Highnorma - HIGHNORMA

Quel est le processus de transformation digitale en France ?

Highnorma — Thu, 08 Aug 2024 09:35:53 +0000

Quel est le processus de transformation digitale en France ?

Environ 86% des Français utilisent internet en 2021. Cela témoigne de son rôle clé dans le fonctionnement de la société. Face à ce constat implacable, les entreprises ont dû prendre le tournant du numérique. Néanmoins, ce processus de transformation digitale connaît des fortunes diverses. Comment le décrire ?

Un processus enclenché qui se développe à grande vitesse

La transformation digitale est une réalité et une tendance marquée. Chaque année, des milliers d’entreprises débarquent sur la toile pour conquérir de nouveaux clients. Elles tentent ainsi de séduire une partie des acheteurs en ligne qui sont près de 40 millions en France. De même, près de 40 millions de Français sont présents sur les réseaux sociaux.

Un Français passe en moyenne plus de 2h40 par jour sur internet et près d’une heure 40 sur les réseaux sociaux. Youtube est le réseau social le plus utilisé, suivi de près par Facebook puis par Instagram. En ce sens, avoir une forte présence sur internet pour une entreprise est une nécessité. Cela lui permet de s’exposer à un public large et nombreux et de booster ses ventes. De plus, elle peut promouvoir ses produits sur les réseaux sociaux.

Une transformation digitale inégale

Toutefois, tout le monde n’est pas touché autant par cette forte tendance. En 2020, moins d’un tiers des TPE considéraient en faire partie. Une très large majorité des PME (environ 70%) déclarent ne pas avoir d’outils digitaux efficaces. Les ETI, quant à elles, sont beaucoup plus incluses dans cette tendance. Elles sont plus de 4 sur 5 à être engagées dans ce processus. Cela leur bénéficie puisqu’elles voient leurs chiffres s’envoler et gagnent en visibilité ainsi qu’en efficacité opérationnelle.

On le constate, la transformation digitale gagne du terrain. Néanmoins, elle concerne plus les grandes que les petites et moyennes entreprises.

The post Quel est le processus de transformation digitale en France ? first appeared on HIGHNORMA.

Transformation digitale dans le ferroviaire, comment adapter les structures à ce nouveau mode de fonctionnement ?

Highnorma — Thu, 08 Aug 2024 09:35:49 +0000

Transformation digitale dans le ferroviaire, comment adapter les structures à ce nouveau mode de fonctionnement ?

Aucun secteur n’échappe à la transformation digitale à l’instar de l’industrie ferroviaire. Quelques petites informations pour vous mettre sur les rails.

La digitalisation, pourquoi ?

La transformation digitale est une étape nécessaire au développement du secteur ferroviaire ainsi que de ses divers acteurs. De la planification sur le long terme aux tâches quotidiennes, elle devrait être bénéfique aux entreprises (réduction des coûts), aux clients, mais aussi contribuer à améliorer la compétitivité du train face aux autres moyens de transport. La digitalisation contribue à apporter des améliorations incontestables et un grand choix d’opportunités pour exploiter les trains afin de faire évoluer le modèle économique des entreprises en activité et de favoriser l’arrivée de nouveaux acteurs ayant des approches disruptives.

Acteurs concernés

La digitalisation du ferroviaire dépasse amplement le domaine des passagers (wifi, billets électroniques) mais concerne tous les acteurs de la chaîne :

Entreprises ferroviaires (transport des passagers et du fret),
Fournisseurs d’équipements,
Constructeurs des matériels roulants,
Gestionnaires d’infrastructures,
Entités chargées de la maintenance,
Entités publiques, etc.).

Technologies utilisées

La transformation digitale se base principalement sur l’usage des technologies de l’information et de la communication (TIC) dans le but de collecter, traiter, transmettre les données et instaurer un réseau de communication pour les usagers du ferroviaire. Ces technologies digitales incluent essentiellement :

des capteurs destinés aux matériels roulants et aux infrastructures,
des caméras vidéo (surveillance embarquée et au sol),
des systèmes de communication et d’affichage des informations,
des outils pour transmettre les données dans les trains, gares et infrastructures,
des appareils mobiles (smartphones et tablettes).

