Trouvez la réponse à vos questions les plus brûlantes

Les LLM comme GPT, Claude, Mistral, Anthropic et Gemini, donnent des résultats plus ou moins pertinents selon les textes/questions (prompts) que nous leur donnons en entrée. Apprendre à poser les bonnes questions est complexe. Pour appliquer les bonnes pratiques, c'est un nouveau métier appelé le prompt engineering. Cela consiste à utiliser des techniques et des méthodes visant à concevoir, structurer et optimiser les instructions adressées à une intelligence artificielle générative.

Les "Embeddings" en IA générative désignent une technique qui transforme des éléments comme des mots, phrases ou images en vecteurs numériques dans un espace à plusieurs dimensions. Ils permettent à l’IA de faire de la recherche sémantique dans une base de connaissance, de comprendre, de comparer et de manipuler des informations complexes en capturant leur sens ou leurs relations sémantiques.

Les agents IA améliorent l’efficacité, réduisent les coûts et permettent d’automatiser des tâches complexes ou répétitives.

Les agents IA sont fiables pour les tâches prévues, mais il est important de les surveiller et de les mettre à jour régulièrement

Oui, les agents IA peuvent être adaptés à différents métiers ou tâches selon les objectifs de l’entreprise dans le studio de la table à dessin de MIA.

Non, l’IA automatise surtout les tâches répétitives ou structurées, mais certaines tâches humaines restent indispensables.

Dans le cadre d'une IA générative, la température est un hyperparamètre du LLM qui contrôle le degré d’aléa ou de créativité dans la génération du texte par le modèle de langage. Par exemple, pour une Faible température (ex : 0.2) le modèle LLM produit des réponses plus déterministes, cohérentes et proches des réponses les plus probables qui réduisent la diversité des réponses et favorise la précision, ce qui est souvent recherché dans les systèmes RAG où l’exactitude factuelle est importante. À l'opposé, pour une température haute proche (ex : 1 ou proche), le modèle génère des réponses plus variées, créatives et parfois inattendues, car il donne plus de chances aux mots moins probables d’être sélectionnés. Cela peut augmenter la diversité, mais aussi le risque d’erreurs ou de contenus moins fiables.

Un chunk dans le contexte de la construction d’une IA générative avec du RAG (Retrieval Augmented Generation) désigne un extrait ou un segment d’un document source, découpé de façon à être facilement indexé, recherché et utilisé pour enrichir les réponses générées par un modèle de langage LLM. Il est possible de paramétrer les chunks dans MIA : nombre maximum, longueur de caractères, chevauchement autorisé entre 2 chunks,

La sécurité des données dans une IA générative spécialisée (RAG), dépend de sa mise en œuvre. L'utilisation d'APIs sécurisées, de connexions cryptées et de sources de données conformes à la confidentialité est essentielle pour maintenir la sécurité des données en entreprise.

Les modèles d'IA traditionnels génératifs, dits Grand Public, récupèrent des informations à partir d'un ensemble de données statiques ou génèrent du texte basé sur un ensemble de données bien souvent issues du web. L'IA générative spécialisée avec du RAG combine les deux, permettant des réponses plus précises, pertinentes et adaptées au contexte. La technologie RAG offre plusieurs avantages notables pour les entreprises. Parmi eux, on retrouve une amélioration de la qualité des réponses générées par l’IA. Grâce à la récupération d’informations supplémentaires, la réponse devient plus précise et mieux contextualisée. Cela permet notamment de réduire les hallucinations des modèles d'IA génératifs.

Le RAG utilise des données vectorielles issues de sources fiables et actualisées, telles que des bases de données internes, des documents, du texte, des urls et des informations publiques pertinentes. MIA accepte les contenus de format .PDF, .CSV, .TXT.

Le RAG enrichit l’IA générative en lui fournissant des données actualisées et contextuelles par exemple à partir de votre patrimoine documentaire, améliorant ainsi la précision des réponses générées en la spécialisant davantage.

