L'équipe DreamQuark en 2017

L’algorithme auto-apprenant de DreamQuark au cœur des solutions de santé, de finance et d’assurance de demain

Dossier : Dossier FFEMagazine N°731 Janvier 2018
Par Nicolas MERIC

Quelle est la genèse de votre offre de services ?

Lors du lance­ment de Dreamquark, une nou­velle famille d’algorithmes avait ren­du l’intelligence arti­fi­cielle acces­si­ble au secteur de la san­té notam­ment, avec des résul­tats tan­gi­bles quant à la prise de déci­sion. Néan­moins, la com­plex­ité des cal­culs rendait le proces­sus opaque, posant des enjeux impor­tants de fia­bil­ité du diagnostic. 

Pour y répon­dre, nous avons dévelop­pé des algo­rithmes plus matures, capa­bles d’expliciter le proces­sus de prise de déci­sion et réduire ain­si les erreurs de diag­nos­tic. Le cœur de notre tech­nolo­gie offrait ain­si plus de pré­ci­sion, de per­for­mance et de trans­parence aux util­isa­teurs métiers. 

Nos avancées dans le domaine de la san­té se sont révélées trans­pos­ables dans d’autres secteurs comme la banque et l’assurance, qui cherchent égale­ment des sys­tèmes de prise de déci­sion plus per­for­mants et sécurisés. Nous avons ain­si dévelop­pé un logi­ciel per­me­t­tant d’analyser les don­nées disponibles et d’automatiser cer­taines tâch­es afin de met­tre en place, en quelques clics, une appli­ca­tion reposant sur un moteur d’IA per­for­mant, capa­ble d’apprendre par lui-même à par­tir des infor­ma­tions disponibles pour fournir un résul­tat fiable. 

L’outil est donc capa­ble de faire des pré­dic­tions très ajustées, avec les don­nées métiers des util­isa­teurs en banque, assur­ance et san­té, sou­tenant le proces­sus de prise de déci­sion pour mieux appréci­er les risques encou­rus avec des vari­ables complexes. 

Pour autant, à aucun moment l’algorithme ne prend la déci­sion face à l’humain, il s’agit de ren­dre disponible l’information per­ti­nente pour l’utiliser au mieux dans la prise de déci­sion. Par exem­ple, à par­tir d’informations comme l’âge, les fac­teurs phys­i­ologiques, l’historique de san­té, l’historique ban­caire, etc., le mod­èle va max­imiser la capac­ité à détecter en avance si une per­son­ne va faire défaut à un crédit ou dévelop­per une mal­adie pour aider l’utilisateur dans sa prise de déci­sion finale. 

Votre travail portait initialement sur la détection de maladies. Qu’en est-il ?

En effet, en matière de détec­tion des mal­adies par imagerie médi­cale, Dream Upvi­sion, société créée par Dreamquark, a dévelop­pé une appli­ca­tion mobile ou web four­nissant un diag­nos­tic pré­coce très per­for­mant de la rétinopathie dia­bé­tique et du glau­come, mal­adies en très fort développe­ment en rai­son de l’explosion du dia­bète avec 450 mil­lions de cas diag­nos­tiqués dans le monde. 

Grâce à un objec­tif instal­lé sur la caméra d’un smart­phone, il est pos­si­ble de réalis­er en une sec­onde un fond d’œil de très haute qual­ité et d’analyser l’image.

Ce sys­tème aus­si per­for­mant qu’un exa­m­en chez un oph­tal­mo­logue et bien moins coû­teux per­met de pal­li­er le manque de spé­cial­istes pour diag­nos­ti­quer la maladie. 

En col­lab­o­ra­tion avec LIMSI, nous tra­vail­lons égale­ment sur la détec­tion d’émotions via le développe­ment d’algorithmes per­me­t­tant d’analyser des échan­til­lons sonores pour y détecter des émo­tions de colère, frus­tra­tion, joie, peur, tristesse, en temps réel, pou­vant trou­ver des appli­ca­tions dans les cen­tres d’appel par exem­ple pour prédire le com­porte­ment du consommateur. 

Comment se déroule concrètement la mise en œuvre de votre solution ?

Même si notre logi­ciel fonc­tionne de façon très autonome, accom­pa­g­n­er tem­po­raire­ment les clients est sou­vent néces­saire. En effet, les entre­pris­es dis­posent de beau­coup de don­nées, générale­ment non uni­formisées et beau­coup d’algorithmes ont été mal conçus et com­por­tent des biais, aboutis­sant à des déci­sions erronées. 