Ces outils entraînent un grand nombre de données dynamiques et induisent une communication entre divers objets nantis de capteurs. On parle d’Internet des objets (IOT).

La plupart des technologies requises sont déjà disponibles et ne demandent qu’à être renforcées pour répondre aux difficiles conditions d’exploitation des trains. Les actuels développements technologiques concernent la communication sans fil avec haut débit et les solutions ayant une faible consommation d’énergie pour une meilleure autonomie et une augmentation de la durée de vie du matériel.

Nous intervenons auprès des systèmes d’information, systèmes embarqués et plans de voie (et outils CAO) autour du transport ferroviaire. Découvrez nos expertises sans plus attendre !

The post Transformation digitale dans le ferroviaire, comment adapter les structures à ce nouveau mode de fonctionnement ? first appeared on HIGHNORMA.

En intelligence artificielle, que signifie NLP ?

Highnorma — Thu, 08 Aug 2024 09:35:49 +0000

En intelligence artificielle, que signifie NLP ?

Le NLP (Natural Language processing ou Traitement Naturel du Langage en français) est la technologie utilisée pour aider les machines à comprendre le langage naturel de l’homme. Il n’est pas aisé d’apprendre aux machines à comprendre notre manière de communiquer. D’importantes avancées ont cependant été réalisées ces dernières années pour faciliter aux machines la compréhension de notre langage.

C’est quoi le traitement naturel du langage ?

Le NLP est une branche de l’intelligence artificielle traitant de l’interaction entre les ordinateurs et les êtres humains en utilisant le langage naturel. L’objectif ultime du traitement naturel du langage est de lire, déchiffrer, comprendre et donner un sens aux langages humains d’une façon qui soit utile.

La majorité des techniques de ce traitement reposent sur l’apprentissage automatique pour déduire le sens des langues humaines. Cette technologie se positionne par ailleurs comme étant la force motrice des applications fréquentes comme les applications de traduction de langues, les traitements de texte (pour vérifier l’exactitude grammaticale des textes), les applications d’assistant personnel, etc.

Un ingénieur aux compétences techniques transverses

L’ingénieur DevOps s’inscrit dans l’évolution des métiers du secteur informatique. C’est un facilitateur technique qui accompagne les équipes agiles afin de réduire le temps de mise en production. En garantissant un passage automatisé entre les différents environnements, il s’assure de l’intégration, la qualité et le déploiement du code produit. Sa double compétence se traduit par une expertise certaine aussi bien sur la partie développement que sur le versant exploitation. Pour mener à bien sa mission, il doit maîtriser des outils spécifiques permettant de programmer, gérer, tester et administrer les systèmes informatiques.

Le Natural Language processing est-il difficile ?

Le traitement naturel du langage est considéré comme un problème difficile en informatique. C’est cependant la nature du langage humain qui rend le NLP difficile. Les règles régissant la transmission des informations via des langues naturelles ne sont pas faciles à comprendre pour les machines.

Certaines peuvent être de haut niveau et abstraites, lorsqu’une personne utilise par exemple une remarque sarcastique pour transmettre une information. Pour bien saisir le langage humain, il faut comprendre non seulement les mots, mais aussi comment les concepts sont reliés pour transmettre le message souhaité.

Les techniques utilisées dans le traitement naturel du langage

L’analyse sémantique et l’analyse syntaxique sont les principales techniques utilisées pour faire des tâches de Natural Language processing.

L’analyse syntaxique : elle fait référence à la disposition des mots dans une phrase de façon à ce qu’ils aient un sens grammatical. Elle est utilisée pour évaluer la façon dont le langage naturel s’aligne sur les règles grammaticales.

L’analyse sémantique : elle fait référence à la signification véhiculée par un texte. C’est l’un des aspects difficiles du traitement naturel qui n’a pas encore été intégralement résolu, puisque l’humeur et le ton employé peuvent amener la machine au contre sens.

The post En intelligence artificielle, que signifie NLP ? first appeared on HIGHNORMA.

Data Mining, comment analyser les sources de données dans un processus de Big Data ?

Highnorma — Thu, 08 Aug 2024 09:35:48 +0000

Data Mining, comment analyser les sources de données dans un processus de Big Data ?