Oui, le RAG est particulièrement adapté aux PME, car il permet d'améliorer les réponses des systèmes d’IA sans nécessiter de lourds investissements en formation ou en infrastructure.

La génération augmentée de récupération (RAG) est une méthode avancée qui combine la puissance des modèles d’intelligence artificielle générative avec des processus de récupération de données. Contrairement aux modèles d’IA classiques, qui se contentent de générer des réponses basées sur des informations apprises lors de leur entraînement, le RAG permet d’aller chercher des informations contextuelles et actualisées dans des bases de données externes ou internes. Cela permet d’enrichir les réponses générées par l’IA et d’offrir des résultats plus pertinents et fiables, adaptés aux besoins spécifiques de l’entreprise. Ce processus repose sur deux éléments clés : les modèles de langage (LLM) et les systèmes de récupération d’information (IR).

La différence principale entre un agent IA et l’automatisation IA réside dans leur niveau d’intelligence et d’autonomie : - Une automatisation IA : c'est un système qui exécute des tâches selon des règles ou des scénarios prédéfinis, souvent sans comprendre le contexte. L’automatisation IA est idéale pour des processus répétitifs et structurés, mais elle ne s’adapte pas aux situations nouvelles ou complexes. - Un agent IA : est un programme intelligent capable de percevoir son environnement, de raisonner, d’apprendre et d’agir de façon autonome pour atteindre un objectif. Contrairement à l’automatisation, un agent IA s’adapte, prend des décisions et améliore ses performances grâce à l’apprentissage automatique. En résumé : l’automatisation IA suit des règles fixes, tandis qu’un agent IA réfléchit, apprend et s’adapte au contexte pour gérer des situations variées

Oui, au travers du studio de MIA, vous pouvez paramétrer très simplement et en toute sécurité une IA générative spécialisée à partir de contenus importés. Elle utilise la technologie de RAG (Génération augmentée de récupération).

Généralement, on retrouve les paramètres suivants dans le paramétrage du LLM d'une IA générative : seed, température, nombre & longueur des extraits, chevauchement entre extraits, Top P, Top K, token, présence et fréquence des pénalités et stop séquences.

Le Natural Language Processing (NLP) englobe les méthodes et les technologies qui permettent aux ordinateurs de lire, comprendre et interpréter le langage humain. Le NLP se concentre essentiellement sur le traitement automatique du langage naturel dans sa forme brute, en se basant souvent sur des règles grammaticales et des modèles statistiques. NLG se concentre quant à lui sur la génération d’un langage naturel à partir de données structurées : génération de rapports, chatbots, ... C’est une étape essentielle pour les interactions humain-machine en rendant les réponses compréhensibles pour l’utilisateur. Enfin, le NLU est une sous famille de l’IA qui permet aux machines de comprendre et d’interpréter le langage humain tel qu’il est parlé ou écrit, intégrant le sens complet, le contexte, l’intention des textes et les subtilités des langue utilisées : analyse de formulaire, analyse de sentiment, analyse d'enquête de satisfaction, traitement de messages automatiques, ... L'ensemble de ces technologies sont intégrées dans MIA, sans nécessité de compétence particulière.

La température permet de contrôler ces éléments. Si une température est élevée, alors cela signifie que le modèle prend plus de risques.

Il s'agit d'une IA qui peut traiter plusieurs types d'entrées ou sorties, y compris du texte, des images, des vidéos ou du son.

Il s'agit d'une composante de l'intelligence artificielle qui permet aux ordinateurs d'apprendre et d'obtenir des résultats prédictifs, sans programmation explicite, à partir d'un historique de données. On parle dans ce cas d'apprentissage supervisé.

