Cet article présente la notion d’apprentissage statistique non supervisé, puis les techniques actuellement disponibles pour procéder à de l’apprentissage statistique à partir de données non labellisées : partitionnement, réduction de dimensionnalité, estimation de densité et enfin utilisation de modèles génératifs. Il s’attache à couvrir aussi bien les algorithmes classiques les plus anciens (analyse en composantes principales, k-moyennes) que les techniques les plus récentes faisant appel à l’apprentissage profond (représentations de mots, modèles autorégressifs, auto-encodeurs, réseaux génératifs adverses).
Cet article présente les avantages, les impacts, et les défis de la transformation numérique sur la vie humaine et l’industrie. Il se concentre sur l'utilisation des techniques d'intelligence artificielle (IA) afin de relever ces défis, en particulier ceux liés à la transition énergétique. Ces méthodes seront classées en fonction de plusieurs critères tels que les interactions entre le marché et les utilisateurs/acteurs, l'objectif et le type du modèle, le domaine d'application, la taille du système, les outils d'aide à la décision construits, les caractéristiques du système utilisées, le type de données, et le niveau d'intrusion.
Le diagnostic est un problème important sur lequel se sont penchés depuis longtemps de nombreux chercheurs se réclamant de l’intelligence artificielle. Diverses approches ont été imaginées : les unes se basent sur une formalisation logique du raisonnement. Les autres privilégient l’exploitation de l’expérience de terrain des ingénieurs en maintenance. Avec l’apparition d’une puissance de calcul et de stockage des nouveaux ordinateurs, l’intelligence artificielle connaît actuellement un regain d’intérêt, notamment dans le domaine des techniques d’apprentissage automatique. Ces techniques peuvent également être exploitées pour réaliser des outils performants de diagnostic.
L’intelligence économique sous-entend une transversalité dans son organisation et intègre trois principaux domaines de compétences et d’action que sont :
Ainsi, mettre en place et organiser l’intelligence économique au sein d’une entreprise peut paraître complexe.
Dans cette fiche, nous expliquerons :
Toutes les clefs pour maitriser la veille technologique
Intelligence économique, intelligence scientifique, veille technologique, knowledge management, etc. Le vocabulaire de la veille est riche et varié. Quelles réalités ces termes recouvrent-ils ? Vers quelle pratique de la veille les entreprises se dirigent-elles ?
Cette fiche a pour objectifs de vous introduire à l’intelligence scientifique et de clarifier les concepts de base de la veille qui seront développés tout au long de cet ouvrage :
Toutes les clefs pour maitriser la veille technologique
Vous êtes chef d’entreprise, ingénieur ou professionnel de l’information (veilleur, knowledge manager, documentaliste, responsable d’un service d’information, bibliothécaire, etc.) et vous êtes déjà sensible aux problématiques de la veille. Vous avez conscience des enjeux informationnels pour la pérennité de votre activité. Vous vous interrogez sur le périmètre de votre veille, sur sa mise en place, sur les enjeux à long terme pour la rétention du patrimoine immatériel de votre organisation. Cette base documentaire vous concerne. Elle est conçue pour être opérationnelle, pragmatique, pouvant être consultée en ligne ou en version imprimée afin de pouvoir mettre en pratique directement les conseils des meilleurs experts.
Toutes les clefs pour maitriser la veille technologique
TECHNIQUES DE L'INGENIEUR
L'EXPERTISE TECHNIQUE ET SCIENTIFIQUE
DE RÉFÉRENCE
SUIVEZ-NOUS