Nous tra­vail­lons donc ini­tiale­ment à iden­ti­fi­er les prob­lé­ma­tiques, retir­er les biais des algo­rithmes pour gag­n­er en per­for­mance et extraire les don­nées per­ti­nentes pour cibler l’information à prédire. Il s’agit après de définir avec le client com­ment les don­nées sont et seront rassem­blées pour un patient, un assuré ou un client de banque. 

Elles sont alors chargées dans le logi­ciel, qui va les analyser et les com­pren­dre en fonc­tion de la qual­ité de la base de don­nées disponible. Nous aidons l’utilisateur de son côté à utilis­er la plate­forme, afin de faire les pre­miers essais per­me­t­tant d’évaluer les algorithmes. 

Nous pou­vons inter­venir pour com­pléter les infor­ma­tions de façon à opti­miser la com­préhen­sion de la dynamique méti­er par le logi­ciel et la mod­éli­sa­tion des com­porte­ments. Une fois le mod­èle per­for­mant, il va pou­voir être déployé dans une appli­ca­tion pou­vant être instal­lée chez le client ou sur le cloud, paramé­tra­ble avec les don­nées util­isa­teurs pour adress­er la prob­lé­ma­tique souhaitée. 

Quels sont les bénéfices de vos solutions pour les utilisateurs ?

Nos solu­tions présen­tent plusieurs avan­tages pour nos clients et util­isa­teurs directs, ban­ques, assur­ances et insti­tu­tions médicales : 

  • Leur rapid­ité d’implémentation, capa­ble d’adresser en quelques semaines des prob­lé­ma­tiques extrême­ment complexes. 
  • La per­for­mance élevée de nos algo­rithmes, per­me­t­tant d’identifier des biais ignorés par d’autres solu­tions, de lut­ter con­tre des prob­lé­ma­tiques de fraude par exem­ple, entraî­nant in fine un meilleur retour sur investissement. 
  • L’intégration de toute la dimen­sion de pro­tec­tion des don­nées per­son­nelles, con­for­mé­ment au nou­veau règle­ment européen de pro­tec­tion des données. 

Nos solu­tions présen­tent aus­si des atouts pour les béné­fi­ci­aires fin­aux : clients des ban­ques et assur­ances et patients : 

  • Grâce à la détec­tion pré­coce des mal­adies, nous con­tribuons à mieux répon­dre au risque de san­té et donc la prévention. 
  • Les risques encou­rus par les clients en banque et assur­ance sont plus pré­dictibles et donc mieux traités, per­me­t­tant de meilleures actions de préven­tion et une meilleure expéri­ence client au final. 


L’équipe Dreamquark 2017.

Vous aspirez à créer un algorithme surpassant l’intelligence humaine.
Quelle est votre vision de l’alliance entre intelligence humaine et intelligence artificielle ?

L’intelligence humaine est bien supérieure à l’intelligence arti­fi­cielle. Nous sommes con­va­in­cus chez Dreamquark que l’IA est un atout pour l’homme, plus qu’une men­ace, mais qu’il faut pour cela en abor­der juste­ment les risques. 

Nous tra­vail­lons donc sur les tech­nolo­gies per­me­t­tant à l’IA de réalis­er des tâch­es humaines avec per­for­mance et de pren­dre des déci­sions avec pré­ci­sion et trans­parence, pour réduire les men­aces que présente l’utilisation des algo­rithmes ‘boîte noire’. 

Cela par­ticipe à une stratégie glob­ale visant à faire grimper les per­for­mances des algo­rithmes auto-apprenants en iden­ti­fi­ant com­ment ils pren­nent leur déci­sion, à quel moment ils sont biaisés et com­ment ils peu­vent iden­ti­fi­er leur pro­pre biais et utilis­er d’autres infor­ma­tions pour réé­val­uer leur jugement. 

Nous tra­vail­lons en cela sur la notion d’esprit cri­tique : des algo­rithmes capa­bles d’estimer les don­nées et de les utilis­er avec per­ti­nence en fonc­tion de la prob­lé­ma­tique, en bref capa­bles d’apprendre à pren­dre des déci­sions et se per­fec­tion­ner par auto-apprentissage. 

Nous croyons aus­si à des champs d’application nou­veaux où des humains pour­ront entraîn­er des intel­li­gences arti­fi­cielles pour apporter des solu­tions à des besoins réels, de diag­nos­tic médi­cal dans les pays émer­gents souf­frant de pénurie de per­son­nes qual­i­fiées par exem­ple, ou encore for­mer et dif­fuser de bonnes pra­tiques médico-sociales. 

Il ne s’agit donc pas de rem­plac­er l’humain, mais d’apporter des solu­tions com­plé­men­taires, à con­di­tion de répon­dre aux erreurs et biais pour faire de ces nou­velles tech­nolo­gies de réelles oppor­tu­nités pour l’homme.

Poster un commentaire