Il s’agit d’une branche de l’intelligence artificielle capable de créer automatiquement du contenu : texte, vidéo, image, audio ou même code informatique. Une IA générative a besoin de grandes quantités de données pour s’entraîner et identifier des modèles lui permettant de produire des réponses pertinentes

Au travers du studio de MIA, vous pouvez créer des IA génératives souveraines, complètement agnostiques aux LLMs et qui se spécialisent à partir des bases de connaissance de votre entreprise. Vous pouvez ainsi les faire évoluer comme vous le souhaitez et personnaliser leur interface de communication.

Grâce à sa "table à dessin", il est possible de créer des agents combinant plusieurs approches en IA et ainsi analyser plusieurs types de sources de données (texte, image, document, tables, voix,...) dans un même workflow.

Un agent intelligent multimodal est un système d'IA capable d'interagir avec son environnement en utilisant plusieurs modes de communication (texte, voix, images, document, données tabulaires etc.). Il peut "comprendre", analyser et répondre à des informations provenant de diverses sources, offrant ainsi une interaction plus naturelle et polyvalente avec les utilisateurs dans différents contextes professionnels.

Le Data mining, orage de données, exploration de données, fouilles de données ou encore knowledge discovery désignent l’analyse de données depuis différentes perspectives et le fait de transformer ces données en informations utiles, en établissant des relations entre les données ou en repérant des patterns. Techniquement, c'est le procédé permettant de trouver des corrélations ou des patterns entre de nombreuses bases de données relationnelles. Il est une composante essentielle des technologies Big Data et des techniques d’analyse de données volumineuses. Le Data Mining implique la collecte, le stockage efficace des données ainsi que le traitement informatique. Par exemple, les entreprises peuvent en apprendre davantage sur leurs clients et élaborer des stratégies plus efficaces liées aux diverses fonctions de l'entreprise, ce qui leur permet de tirer parti des ressources de façon plus optimale et plus judicieuse. Cela aide les entreprises à se rapprocher de leurs objectifs et à prendre de meilleures décisions.

Les réseaux neuronaux sont au cœur du Deep Learning, ce sont des outils utilisés par l'intelligence artificielle. Son utilisation est réservée aux spécialistes du développement au même titre que les outils de machine learning. Au travers de notre solution MIA, cette technicité est masquée, car la solution recherche pour l'utilisateur, pour vous le meilleur outil d'IA pour apporter un résultat optimal au cas d'usage concerné.

Un algorithme est un ensemble de règles ou d'instructions à suivre dans des calculs ou d'autres opérations de résolution de problèmes afin d’obtenir des résultats à partir d’éléments fournis en entrée.

Un modèle de machine learning est un fichier qui a été entraîné sur une base d'apprentissage pour reconnaître certains types de configurations dans les données. Vous entraînez un modèle, en lui fournissant un algorithme qu'il peut utiliser pour raisonner sur ces données et apprendre d'elles. Une fois le modèle entraîné, vous pouvez l'utiliser pour raisonner sur des données qu'il ne connaît pas et faire des prédictions sur ces dernières.

MIA peut traiter des données de différents formats, autant structurées que non structurées. Le module dit "tabulaire" peut accueillir des données de type tables, des formulaires ou même mails. MIA est aussi capable de traiter des images, des documents (pdf, docx, ...), du texte ou bien même des vidéos.

Les professionnels doivent être de plus en plus réactifs dans leurs échanges avec leurs clients et leurs partenaires. Les échanges se font de plus en plus de façon numérique et l'intelligence artificielle est l'outil indispensable qui apporte la structuration de l'information reçue quotidiennement, structuration indispensable pour une prise de décision rapide et éclairée.

Pas du tout. Avec l'augmentation permanente du nombre d'informations que l'on reçoit et que l'on doit traiter de plus en plus vite, l'intelligence artificielle nous aide à nous concentrer sur des tâches à plus forte valeur ajoutée. Elle nous soulage des tâches fastidieuses et consommatrices de temps, comme par exemple, réaliser le tri et la catégorisation d'information de façon manuelle. C'est un outil mis à notre disposition pour faciliter notre évolution dans un monde de plus en plus numérique.

