{"id":952665,"date":"2025-09-11T13:26:07","date_gmt":"2025-09-11T12:26:07","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=952665"},"modified":"2025-09-29T11:01:58","modified_gmt":"2025-09-29T10:01:58","slug":"artefact-publishes-its-research-on-ai-applied-to-the-identification-of-atypical-customer-profiles-developed-and-tested-with-a-leading-french-bank","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/fr\/blog\/artefact-publishes-its-research-on-ai-applied-to-the-identification-of-atypical-customer-profiles-developed-and-tested-with-a-leading-french-bank\/","title":{"rendered":"Artefact publie sa recherche sur l'IA appliqu\u00e9e \u00e0 l'identification de profils de clients atypiques, d\u00e9velopp\u00e9e et test\u00e9e avec une banque fran\u00e7aise de premier plan."},"content":{"rendered":"

Un algorithme pour g\u00e9n\u00e9rer des \u00e9v\u00e9nements rares synth\u00e9tiques de tous types<\/b><\/h2>\n

Une application courante de artificial intelligence consiste \u00e0 attribuer une probabilit\u00e9, ou un score, \u00e0 des personnes ou \u00e0 des \u00e9v\u00e9nements int\u00e9ressants. Ce probl\u00e8me de notation s'applique \u00e0 de nombreux domaines, tels que la d\u00e9tection des maladies, la maintenance pr\u00e9dictive dans les usines, la propension des visiteurs en ligne \u00e0 effectuer des achats ou le risque de perdre des abonn\u00e9s. Dans ces situations, les \u00e9v\u00e9nements int\u00e9ressants sont beaucoup plus nombreux que le total des data disponibles. Ce d\u00e9s\u00e9quilibre rend l'apprentissage des mod\u00e8les d'apprentissage automatique particuli\u00e8rement complexe, car ils ont tendance \u00e0 se concentrer sur la majorit\u00e9 des cas et \u00e0 ignorer ou sous-estimer les cas rares, ce qui pose de multiples probl\u00e8mes op\u00e9rationnels en cas de d\u00e9ploiement de l'IA. Des algorithmes existent, mais ils ne sont pas adapt\u00e9s \u00e0 la data cat\u00e9gorielle et ne permettent g\u00e9n\u00e9ralement pas d'am\u00e9liorer la pr\u00e9cision du mod\u00e8le final.<\/span><\/p>\n

Pour relever ce d\u00e9fi, <\/span>Le centre de recherche de Artefact<\/b> a propos\u00e9 une nouvelle m\u00e9thode de r\u00e9\u00e9quilibrage pour le tableau data<\/b>, L'\u00e9tude a \u00e9t\u00e9 r\u00e9alis\u00e9e en tenant compte des variables num\u00e9riques et cat\u00e9gorielles. Test\u00e9 sur le logiciel libre data<\/span>, Cette approche montre des am\u00e9liorations significatives en termes de performance, tout en maintenant la coh\u00e9rence, la plausibilit\u00e9 et l'interpr\u00e9tabilit\u00e9 du data, un aspect souvent n\u00e9glig\u00e9 par les m\u00e9thodes existantes. Le r\u00e9\u00e9quilibrage du Data n\u00e9cessite la cr\u00e9ation d'exemples fictifs, qui risquent d'\u00eatre peu plausibles, tels que des profils de clients qui n'existent pas. Ce risque a un impact direct sur l'adoption de artificial intelligence dans les cas o\u00f9 les analystes doivent valider manuellement les exemples les plus probables pr\u00e9s\u00e9lectionn\u00e9s par le mod\u00e8le. Artefact r\u00e9sout ce probl\u00e8me en ne cr\u00e9ant que des data plausibles lors du r\u00e9\u00e9quilibrage, ce qui facilite son adoption par les entreprises.<\/span><\/p>\n

 <\/p>\n

\"\"<\/p>\n

Un partenariat de recherche cl\u00e9 en main avec des applications pour les cas d'utilisation de la Soci\u00e9t\u00e9 G\u00e9n\u00e9rale<\/b><\/h2>\n

Ce travail est le r\u00e9sultat d'un partenariat tripartite entre l'Agence europ\u00e9enne pour la s\u00e9curit\u00e9 et la sant\u00e9 au travail (ESA) et la Commission europ\u00e9enne. <\/span>Artefact Research Center, le Laboratoire de probabilit\u00e9s, statistiques et mod\u00e9lisation (LPSM) de l'Universit\u00e9 de la Sorbonne et Soci\u00e9t\u00e9 G\u00e9n\u00e9rale<\/b>. Cette collaboration a permis de d\u00e9finir un sujet de recherche sur trois ans qui trouve un \u00e9quilibre entre les d\u00e9fis statistiques et informatiques et les probl\u00e8mes concrets rencontr\u00e9s par les \u00e9quipes commerciales pour lesquels il n'existe pas de solutions \u00e0 l'\u00e9tat de l'art. En effet, dans le cas de cette application, diff\u00e9rents experts commerciaux avaient signal\u00e9 le probl\u00e8me de l'incoh\u00e9rence des profils bancaires g\u00e9n\u00e9r\u00e9s par les approches existantes, ce qui limitait leur adoption d'un outil bas\u00e9 sur l'IA. <\/span>maintenir des suggestions plausibles pendant l'algorithme de r\u00e9\u00e9quilibrage.<\/b><\/p>\n

