Projet de 4e année 2018-2019 • ESILV • PI²4
►[ Ссылка ]
Notre équipe, composée de Robin Convert, Corentin Dauvissat, Romain Caillon et Florent Bissonnier était intéressé par un projet d’Intelligence Artificielle. Nous avons travaillé avec Kwalys, une entreprise qui créé des chatbots et qui propose un outil aux entreprises pour créer simplement un chatbot. Notre mission globale était donc d’améliorer les chatbots de leurs clients. Autrement dit : Comment optimiser le service client à l’aide de l’Intelligence Artificielle ?
Nos trois objectifs étaient de créer un algorithme de reconnaissance de signature à implémenter dans le chatbot d’un client de Kwalys, de créer un modèle de Machine Learning pour planifier des horaires adaptés pour des rendez-vous entre une banque et ses clients, et enfin de créer un modèle de Deep Learning pour un chatbot qui vérifie si deux questions posées par un utilisateur sont similaires.
Nos solutions sont les suivantes :
Pour l’algorithme de reconnaissance de signatures, nous avons fait un algorithme de Deep Learning qui fonctionne avec un réseau de convolution neuronal, pour analyser les images, et un perceptron multicouche, pour entrainer l’algorithme. Pour cela, nous avons travaillé avec la librairie TensorFlow de Python, une librairie pour les travaux de Deep Learning. Nous avons donc récupéré une base de données de 56 personnes qui ont signé 13 fois chacune, pour un total de 728 signatures. Ensuite, nous avons ajouté la symétrie de chaque image pour obtenir une base de données deux fois plus grande. Nous devons donc entrainer l’algorithme avec 80% des données, puis nous devons tester l’algorithme avec le reste des données. Finalement, nous avons utilisé YOLO, un modèle de reconnaissance d’images. Notre algorithme fonctionne avec une très bonne précision de 97%.
Pour l’algorithme de Machine Learning, nous ne pouvions pas faire ce modèle car des données aussi confidentielles sur les clients sont quasi impossible à obtenir. Nous avons donc créé un modèle sur R pour prédire les notes d’étudiants selon leurs caractéristiques, dont la structure est proche du modèle de planification de rendez-vous. Ce modèle fonctionne avec une précision de 80%.
Pour l’algorithme de Deep Learning qui vérifie la ressemblance entre deux questions, le modèle est proche du premier qui reconnait les signatures. Nous avons une base de données de 404.000 paires de questions qui sont similaires, ou non. Ensuite, nous entrainons le modèle et nous le testons comme l’autre algorithme de Deep Learning. Le modèle fonctionne avec une précision de 80%.
Le principal problème de notre projet était le manque de données, qui sont indispensables mais souvent difficiles à obtenir. Mais nous avons finalement réalisé un modèle de reconnaissance de signature avec une très bonne précision et les deux autres modèles ont une précision acceptable. Nous pourrions essayer d’atteindre une meilleure précision et de réaliser l’algorithme de planification de rendez-vous, mais aurions besoin de plus de données.
conception WEB, automatisation, machine learning, IA, chatbot, callbot
BISSONNIER-GILLOT Florent
CAILLON Romain
CONVERT Robin
DAUVISSAT Corentin
Retrouvez l'ESILV sur :
Facebook : [ Ссылка ]
Twitter : [ Ссылка ]
Linkedin : [ Ссылка ]
Pinterest : [ Ссылка ]
Google+ : [ Ссылка ]
[ Ссылка ]
