Aperçu de tous les rapports de recherche et prototypes précédemment publiés
Nos travaux de recherche sont axés sur les tendances émergentes en matière de données et de machine learning. Les rapports produits sont accompagnés de prototypes fonctionnels, qui démontrent les capacités de l'algorithme, et offrent des conseils techniques détaillés sur les applications pratiques.
Le transfer learning pour le TALN
Les technologies de traitement automatique du langage naturel (TALN) sont capables de traduire des langues, de répondre à des questions et de générer des textes réalistes. Cependant, les techniques de deep learning sous-jacentes nécessitent une infrastructure, une expertise ainsi que des ensembles de données coûteux. Dans ce rapport, nous vous montrons comment utiliser le transfer learning pour adapter les modèles existants à n'importe quelle application de TALN, vous permettant ainsi de créer des systèmes de TALN haute performance en toute facilité.
Le deep learning pour l'analyse d'images – Édition 2019
Les réseaux neuronaux convolutifs (CNN ou ConvNets) excellent dans la reconnaissance d'images, via des représentations concrètes de leurs caractéristiques et concepts. Ils sont ainsi utilisés pour résoudre divers problèmes dans de nombreux domaines, de l'imagerie médicale au secteur industriel. Dans ce rapport, nous vous montrons quels sont les modèles de deep learning les plus adaptés aux tâches d'analyse d'images, et vous présentons les techniques de débogage de ces modèles.
L'apprentissage à partir de données étiquetées limitées
Dans ce rapport, nous nous sommes intéressés à l'apprentissage avec des données étiquetées limitées, une approche collaborative entre humains et machines qui réduit la quantité de données étiquetées habituellement demandée par le machine learning supervisé, tout en offrant les mêmes résultats.
Apprentissage fédéré
Ce rapport porte sur l'apprentissage fédéré, une approche d'entraînement des modèles de machine learning sur les données de nœuds edge répartis qui garantit la confidentialité et réduit les coûts de communication.
Apprentissage multitâche
Ce rapport porte sur l'apprentissage multitâche, nouvelle approche du machine learning qui permet aux algorithmes de maîtriser plusieurs tâches en parallèle.
Recommandations sémantiques
Dans ce rapport, nous expliquons comment l'utilisation du contenu sémantique des éléments peut aider à éviter les pièges de recommandation courants, comme le redémarrage à froid, et révéler de nouvelles possibilités du produit.
Interprétabilité
Dans ce rapport, nous expliquons comment rendre les modèles interprétables sans sacrifier leurs capacités ni leur précision.
Programmation probabiliste
Nous expliquons ici comment utiliser la programmation probabiliste et l'inférence bayésienne pour construire facilement des outils qui réalisent de meilleurs prévisions et améliorent la prise de décisions.
Synthèse
Découvrez comment utiliser le deep learning et les intégrations pour rendre possible l'analyse de texte dans diverses applications et produits d'entreprise.
Deep learning : analyse d'image
Ce rapport retrace l'histoire du deep learning, présente la situation actuelle, explique comment l'appliquer et prévoit ses développements à venir.
Méthodes probabilistes pour flux en temps réel
Nous détaillons ici les méthodes probabilistes qui offrent des modèles hautement efficaces pour extraire de la valeur depuis des flux de données au fur et à mesure de leur création.
Génération de langage naturel
Ce rapport explique comment les machines peuvent transformer des données hautement structurées en récit rédigé en langue humaine.
Lire le blog Fast Forward Labs
-
Automating Weak SupervisionWhat is weak supervision?...
-
Theories of (machine) learning should shape horizon scanning - not just applicationAnd no, not this kind of horizon… (image credit)...
Ne vous laissez pas distancer par demain
Inscrivez-vous à notre newsletter mensuelle et découvrez les dernières avancées de l'intelligence artificielle appliquée, ainsi que l'actualité de l'entreprise et ses événements.