À l’ère moderne où le Big Data est devenu un enjeu de prime importance, l’exploration de données se présente comme un processus qui permet de définir des modèles utiles à partir d’une grande quantité de données. Dans les lignes à suivre, découvrez quelques techniques employées dans le Data Mining.

Qu’est-ce que le Big Data ?

Le Big Data se présente comme une solution technologique qui offre la possibilité de faire à la fois la collecte, l’analyse, la comparaison, la reconnaissance, la classification et l’utilisation de différentes données telles que des discussions ou commentaires sur les sites sociaux, des images, des documents et autres types de fichiers. On désignera plus généralement par Big Data des ressources d’informations structurées ou non structurées qui, selon leurs qualités et leurs quantités, peuvent servir à apporter de la valeur ajoutée d’une manière ou d’une autre. L’exploitation de ces ressources va ainsi imposer l’utilisation d’outils analytiques de différents types.

Méthode du Data Mining dans un processus du Big Data

Extraction de données

Le développement des technologies de l’information a généré une quantité énorme de données dans divers domaines, données qu’il faut capter et stocker.Il a fallu donc imaginer des technologies et architectures massivement parallèles pour répondre au volume de données à capter en temps réel. Les moyens de stockage ont eux aussi évolué pour répondre à la volumétrie et la rapidité de manipulation sous l’impulsion des acteurs influenceurs du net qui ont fait naître le No SQL (Not Only SQL) pour digérer une information qui peut être un texte, une image, une vidéo, etc …L’idée est bien de permettre de stocker, de filtrer et de manipuler ces données précieuses afin de procéder à des prises de décision pointues. L’exploration de données se présente donc comme un processus d’extraction d’informations et de modèles utiles à partir de données précédemment stockées.

Exploration de données : un processus en plusieurs étapes

L’exploration de données est un processus logique qui est utilisé, comme le nom l’indique, pour parcourir une grande quantité de données afin de trouver des éléments utiles. Un objectif, entre autres, de cette technique est de mettre en place ou de trouver des modèles analytiques qui étaient auparavant inconnus. Une fois ces modèles trouvés, il peut en être fait usage pour prendre certaines décisions stratégiques afin de booster le développement des activités d’une entreprise ou autre entité. Les trois étapes impliquées dans le processus peuvent être listées comme suit :

Exploration : dans la première étape de l’exploration, les données sont nettoyées et transformées sous une autre forme. Par la suite, les variables importantes et la nature des données en fonction du problème sont déterminées.
Identification des modèles : une fois que les données ont été explorées, affinées et définies pour les variables spécifiques, la deuxième étape consiste à identifier des modèles. Il s’agira d’identifier et de sélectionner les modèles qui permettent la meilleure prédiction.
Déploiement : les modèles sont déployés pour obtenir le résultat souhaité.

The post Data Mining, comment analyser les sources de données dans un processus de Big Data ? first appeared on HIGHNORMA.

Quel est le rôle de l’AMOA dans le secteur informatique ?

Highnorma — Thu, 08 Aug 2024 09:35:48 +0000

Quel est le rôle de l’AMOA dans le secteur informatique ?

Les principaux secteurs concernés par l’AMOA

La réussite d’un projet dépend en grande partie de la manière dont la maîtrise d’ouvrage exprime ses besoins auprès d’une maîtrise d’œuvre (MOE). Pour cela, il peut être amené à recourir à une assistance à maîtrise d’ouvrage. Les entreprises évoluant dans le secteur informatique font souvent appel à ce type de profil mais d’autres secteurs peuvent faire appel à un AMOA comme celui du BTP dont le métier est originaire.

Qu’est-ce que l’assistance à maîtrise d’ouvrage dans le secteur informatique ?

L’Assistance à Maîtrise d’Ouvrage (AMOA) désigne l’accompagnement d’un responsable métier dans la mise en place et la réalisation d’un projet informatique jusqu’à l’exploitation du produit (logiciel) qui en découle. Il intervient dans la phase d’étude, d’élaboration, de livraison du produit fini et même après la phase de livraison (recette). Vous êtes un responsable métier dans une entreprise (comptabilité, ressources humaines, etc.) et vous souhaitez mettre sur pied un projet informatique pour votre entreprise ? Vous pouvez recourir au service d’un consultant en AMOA.

Quelles sont les qualités d’un AMOA ?

