5 exemples d'apprentissage automatique que vous devriez connaître

Paul Matthews, freelance tech writer, writes about examples of apprentissage machine across the the soins de santé, entertainment, marketing and education industries. 

Du développement frontal au secteur de l'automobile, les applications de l apprentissage automatiqueg for business 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 soins de santé 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 est principalement une application basée sur Tensorflow qui permet d'accélérer le diagnostic en associant les symptômes et d'autres variables environnementales (démographiques, géographiques, etc.). Le principal argument de vente de PathAI est le fait que non seulement il peut être lancé sur une architecture entièrement basée sur le cloud, mais qu'il est également extrêmement mince, comparé à d'autres logiciels volumineux dans le secteur des soins de santé, qui nécessitent parfois du matériel ad hoc. PathAi est certainement appelée à devenir extrêmement importante dans un avenir proche, étant donné sa récente vague d'investissement qui s'est élevée à plus de $11 millions. 

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 

Avec Concerto, nous continuons à analyser le secteur des soins de santé et ses applications basées sur l'apprentissage automatique. Lorsque Concerto a été développé, ses créateurs avaient une idée claire : construire quelque chose qui aurait pu aider les oncologues, les chirurgiens et les médecins généralistes à comprendre les symptômes, en traitant automatiquement des bases de données volumineuses et parfois confuses en une fraction de seconde. Concerto est, en fait, le premier outil lié à la science des données à des fins médicales. Construit à New York par une équipe d'anciens data scientists, Concerto a été un parfum de technologie rafraîchissante dans un monde médical qui, en termes de traitement des données, s'appuie encore sur le papier et la lenteur de la communication entre professionnels, rendant, parfois, l'élaboration de toute forme de procédure lente et stressante. Concerto est un exemple fort et tangible de la manière dont la science des données s'applique aux infrastructures et aux architectures pour construire des processus et non pour de simples objectifs de marketing et de reciblage publicitaire. Concerto est appelé à devenir la base de données la plus utilisée en 2025, du moins aux États-Unis. 

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

Ah, l'apprentissage automatique et le marketing. Si ce n'est pas la plus grande combinaison de la décennie, alors il n'y en a pas d'autre. Avec la personnalisation web, nous faisons référence à l'utilisation d'un certain nombre de langages de programmation (principalement Python et Javascript) pour optimiser un catalogue, une liste de produits ou un élément de contenu sur une page/application web. Le processus de personnalisation est divisé en 3 sections principales, l'acquisition, le traitement et la construction. 

-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
consultation de la plus grande équipe de développeurs d'applications à Manchester.