Les travaux de recherche de Fast Forward Labs désormais disponibles sans abonnement
À l'avenir, tous les nouveaux rapports seront accessibles au public et téléchargeables gratuitement. Nous donnerons également accès à des versions révisées de nos anciens rapports au fil du temps, alors revenez régulièrement consulter les études gratuites disponibles.
Rapports de recherche gratuits
Découvrez nos derniers rapports de recherche et prototypes, en libre accès pour tous.
Séries chronologiques structurelles
Les données de séries chronologiques sont partout. Ce rapport est consacré aux modèles additifs généralisés, qui permettent de modéliser les séries temporelles de manière simple, flexible et interprétable en les décomposant en éléments structurels. Nous étudions les avantages et les inconvénients que présente l'ajustement de courbe dans le domaine des séries chronologiques, et donnons un exemple d'utilisation via la bibliothèque Prophet de Facebook sur un problème de prévision de la demande.
Méta-apprentissage
Contrairement aux humains, les algorithmes de deep learning nécessitent de grandes quantités de données et de calculs et peuvent néanmoins éprouver des difficultés à établir des généralités. Lorsqu'ils sont confrontés à de nouveaux problèmes, les humains s'adaptent rapidement en tirant parti des connaissances qu'ils ont acquises lors d'expériences précédentes. Dans ce rapport, nous expliquons comment le méta-apprentissage permet d'exploiter les connaissances acquises antérieurement à partir de données en vue de réaliser de nouvelles tâches rapidement et plus efficacement pendant la période de test.
Réponse automatique aux questions
La réponse automatique aux questions consiste à extraire des informations à partir des données de manière conviviale au moyen du traitement automatique du langage naturel. Grâce aux récents progrès en la matière, les capacités de réponse basées sur des données textuelles non structurées se sont rapidement développées. Cette série de blogs étudie en détail les aspects techniques et pratiques liés à l'élaboration complète d'un système de réponse aux questions.
Causalité du machine learning
Domaine de recherche en plein essor, la rencontre entre l'inférence causale et le machine learning permet déjà de concevoir des systèmes de machine learning plus robustes, plus fiables et plus équitables. Ce rapport présente le concept de raisonnement causal à l'aide de graphiques de causalité et de prévisions invariables, et explique comment associer les outils d'inférence causale aux techniques classiques de machine learning dans le cadre de divers scénarios.
Interprétabilité : édition 2020
L'interprétabilité, ou la capacité d'expliquer pourquoi et comment un système prend une décision, nous permet d'améliorer les modèles, de satisfaire aux réglementations et de concevoir de meilleurs produits. Les techniques de type « boîte noire » telles que le deep learning ont permis de réaliser d'immenses progrès au détriment de l'interprétabilité. Dans ce rapport, récemment mis à jour pour inclure des techniques telles que SHAP, nous montrons comment rendre les modèles interprétables sans sacrifier leurs capacités ni leur précision.
Le deep learning au service de la détection des anomalies
De la détection des fraudes au signalement des anomalies dans les données d'imagerie, il existe un nombre incalculable d'applications permettant de repérer automatiquement les données anormales. Or, ce processus peut s'avérer délicat, surtout lorsque l'on travaille avec des données volumineuses et complexes. Ce rapport vous présente les approches de deep learning en matière de détection des anomalies (modèles de séquence, VAE, GAN), leur mise en pratique, des tests de performance ainsi que les produits disponibles.
Apprentissage fédéré
L'apprentissage fédéré permet de concevoir des systèmes de machine learning sans accès direct aux données d'entraînement, qui restent dans leur emplacement d'origine. Cela renforce la confidentialité et réduit les coûts de communication. Outre aux applications industrielles telles que la maintenance prédictive, l'apprentissage fédéré convient parfaitement aux smartphones et aux équipements edge, au secteur de la santé ainsi qu'aux autres domaines où la confidentialité des données est essentielle.
Rapports sur abonnement uniquement
Les versions actualisées des anciens rapports seront disponibles gratuitement à l'avenir, alors revenez de temps en temps.
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.
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
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.