Dans le secteur informatique, le consultant AMOA assure le lien entre tous les acteurs concernés par le projet, à savoir : les architectes, les consultants informatiques qui travaillent sur le projet ainsi que les équipes de réalisation. Il est le garant de la bonne traduction du besoin exprimé par le métier. Grâce à ses compétences souvent doubles (techniques et fonctionnelles), il peut tenir le rôle d’un chef de projet. En effet, il dispose d’une connaissance solide sur les méthodologies et les contraintes d’un projet informatique. En somme, c’est un professionnel polyvalent.

La transformation de l’AMOA vers le métier de Product Owner

De plus en plus souvent, les entreprises organisent leurs projets informatiques selon une méthode Agile, telle que Scrum. Ces méthodes mettent avant le concept d’itérations rapides et successives afin de permettre de dégager le maximum de valeur des développements. Dans ces entreprises, les AMOA prennent souvent le rôle de Product Owner. Le rôle du Product Owner est proche de celui d’AMOA mais le Product Owner doit prendre en compte les itérations de son équipe, également appelées « sprints » grâce à la gestion d’un « backlog » qui contient la liste des sujets à développer, par ordre de priorité.

The post Quel est le rôle de l’AMOA dans le secteur informatique ? first appeared on HIGHNORMA.

L’IA pourrait-elle devenir un meilleur Product Owner que les humains ?

Highnorma — Thu, 08 Aug 2024 09:35:48 +0000

L’IA pourrait-elle devenir un meilleur Product Owner que les humains ?

Le rôle crucial du Product Owner

Le choix d’une méthode agile de développement, comme Scrum, change complètement le cycle d’un projet. Les itérations sont beaucoup plus rapides que celles qui étaient possibles avec les méthodes traditionnelles, comme le cycle en V. Il est ainsi possible d’avoir très rapidement une première version utilisable. Cette réduction appréciable du temps avant mise sur le marché (“time to market“) s’accompagne cependant d’un nouveau risque, celui de la non-convergence vers une version stabilisée : la facilité de multiplier les itérations peut faire perdre la nécessité d’objectifs à long terme. Le Product Owner est en principe responsable d’éviter cet écueil, en garantissant la maximisation de la valeur résultante de chaque itération au regard des objectifs métiers : il doit assurer que les versions successives se rapprochent d’un idéal à un temps T, sans multiplier les “faire et défaire” consommateurs de ressources. L’une des plus grandes difficultés de la méthode agile est de trouver ce Product Owner idéal, à la fois disponible pour la réussite du projet et porteur des vrais besoins.

Le réseau de neurones au service de l’agilité

Le recours à l’intelligence artificielle, et en particulier à un réseau de neurones, peut pallier ces insuffisances humaines, qui sont souvent le talon d’Achille d’une méthode agile. Alors que le Product Owner humain n’est pas toujours disponible quand on aurait besoin de lui, par manque d’implication sur le projet ou par surcharge de travail par ailleurs, le réseau de neurones répond toujours présent. Il ne se lasse pas au fil des itérations et il améliore au contraire la qualité de ses propositions au fur et à mesure de sa courbe d’apprentissage. Il n’est pas influencé par l’humeur du moment ou la dernière personne qu’il a croisée mais uniquement par les priorités sous-jacentes. L’intelligence artificielle (IA) peut ainsi devenir un précieux allié des entreprises recourant au développement agile, en leur permettant de soulager notablement les PO humains.

The post L’IA pourrait-elle devenir un meilleur Product Owner que les humains ? first appeared on HIGHNORMA.

Quels sont les métiers les plus importants du Big Data aujourd’hui ?

Highnorma — Thu, 08 Aug 2024 09:35:47 +0000

Quels sont les métiers les plus importants du Big Data aujourd’hui ?

De nos jours, le traitement des données est devenu vital pour de nombreuses entreprises et ne cesse de se développer. C’est donc très logiquement que les métiers du Big Data sont apparus. Découvrez quels sont les métiers les plus importants pour gérer et exploiter les masses de données.

Chief Data Officer

Le Chief Data Officer (CDO) a pour mission de gérer la data. En pratique, il est amené à trier de très grandes masses de données de manière à faciliter l’accès aux informations pertinentes pour l’entreprise. Pour cela, il établit et met en application des protocoles de gestion des données qui permettent de trier les données et vérifier leur fiabilité.

