<img height="1" width="1" style="display:none;" alt="" src="https://dc.ads.linkedin.com/collect/?pid=565596&amp;fmt=gif">

Pourquoi, chez Yooz, avons-nous choisi d'utiliser l'Intelligence Artificielle pour automatiser les processus comptables ?

Dans le deuxième article, Vincent Poulain d'Andecy, Research Department Manager nous explique comment Yooz exploite cette automatisation intelligente pour optimiser les processus comptables.
Dans ce troisième et dernier article de la série, il nous révèle comment ces solutions de dématérialisation ou ces "robots" intelligents fonctionnent.

Quelle est la nouvelle frontière de ces « robots » faits pour détecter, analyser, identifier des données ?

Un enfant de 3 ans commence à décoder des symboles, un enfant de 6 ans commence à décoder des textes, un enfant de 10 ans commence à comprendre des textes complexes. Le processus d’apprentissage repose sur la répétition des observations : lire, lire, lire et lire jusqu’à mémorisation. Mais également, l’enseignant lui inculque les règles sur la construction des phrases, la syntaxe, la conjugaison, la sémantique de mots remarquables (mais ou et donc…) qui vont fournir à l’enfant des modèles de compréhension des textes.

L’intelligence artificielle met en œuvre des stratégies similaires. Le machine learning s’appuie sur l’apprentissage massif d’exemples, les systèmes experts s’appuient sur un moteur d’inférence qui applique des connaissances, des règles, sur des observations pour en déduire de nouvelles connaissances. Les systèmes experts sont efficaces en généralisation car les règles modélisent la logique du document. En revanche, ils nécessitent un expert humain pour maintenir la base de connaissance.

Je télécharge le Livre Blanc Yooz !

Le Machine Learning ne nécessite pas cette expertise. Aujourd’hui, les réseaux de neurones profonds (DeepLearning) sont très efficaces car les approches cloud permettent de collecter de grandes masses de document, et les datacenters ont la capacité de brasser ces données.

Un réseau de neurones est un modèle mathématique statistique, inspiré de l’organisation des neurones biologiques, qui permet de simuler n’importe quelle fonction, a fortiori n’importe quelle fonction de reconnaissance ou de décision. L’apprentissage consiste à calculer statistiquement les milliers de paramètres du réseau à partir des exemples de document. Cette phase d’apprentissage est critique. Parfois elle n’est pas réalisable quand on dispose d’un volume insuffisant d’exemples.

Dans ce cas, d’autres modèles existent comme l’incremental learning. Ce type de réseau a l’avantage d’être évolutif et de pouvoir apprendre avec peu d’exemples. Ce réseau peut être nourri continuellement d’exemples pour accroître continuellement ses performances sans apprentissage massif. Il peut rapidement permettre la mise en œuvre pour l’automatisation des documents moyennement fréquents. Sa limite est qu’il n’atteint pas les performances du DeepLearning quand ce dernier est applicable.

Tous ces systèmes sont complémentaires. Notre choix logique et notre force est de combiner toutes ces technologies dans nos « robots ».

 


Si vous souhaitez aller plus loin, vous avez aussi la possibilité de visionner le replay de notre Webinar "Intelligence Artificielle".

Je visionne le webinar replay IA !

 

 Tags: Tendances Numériques Entreprises

N'hésitez pas à nous
donner votre avis sur cet
article !
Vous pouvez poster votre
commentaire ci-dessous :

S'abonner aux news du Blog

trone-fer