Datategy lance papAI, sa plate-forme d'IA de prochaine génération pour accélérer tous les projets data

L'IA au cœur de la stratégie de l'entreprise

La data guide aujourd'hui toutes les décisions stratégiques. Si la majorité des grandes entreprises investissent massivement dans l'IA et le Machine Learning, elles peinent encore à les corréler efficacement aux objectifs business et besoins métiers, mais surtout, à les industrialiser. C'est là toute l'ambition de la nouvelle proposition de Datategy, avec le lancement de sa plate-forme d'analyse de flux de données en temps réel et basée sur les technologies d'IA. Modulable et évolutive, elle permet d'industrialiser rapidement les projets data à un cas d'usage précis des entreprises.

Fondée en 2016, par Mehdi Chouiten et Eric Chau, experts en Data Science, Datategy repose sur la vision qu'il faut sortir de l'aspect purement technologique pour mettre la data et l'IA au service de la transformation des usages, des offres et des process des organisations. La start-up a déjà acquis une solide réputation avec sa première plate-forme d'analyse prédictive OctoCity®, qui accompagne les opérateurs de transports en les aidant à prédire la fraude, mais aussi à orienter et mesurer leur activité de contrôle sur le terrain. Octocity® équipe déjà de grands comptes dont Engie, Keolis, TICE et Société Générale, ainsi qu'une centaine de communes.

« Cette nouvelle plate-forme profite pleinement de l'expertise acquise avec OctoCity® en matière de collecte, d'intégration, de stockage, d'analyse, de traitement et de modélisation des données. Mais elle va encore plus loin, en adressant cette fois tous les projets data stratégiques pour l'entreprise. Nous considérons qu'elle est ce qui se fait actuellement de plus abouti et de plus intuitif sur le secteur de la data intelligence », souligne Mehdi Chouiten, Co-fondateur et CEO de Datategy.

papAI : une plate-forme innovante pour prendre les meilleures décisions

La plate-forme papAI va permettre aux entreprises d'atteindre leurs ambitions autour de la data et de répondre à leurs enjeux stratégiques dans de nombreux domaines. Véritable outil au service de la performance des entreprises, elle orchestre les projets, depuis la collecte de données jusqu'à la mise en production de modèles prédictifs. Les flux de données sont collectés en temps réel. La productivité est améliorée, les moteurs de calculs distribués sans configuration de la part de l'utilisateur et de manière totalement transparente. La plate-forme facilite également le mode collaboratif, grâce à son utilisation très intuitive, qui permet à tout type d'utilisateurs (Data Scientist, Data Analyst, Business Analyst, Chief Data Officer...) d'industrialiser rapidement les projets data sur des cas d'usage précis.

Le traitement des données est automatisé pour accueillir le flux de nouvelles data sans intervention humaine. La gestion, l'analyse et la modélisation des données temporelles sont simplifiées, rendant possible le traitement de données issues de l'Internet des objets (IoT). La plate-forme d'IA de prochaine génération met ainsi l'Intelligence Artificielle au cœur de la stratégie de l'entreprise, facilite et optimise l'aide à la prise de décision.

Un positionnement éthique et responsable

Une fois identifié sur la plate-forme, l'utilisateur peut centraliser l'ensemble des données, où qu'elles se trouvent. Une data visualisation est possible à chaque étape du projet. Les algorithmes détectent et corrigent les anomalies, nettoient et mettent en forme les données pour les rendre exploitables. La data est contextualisée, ce qui évite l'effet « boîte noire », fréquent avec les technologies d'IA. Ainsi, les modèles prédictifs délivrés par la plateforme sont interprétables. Il devient possible pour l'entreprise d'expliquer la décision d'un algorithme et, pour le client, de comprendre et d'ajouter les paramètres qui lui permettront d'améliorer son process et ses décisions.

Enfin, pour plus de réactivité, la plate-forme utilise les toutes dernières technologies de calculs parallèles. Associées à un cœur codé en SPARK, celles-ci permettent de traiter d'importants volumes de données plus rapidement et de gagner jusqu'à plusieurs jours sur les modélisations.

Exemples de cas d'usage sectoriels

Transport et logistique :

- Prévision de la demande : garantir la disponibilité du bon produit, au bon moment et au bon endroit, en utilisant un algorithme d'apprentissage automatique, améliorant la précision des prévisions grâce à des modèles plus agiles et autoapprenants, mais aussi en traitant un plus grand volume de données.

- Optimisation des livraisons : l'algorithme d'IA anticipe les pics de demande et est en mesure d'orchestrer une tournée de livraison optimisée, en améliorant à la fois le remplissage des camions et les itinéraires empruntés.

Télécoms

- Optimisation du réseau : optimisation de l'équilibrage du réseau, détection des intrusions ou encore amélioration de la qualité du service pour les flux vidéo, grâce à un apprentissage de la qualité du trafic réseau et à une identification des facteurs ayant un impact sur celle-ci (type de flux, maintenance, etc.).

- Maintenance prédictive : détection des signaux qui précèdent les défaillances des tours de téléphonie cellulaire ou les lignes de communication, afin de minimiser l'impact d'une panne sur les clients et d'améliorer ainsi l'expérience utilisateur.

Santé et pharma

- Optimisation de la gestion hospitalière : automatisation des tâches administratives et des process permettant à chaque intervenant médical de se recentrer sur son métier et d'améliorer la prise en charge des patients

- R&D : traitement et croisement d'une infinie quantité de données et d'essais cliniques, offrant une vision analytique plus fine et permettant des prises de décisions plus justes et rapides, ainsi que l'accélération de la découverte des traitements de demain.

Commerce (retail)

- Affiner la connaissance marché pour anticiper la tendance : définition de l'ensemble des data venant impacter les évolutions de la tendance marché et réalisation d'un prédictif plus juste, en vue de proposer les produits attendus par les clients.

- Augmenter les recommandations ciblées : utilisation de l'IA pour croiser l'intérêt du client et celui d'autres consommateurs pour afficher, online, les bons produits et générer des ventes additionnelles grâce à des recommandations personnalisées.

Banque et assurance

- Churn ou attrition de clientèle : détection, grâce à l'IA et à l'utilisation de modèles prédictifs de machine learning s'appuyant sur un traitement du langage naturel, des clients sur le point de résilier leurs contrats en vue de mener des actions de fidélisation adéquates.

- Système de scoring et de gestion du risque : développement d'un algorithme permettant une analyse du risque plus fine et d'un outil de scoring fiable pour réduire le coût du risque client.