Un bon Chief Data Officer doit :

savoir travailler en équipe et disposer de compétences en management ;
être orienté business ;
disposer d’un bon esprit d’analyse ;
maîtriser les technologies de l’information (IT).

Pour prétendre au poste de Chief Data Officer, il est nécessaire de disposer de plusieurs années d’expérience en tant qu’informaticien ou data miner.

Data Engineer

Le Data Engineer (ingénieur de données) est spécialisé dans la gestion de données. En pratique, il doit récolter, croiser et trier l’ensemble des données dont dispose l’entreprise. Il se charge également du stockage et de l’exploitation de ces données à l’aide de modèles de calcul puissants.

Un bon Data Engineer doit :

avoir une excellente maîtrise des techniques de gestion de données ;
connaître les langages de programmation ;
avoir un bon esprit analytique et de synthèse ;
savoir travailler en équipe.

Data Scientist

Le Data Scientist intervient juste après le Data Engineer. En pratique, il se charge de valoriser les données qui ont été triées par le Data Engineer. Autrement dit, il retire des informations pertinentes des données afin que l’entreprise puisse prendre des décisions stratégiques. C’est à l’aide d’algorithmes qu’il est capable de traiter de très grandes quantités de données et de prévoir certains comportements.

Un bon Data Scientist doit :

avoir un bon sens de l’organisation ;
avoir un excellent esprit de synthèse ;
avoir de bonnes connaissances en informatique ;
être orienté business ;
savoir travailler en équipe.

The post Quels sont les métiers les plus importants du Big Data aujourd’hui ? first appeared on HIGHNORMA.

Le Data Lab, une stratégie de fidélisation et de notation au cœur de votre business model

Highnorma — Thu, 08 Aug 2024 09:35:47 +0000

Le Data Lab, une stratégie de fidélisation et de notation au cœur de votre business model

Qu’est-ce que le Data Lab ?

Le datalab est une stratégie de marketing qui permet d’améliorer sa relation et la fidélisation de sa clientèle. Cette technique prend en considération l’ensemble du comportement des clients en analysant ses habitudes de consommation vis-à-vis d’un produit en particulier. L’objectif de cette stratégie est d’apporter des solutions et réponses concrètes face à la demande qui se diversifie et qui augmente en même temps. Le datalab est une solution marketing que l’on peut utiliser seul ou coupler avec d’autres stratégies s’inscrivant dans le même champ.

L’objectif premier est de gagner du temps et de réaliser de bons scores. Pour avoir une visibilité sur les habitudes des consommateurs, le datalab évalue chaque client sur son intérêt pour un produit en particulier, sur ses fréquences d’achat et anticipe son comportement sur le court, moyen et long terme face à un produit de la même catégorie.

Comment fidéliser sa clientèle avec le Data Lab ?

Un client sera fidèle à un produit ou à une marque non pas parce qu’il l’aime, mais plutôt par habitude. Lorsque le client est satisfait et trouve son intérêt dans l’usage d’un produit en particulier, il s’instaure une routine qu’il ne souhaite pas briser. En effet, pourquoi changer ses habitudes lorsque l’on a toujours agi ainsi et que cela nous convient ?

Néanmoins, on ne peut qualifier cette démarche comme de la véritable « fidélité ». On parlera plutôt d’inertie et de réticence à l’idée de briser une routine.

L’une des meilleures stratégies pour fidéliser un client consiste à se mettre à leur place. Un client pense, réfléchit et sera fidèle à ce qui lui paraît simple et utile. Il peut être intéressant de mettre en place de manière ponctuelle et modérée, en plus de l’achat de son produit préféré, une offre de fidélité (sous forme de promotion ou de cadeau).

The post Le Data Lab, une stratégie de fidélisation et de notation au cœur de votre business model first appeared on HIGHNORMA.

Pourquoi est-il important de se former au développement de logiciels ?

Highnorma — Thu, 08 Aug 2024 09:35:47 +0000

Pourquoi est-il important de se former au développement de logiciels ?

