Une plateforme d’ingénierie de Machine Learning appliqué au NLP
Kairntech a été fondée en janvier 2019 par une équipe d’ingénieurs spécialisés dans l’intelligence artificielle et le développement de logiciels. Fournissant une plateforme d’ingénierie d’apprentissage automatique basée sur des composants open source de pointe et dédiée aux textes non structurés, Kairntech soutient les grands comptes, les administrations, les fournisseurs de contenu et les start-ups dans la mise en œuvre et le déploiement de produits ou services d’intelligence artificielle. Cette plateforme permet à nos clients d’accélérer leur transformation digitale en rationalisant les processus métier.
Pourquoi le nom Kairntech ?
Combinaison de « kairn » (cairn mais avec un k pour « Knowledge ») qui signifie le tas de pierre qui vous guide sur un chemin de montagne et de « tech » – technologie – qui est notre ADN. Kairntech est là pour vous guider sur la voie de la mise en œuvre et du déploiement d’une solution basée sur l’apprentissage automatique appliquée à un contenu non structuré !
Pourquoi Tarmac / Inovallée à Grenoble ?
Parce que la majorité de l’équipe est originaire de Grenoble, en France. C’est un endroit où il fait bon vivre, un site technologique moderne et prospère, un haut lieu français de l’intelligence artificielle au milieu de chaînes de montagnes. Nous voulions bénéficier du soutien et de l’assistance d’un incubateur. Tarmac est l’un des incubateurs numériques et de haute technologie de Grenoble, qui fait partie du « French Tech in the Alps ».
Pourquoi Kairntech ?
Pour répondre au besoin croissant de mettre en place des produits ou services de Machine Learning & Deep Learning sur des contenus non structurés (texte, audio…) pour l’Entreprise. Nous voulons aider nos clients à créer des produits basés sur des données pour générer de nouvelles sources de revenus ou pour être plus efficaces tout en tirant parti des derniers progrès de la technologie d’apprentissage automatique et de réseaux de neurones appliquée au traitement du langage naturel (TAL). En effet, il semble que 2018 ait été une année charnière pour la technologie d’apprentissage automatique en NLP. Il semble que la qualité et l’efficacité de ces approches aient – aujourd’hui – dépassé les méthodes traditionnelles basées sur des règles (mais ne vous méprenez pas, nous avons également une grande expérience de la NLP linguistique, de sorte que nous pouvons combiner les approches lorsque cela est approprié). La création et le maintien de règles étaient autrefois un défi, voire un point de blocage… aujourd’hui, avec les approches fondées sur l' »apprentissage automatique », la charge s’est déplacée vers la création de données d’apprentissage de grande qualité propres à un domaine, à une langue et à une tâche particulière, nécessaires pour faire passer un projet de la phase d’expérimentation au déploiement, en fournissant rapidement des produits ou des services…
Trouver le meilleur modèle sur un jeu de données d’apprentissage existant est une chose…. ; mettre en œuvre et déployer des solutions basées sur la ML de A à Z en est une autre ! En effet, il s’agit d’aborder les étapes suivantes :
- Définir d’abord un produit ou un service d’IA,
- Formaliser le problème d’apprentissage,
- Recueillir et explorer des contenus non structurés pertinents et représentatifs,
- Définir des classes et des lignes directrices d’annotation,
- Initier la création de données d’apprentissage grâce à un outil d’annotation de texte, versionner,
- Construire un premier modèle simple, tester, optimiser, mesurer, expérimenter, versionner,
- Étendre les données d’apprentissage, améliorer le premier modèle, tester, optimiser, mesurer, expérimenter, versionner,
- Itérer…
- Expérimenter différents algorithmes à l’état de l’art, comparer leur qualité respective et enfin valider le meilleur modèle,
- Tester le pipeline de production avec le(s) modèle(s) développé(s) et d’autres composants possibles, tester les performances,
- Déployer le pipeline en production (dans le workflow des clients…),
- Maintenir et améliorer la solution dans le temps en enrichissant les données d’apprentissage puis en synchronisant les modèles à travers des boucles de rétroaction…
C’est pourquoi nous avons décidé de développer une plateforme d’ingénierie d’apprentissage automatique pour équiper et soutenir nos clients dans la création de nouveaux produits ou services basés sur le Machine Learning et exploitant des contenus non structurés.
En effet, nous pensons que fournir aux experts humains un support automatisé basé sur l’IA est ce dont ils ont besoin dans de nombreux scénarios aujourd’hui. Les employés « augmentés » par le support de la « machine » sont, pour de nombreuses tâches, la solution la plus efficace en termes de productivité, d’efficacité et de qualité.