Automatisation de la formation des modèles ML avec Google Cloud AI Platform
25 mars 2021 Comment nous avons géré la formation et le déploiement de nos modèles FastAI en utilisant AI Platform - Partie I
Data Analystes : Nourrir les créatifs avec des informations contextuelles Data
23 février 2021 Alors que data était autrefois utilisé uniquement pour mesurer les performances, les objectifs de revenus et les taux de conversion, aujourd'hui, les entreprises disposant d'un solide historique data peuvent également l'utiliser pour la création de contenu. Daniel de Vos, Manager Data & Analytics chez Artefact Netherlands, explique comment.
Prévision des ventes dans le commerce de détail : ce que nous avons appris du concours M5
5 février 2021 Dans cet article, Maxime Lutel, Data Scientist, résume les enseignements qu'il a tirés du concours de prévision des ventes M5, qui consistait à prédire les ventes futures dans plusieurs magasins Walmart. Il vous guidera à travers notre solution et discutera du modèle d'apprentissage automatique qui a le mieux fonctionné pour cette tâche.
Comment data peut-il améliorer les stratégies de recherche et stimuler le retour sur investissement ?
25 janvier 2021 Par définition, le search est l'un des principaux leviers de Marketing Digital. Dans cet article, Vincent Laquerriere, Account Executive chez Artefact, explique comment optimiser votre stratégie de positionnement sur Google pour garder une longueur d'avance sur vos concurrents, et comment maximiser votre utilisation des outils de gestion de campagnes Google en intégrant data ce qui est important pour votre entreprise.
L'intelligence causale : La clé pour accroître les performances de l'IA dans les entreprises
7 janvier 2021 Pour obtenir de réels retours sur les investissements dans l'IA et le Machine Learning, les chefs d'entreprise doivent d'abord comprendre les relations de cause à effet qui impactent la performance. Siddharth Mohan, Senior Data Scientist chez Artefact Netherlands & France, explique comment l'intelligence causale peut stimuler la performance.
Réduire les ruptures de stock de produits dans les hypermarchés grâce à la modélisation des séries chronologiques
25 novembre 2020 Dans cet article, Kasra Mansouri et Camille Le Gonidec, Senior Data Scientists de Artefact, expliquent comment créer un produit scientifique data avec un nombre limité de data et des contraintes commerciales élevées. Découvrez comment ils ont réussi à réduire les ruptures de stock dans les hypermarchés grâce à la modélisation des séries temporelles.
Comment former un modèle linguistique à partir de zéro sans aucune connaissance linguistique
25 novembre 2020 Dans cet article, Amale El Hamri, Senior Data Scientist à Artefact France, explique comment former un modèle linguistique sans comprendre la langue elle-même. L'article comprend des conseils sur la façon d'obtenir data pour l'entraînement, la quantité de data dont vous avez besoin, la façon de prétraiter votre data et la façon de trouver une architecture et un ensemble d'hyperparamètres qui conviennent le mieux à votre modèle.
Comment avons-nous mis en production notre solution de prévision des ventes de croissants ?
25 novembre 2020 Postuler Chez Artefact, nous sommes tellement français que nous avons décidé d'appliquer l'apprentissage automatique aux croissants. Ce premier article sur deux explique comment nous avons décidé d'utiliser Catboost pour prédire les ventes de "viennoiseries". Les caractéristiques les plus importantes qui influencent les ventes sont les dernières ventes hebdomadaires, le fait que le produit soit en promotion ou non et son prix. Nous vous présenterons quelques caractéristiques techniques intéressantes, notamment la cannibalisation et les raisons pour lesquelles vous devez parfois mettre à jour votre variable cible.
Critères d'évaluation de la NLU pour la détection d'intentions et la reconnaissance d'entités nommées dans les conversations des centres d'appels
25 novembre 2020 Les conseillers des centres d'appel commencent à voir émerger les NLU dans leur vie quotidienne, les aidant à répondre plus facilement aux demandes des clients. Pour ce faire, un outil doit être capable de reconnaître en même temps la demande du client et ses caractéristiques, en d'autres termes, une intention et des entités nommées.