Certains secteurs professionnels ont connu un réel essor ces dernières années. Le développement logiciel en fait partie. Il existe une kyrielle de raisons pour lesquelles il est important et utile de se former à cette discipline. Les voici :

Un domaine d’activité qui embauche à tour de bras

La crise de la COVID-19 nous a montré la fragilité et la volatilité de certains secteurs professionnels. Nombreux sont les travailleurs qui ont perdu leur poste ou vu une diminution substantielle de leur salaire. Certains domaines d’activité ont néanmoins échappé à cette fatalité. Parmi eux figure le développement logiciel. Cela s’explique aisément : la demande y est largement supérieure à l’offre. En effet, avec l’utilisation croissante des applications mobiles sur tous types de supports et la transformation numérique des entreprises, beaucoup d’organisations ont recours aux services des “professionnels du langage informatique”.

Ce secteur est aussi l’un des rares où la compétence prime sur le diplôme. Ainsi, vous pouvez très bien vous faire une belle place dans le métier sans être bardé de titres prestigieux. À vous de jouer !

Élargir son spectre de compétences

Se former au métier de développeur logiciel, c’est acquérir de nouvelles compétences très utiles tout au long de sa vie professionnelle. Dans un premier temps, cela vous permet de vous familiariser avec les concepts de la programmation et de développer une nouvelle forme d’esprit algorithmique. En effet, en développant des logiciels, vous apprenez à déployer votre logique d’une autre manière. D’autre part, cette discipline renforce l’imagination et la créativité des pratiquants. À force d’être confronté à certains types de problèmes, vous apprenez à trouver des solutions innovantes et contre-intuitives.

Comme développeur logiciel, vous acquérez également une analyse de risque plus fine. Vous apprenez à identifier les difficultés techniques ou liées au timing de votre projet, ainsi que les failles dans la configuration organisationnelle. Cette compétence en analyse de risque sera ensuite valorisée dans toute forme de gestion de projet.

The post Pourquoi est-il important de se former au développement de logiciels ? first appeared on HIGHNORMA.

Distinction des unités de sens dans un texte à destination des personnes dyslexiques.

Highnorma — Thu, 08 Aug 2024 09:35:49 +0000

Distinction des unités de sens dans un texte à destination des personnes dyslexiques.

Travail agréé par l'IJCAI (2019)

L’apparition du livre numérique est un progrès majeur pour permettre l’accès à la lecture, et donc souvent à la culture commune et au marché de l’emploi. En permettant l’enrichissement de textes par des béquilles cognitives, des formats d’accessibilité compatibles EPub 3 tels que FROG ont prouvé leur efficacité pour palier mais aussi réduire les troubles dyslexiques. Dans cet article, nous montrons comment l’Intelligence Artificielle, et en particulier le transfert d’apprentissage avec Google BERT, permet d’automatiser le découpage en unités de sens, et ainsi de faciliter la création de livre numériques enrichis pour un coût modéré.

Le deep learning au service des enfants dyslexiques

Les origines de la dyslexie sont multiples et encore sujettes à débat. Deux théories dominent l’études des troubles dyslexiques : La théorie phonologique (association incorrecte des graphèmes et des phonèmes) et la théorie visuelle (trouble du traitement visuel en amont du déchiffrement).

Les béquilles cognitives portant sur les mots ont prouvé leur efficacité (Snowling, 2000) pour une revue). La question est ici de mesurer l’apport d’une segmentation en rhèse en complément.

La segmentation en rhèse a été étudiée par (Chilles Hélène, 2012). La compréhension de textes de Littérature ou de mathématique par 9 élèves de 12 ou 13 ans en situation de dyslexie était évaluée. La conclusion est que le découpage en rhèse permet d’alléger la mémoire de travail et semble faciliter le traitement de l’information contenu, y compris sur des énoncés de mathématiques.

(Labal & Le Ber, 2016) a comparé les apports d’un prompteur inversé avec une granularité au mot ou à la rhèse. La population étudiée était de 18 enfants dyslexiques entre 8 et 12 ans. Il apparait que l’échelle du mot est en moyenne la plus pertinente pour la performance de lecture (Taux d‘ erreurs observés lors d’une lecture à voix haute, vitesse de lecture). Par contre l’écart type sur les scores obtenus sur les segmentations en rhèses est bien plus important que celui sur les découpages en mots : Pour certains enfants, le découpage en rhèses est plus pertinent. Surtout, la granularité « rhèse » a été préférée par deux tiers des enfants. Il semble que le découpage en mots facilite la lecture orale davantage que la compréhension. Il apparait que les deux approches sont complémentaires et à favoriser en fonction de chaque lecteur. Le livre numérique répond bien à cette problématique dans la mesure où la granularité utilisée peut être laissée au choix du lecteur.

