permettra d’utiliser les informations à votre disposition (recettes favorites, données de navigation…) pour faire la meilleure suggestion.

Prédiction et prévision

Il s’agit ici d’utiliser les données passées pour anticiper les tendances et les événements futurs.
Pour des raisons d’approvisionnement, d’ordonnancement, de gestion des ressources ou de stratégie, il peut être important d’anticiper l’avenir.

Vous gérez un site de e-commerce et voulez donner de la visibilité à votre client sur les temps de livraison en fonction du transporteur choisi.

Le Machine Learning permet d’extrapoler, à partir des données historiques de livraison, le temps que va mettre un colis à parvenir à destination en tenant compte de tous les paramètres disponibles (calendrier, événements extérieurs, localisation, nature de la commande etc).

Vous permettez ainsi au client final de faire le meilleur choix et de s’organiser au moment de l’achat.

Détection et reconnaissance automatique

Quel que soit le signal observé (son, image, flux de vente…) il est souhaitable de pouvoir détecter des événements susceptibles de survenir : accident, incident, ou tout simplement de pouvoir détecter un ordre vocal ou de prendre une mesure automatiquement.

Flux vidéo : Détection automatique des vols dans les magasins, surveillance d’un quai de métro (chute sur les rails, agressions etc).

Flux audio : commande vocale, détection d’usure de machine ou de problème technique…

Autre flux : analyse des flux électriques pour repérer les appareils laissés allumés à tort ou les consommations anormalement élevées…

Nature du signal

solutions-machine-learning

Image

solutions-machine-learning

Son

solutions-machine-learning

Vidéo

Tableaux

Texte

Quelques exemples de réalisations

Exemple 1 - Smart Delivery Estimate

Shipup est le leader français de l’expérience post-achat. En créant une expérience post-achat rassurante, intuitive et à l’image du client, les entreprises peuvent transformer leurs acheteurs ponctuels en clients réguliers et les petits e-commerçants peuvent rivaliser avec les géants sur le terrain de la qualité du service. 

Shipup a demandé à Scopeo de créer un modèle de Machine Learning pour estimer la date probable de livraison d’un colis au moment de sa commande, puis tout au long de son transport. 

Pour pouvoir répondre à cette problématique, qui est un exemple d’analyse prédictive, nous avons suivi ces étapes :

nos-clients-shipup

Exemple 2 - Lecture automatique de document

Un de nos clients développe un logiciel d’aide à la comptabilité d’entreprises. Il a commandé à Scopeo un algorithme de lecture automatique de factures scannées

Pour répondre à cette demande, nous avons découpé la « pipeline » d’analyse en différentes étapes :

  • Analyse OCR

  • Tagging et contextualisation

  • Features extraction

  •  Désambiguïsation

Nous avons ainsi pu développer une bibliothèque logicielle simple à utiliser.

Document original

Initialement, l’image est obtenue en scannant le document. Elle contient du texte mais également d’autres types d’impression comme les lignes de tableaux, les logos, les tampons, les signatures etc.

Étape 1 : Analyse OCR

Nous appliquons les technologies de l’état de l’art en OCR pour lire le texte et identifier sa position sur le document.

Étape 2 : Tagging et contextualisation

Nous interprétons ce texte grâce à des techniques de Natural Language Processing (NLP) en tenant compte des tableaux, alignements, contextes etc.

Étape 3 : Features extraction

Nous ajoutons ensuite des caractéristiques propres au type de document et au champ recherché pour fournir à l’algorithme un maximum d’information.

Étape 4 : Désambiguïsation 

Enfin, nous implémentons des règles en utilisant la connaissance du métier d’une part et les observations statistiques de l’autre (Machine Learning) pour attribuer, à chaque champ recherché, le contenu correspondant.

Exemple 3 - Prédiction de risque de défaut

Fydem, spécialiste du Crédit as a Payment, a fait appel aux services de Scopeo pour développer un outil qui puisse catégoriser les transactions issues de données de l’Open Banking (DSP2) et quantifier le risque de défaut d’un emprunteur ou encore estimer le PNB (Produit Net Bancaire) d’un client potentiel.

Nous avons accompagné Fydem sur plusieurs axes :

nos-clients-fydem

Support pour trouver et agréger des sources de données pertinentes

Développement du code de production et structuration de l'engine pour un usage interne

Construction des algorithmes de prédiction

Support pour le recrutement (tests, entretiens), formation et encadrement des recrues

Exemple 4 - Analyse d'avis clients en ligne

Afin d’avoir des retours clients sur un produit vendu en ligne, il est intéressant d’étudier les avis. Grâce à cette source d’information, il est possible d’améliorer le produit en itérant sur les impressions des clients. Néanmoins, la tâche peut-être chronophage lorsque chaque site contient plusieurs dizaines de commentaires.

Pour répondre à ce besoin, nous avons mis au point, pour notre client, un outil permettant de synthétiser les commentaires d’un produit vendu sur un site de e-commerce.

Notre outil utilise des algorithmes de traitement automatique du langage à l’état de l’art pour isoler les phrases qui concerne le retour produit et en extraire une synthèse globale.

L’utilisation de réseaux de neurones très puissants et pré-entrainés nous permet d’obtenir des résultats avec très peu de données labellisées.