Benoît Paris

Ingénieur de formation, spécialiste en Machine Learning Explicable; je vous accompagne dans l'extraction d'information pertinente sur vos données, tout en détaillant les raisonnements déployés par les algorithmes.

Pourquoi le Machine Learning Explicable (MLE) plutôt que le simple Machine Learning (ML)?

En ML, lorsqu'on demande une prédiction, on a un score entre 0 et 1 pour une appétence à un événement; typiquement une probabilité achat. Ce nombre reste opaque. En plongeant dans les paramètres internes du modèle on peut extraire une illustration de l'intelligence déployée par l'algorithme, et en alimenter le métier. C'est l'objet du MLE.

Le MLE apporte en plus du ML:

• Direction, Stratégie: une cartographie data-driven, fine, et exhaustive des segments clients; l'ouverture de marchés qui passent sous le signal;
• Data scientists: un debug plus rapide, un focus sur l'explication
• Marketing, Vente: messages plus finement adaptés aux clients
• Ethique, Audits: connaitre les biais cachés dans les data
• Pour l'entreprise: data-driven v2.0: Culture du signal pertinent, en liant le CA réalisé au pouvoir de renseignement d'une information individuelle

Cet ensemble de techniques, aussi appelée eXplainable Artificial Intelligence (XAI) est un sujet bourgeonnant en ce moment. L'agence américaine DARPA a un programme sur ce thème ("Explainable Artificial Intelligence" - darpa.mil/program/explainable-artificial-intelligence). La mission Villani y a consacré un chapitre entier (06 "Ouvrir les boites noires de l'IA").

Missions:

• Vous souhaitez valoriser vos données, je vous aide à mettre en place un pipeline prédictif
• Vous avez un pipeline ML existant, je vous aide à extraire le raisonnement déployé par vos algorithmes

Technologies:

• RuleFit, Random Forest, Word2Vec, PCA, ALS, t-SNE, LSH, ROC
• Scikit-LearnSpark, Weka, Databricks, BigQuery, Hive
• Postgres, MySQL, Oracle
• AWS, Linux, Maven, Git
• Python, Java, Scala, CAML, Elm
• Spring, Primefaces, d3.js