En plus de la segmentation visuelle, le découpage en rhèse autorise plusieurs béquilles cognitive au sein d’un livre numérique :

L’utilisateur peut activer un soutien audio : Une unité de sens est lue si l’on pointe dessus.
Un masque gris s’applique sur le texte, une fenêtre de lecture met en valeur l’unité de sens qui est pointée
Les lettres et les mots sont espacés, l’interligne est augmenté, le paragraphe est ferré à gauche et les unités de sens ne sont pas tronquées.

Rhezor 2 : Découpage syntaxique et apprentissage

La bibliothèque open source SpaCy (Honnibal, 2015) inclue des modèles propose des modèles neuronaux convolutifs pour l’analyse syntaxique et la reconnaissance d’entités. Spacy permet d’analyser un texte en utilisant des modèles de prédiction sur les mots. Chaque modèle est spécifique à un langage et est entraîné sur un ensemble de données. Le modèle est pré-entraîné sur 34 langues.

De la sorte, SpaCy peut identifier entre autres la nature grammaticale d’un mot, ou les liens existant entre les mots d’une phrase. L’ensemble de ces informations peut être représenté par un arbre de dépendance grammaticale.

Le Rhezor 2 utilise l’arbre de dépendance de chaque phrase pour réaliser une segmentation en rhèse. Pour cela, un score est calculé pour chaque découpage possible en fonction de l’empan. Le score est défini en fonction des critères suivant : Type de dépendance segmentée ; Nombre de rhèses ; Équilibre dans les longueurs de rhèse ; Niveau du découpage dans l’arbre.

La pondération entre les critères est déterminée par un algorithme évolutif. Il est apparu que le type de dépendance était le critère principal.

Deep Rhezor : Transfer Learning

Jusqu’à il y a peu de temps, le volume du corpus de textes fragmentés manuellement était bien trop faible pour envisager une approche basée uniquement sur les données. Les avancées réalisées en 2018 sur le mécanisme d’attention et le concept de transformer (Vaswani, et al., 2017) permettent maintenant de spécialiser un modèle appris avec un volume raisonnable d’exemples. Ce procédé, dit de « Transfer Learning » est utilisé depuis plusieurs années pour la reconnaissance d’image, mais son application au traitement automatisé du langage est très récente.

La librairie retenue est le modèle BERT de Google (Devlin, et al., 2018), publié en open source en Octobre 2018. Le jeu de données d’apprentissage est automatiquement généré à partir de Wikipedia. D’abord, environ 15% des mots sont masqués dans chaque phrases pour essayer de les prédire. D’autre part, BERT a appris à prédire si deux phrases sont consécutives ou pas.

Google a généré plusieurs modèles. Deux modèles ont été générés pour l’Anglais et le Chinois. Un autre modèle deux fois plus petit (énorme néanmoins) et multilingue a également été créé. Deux modèle deux fois plus grand ont également été testés pour pour l’Anglais et le Chinois.

La base de textes étant principalement en Français, c’est ce modèle « BERT-Base, Multilingual Cased » qui a été retenu. La perte en précision sur une tache de traduction est d’environ 3% par rapport à un modèle de même taille entrainé sur une seule langue (Devlin, 2018). La taille maximum des phrase (max_seq_length) est fixée à 48 et celle du mini-lot à 16. Le Learning Rate est 2e-5 et le nombre d’epochs est de 3.

Le fine-Tuning mis en œuvre a consisté à associé une phrase avec une de ses sous-partie, et de créer un label indiquant s’il s’agit d’une rhèse ou non. Nous disposions de 10 051 phrases représentant 53 478 rhèses, dont un tiers environ ont été exclues de l’apprentissage et réservées pour l’évaluation.

Nous vous proposons des solutions autour du deep learning et machine learning dans divers domaines. Découvrez nos expertises sans plus attendre !

The post Distinction des unités de sens dans un texte à destination des personnes dyslexiques. first appeared on HIGHNORMA.