Gr\u00e2ce \u00e0 ce partenariat, les chercheurs de Artefact et de Sorbonne Universit\u00e9 ont pu tester leurs approches sur la banque r\u00e9elle data, ce qui a permis de valider la pr\u00e9cision statistique de l'algorithme propos\u00e9. En outre, un \u00e9l\u00e9ment unique dans le test de la performance de la m\u00e9thode propos\u00e9e a \u00e9t\u00e9 le fait que la banque data a \u00e9t\u00e9 test\u00e9e sur la base des donn\u00e9es de la banque data. mise \u00e0 l'\u00e9chelle jusqu'\u00e0 des millions de points data<\/b> \u00e0 traiter dans un d\u00e9lai raisonnable, d\u00e9passant ainsi la taille des ensembles datasets \u00e9quivalents en source ouverte. Le code est libre et la m\u00e9thodologie est expliqu\u00e9e en d\u00e9tail dans l'article scientifique.<\/b>, Le but est de permettre au plus grand nombre de personnes possible d'utiliser l'approche pour d'autres cas d'utilisation de la notation.<\/p>\n

Etienne GUIBOUT, Group Chief AI Officer \u00e0 la Soci\u00e9t\u00e9 G\u00e9n\u00e9rale, explique :<\/p>\n

\u201c<\/i><\/strong>Cette collaboration permet \u00e0 Soci\u00e9t\u00e9 G\u00e9n\u00e9rale d'acc\u00e9der \u00e0 des expertises compl\u00e9mentaires issues du monde acad\u00e9mique. Elle favorise l'innovation en int\u00e9grant une vari\u00e9t\u00e9 de perspectives visant \u00e0 identifier des solutions toujours plus adapt\u00e9es \u00e0 nos probl\u00e9matiques. L'acceptation \u00e0 une conf\u00e9rence de niveau A est un gage de qualit\u00e9 pour les \u00e9quipes de Soci\u00e9t\u00e9 G\u00e9n\u00e9rale. Elle t\u00e9moigne de la reconnaissance de l'impact du travail effectu\u00e9 par des pairs et des experts de l'industrie. Participer \u00e0 de tels \u00e9v\u00e9nements nous permet de partager nos recherches, tout en faisant partie de l'\u00e9cosyst\u00e8me. Les \u00e9quipes m\u00e9tiers de Soci\u00e9t\u00e9 G\u00e9n\u00e9rale, en particulier la conformit\u00e9, ont \u00e9t\u00e9 impliqu\u00e9es dans l'\u00e9laboration de cet article. Leur expertise sectorielle et leur retour d'exp\u00e9rience ont permis de confirmer la pertinence et l'applicabilit\u00e9 du contenu pr\u00e9sent\u00e9. Cette collaboration interdisciplinaire garantit que l'article refl\u00e8te les r\u00e9alit\u00e9s du march\u00e9 et r\u00e9pond avant tout \u00e0 nos besoins et \u00e0 ceux de nos clients\u201d.\u201d<\/i><\/p>\n

Emmanuel Malherbe, directeur du Artefact Research Center :<\/p>\n

\u201cIl s'agit d'un partenariat id\u00e9al pour notre centre de recherche, qui illustre parfaitement notre vision de la recherche appliqu\u00e9e, utile et partag\u00e9e. L'apprentissage automatique est un domaine qui commence toujours par data et un probl\u00e8me r\u00e9el. Gr\u00e2ce \u00e0 cette collaboration, nous avons pu nous concentrer sur la question mal r\u00e9solue du scoring sur des tableaux data d\u00e9s\u00e9quilibr\u00e9s, qui est pourtant un probl\u00e8me r\u00e9current en entreprise et qui soul\u00e8ve de nombreuses questions statistiques. Le fait de pouvoir tester et valider l'approche sur des data r\u00e9els a \u00e9galement \u00e9t\u00e9 d\u00e9terminant pour obtenir un algorithme rapide, efficace et pr\u00e9cis\u201d.\u201d<\/i><\/p><\/blockquote>\n

Lien vers l'article scientifique et le code de l'algorithme :<\/b><\/h2>\n