Actuellement, les principaux gains recherchés sont : - La catégorisation des informations reçues, ce besoin est une conséquence directe de l'augmentation croissante du volume de données à traiter quotidiennement par une entreprise - Le besoin d'anticiper et de prédire ou d'avoir une tendance sur une activité clé de l'entreprise en lui associant des données externes provenant par exemple de son écosystème.

Un outil de Business Intelligence permet d'analyser le passé voire le présent. Un outil d'IA permet de prédire l'avenir.

Tout à fait ! MIA s'appuie sur la fonctionnalité MLFlow, qui est intégrée nativement. Grâce à ce module, la totalité des modèles entrainés sur les données spécifiques au cas d'usage sont stockés et historisés Il est donc facile de suivre l'évolution des performances des modèles entrainés, ou la défaillance d'un modèle, et par extension quel algorithme a pu prendre le relais en termes de bonnes performances.

Les réseaux de neurones sont au coeur du Deep Learning, ce sont des outils utilisés par l'intelligence artificielle. Son utilisation est réservée aux spécialistes du développement au même titre que les outils de machine learning. Au travers de notre solution MIA, cette technicité est masquée car la solution recherche pour l'utilisateur pour vous le meilleur outil d'IA pour apporter un résultat optimal au cas d'usage concerné.

MIA intègre nativement les modules nécessaires à la reconnaissance de caractères et à l'extraction de texte. Un cas d'usage anamytique complet qui utilise ces modules peut être fourni sur demande.

MIA intègre nativement un référentiel de données externes qui peut enrichir et compléter vos données

Ce sont des données structurées sous forme de table ou de base de données.

MIA propose en effet les deux. Dans le cas d'apprentissage supervisé (classification, regression), les modèles d'intelligence artificielle sont guidés lors de leur entrainement. En effet, les résultats attendus des données sont étiquetées au préalable, ce qui permet aux algorithmes d'ajuster leurs paramètres et de fournir les meilleurs résultats

Pour demander un essai, il suffit de compléter un formulaire via notre site. Notre service commercial prendra contact avec vous.

MIA existe dans une version on Premise, petmettant un hébergement sur les serveurs d'une entreprise. Par ailleurs, MIA , dans sa version Cloud, propose un stockage dans S3 d'Amazon.

En fonction de la licence et des options souscrites, vous disposez d'accès différenciés aux fonctions de MIA.

La classification des images sert à attribuer une catégorie à une image (Par exemple: cette image correspond à un chat ou à un chien) alors que la segmentation consiste à diviser une image en différentes régions et à attribuer une catégorie à chaque région . Cette dernière peut être divisée en deux types : La segmentation sémantique permet de classifier chaque pixel d’une image en un label particulier et la segmentation d’instances va attribuer un unique label sur chaque instance d’un même objet dans une image. Par exemple, si on a deux personnes sur une image, ils seront définis par deux couleurs différentes par contre la segmentation sémantique va attribuer la meme couleur pour les deux personnes en les considérant comme un même objet.

MIA peut traiter des données de différents formats, autant structurées que non structurées. Le module dit "tabulaire" peut accueillir des données comme des tables, des formulaires ou même mails. MIA est aussi capable de traiter des images, des documents (pdf, docx, ...), du texte, des vidéos ou bien même des sons.

NLP : Actuellement, MIA propose de répondre à des besoins de classification et de segmentation de texte en anglais et en français. Nous travaillons en continu le développement de la prise en charge de nouvelles langues pour le traitement de texte.TABULAIRE COMPRIS AUSSI : Toutes les langues à alphabet latin peuvent être traitées pour le module tabulaire, image et vidéo (c'est pas beau ça ?). En effet, le langage des données, soit l'apparition de caractéristiques intrinsèque et de correlations, et le principal à comprendre pour nos modèles d'IA.

- MIA est une plateforme No-Code (donc à la portée de tous) qui embarque nativement une soixantaine d'algorithmes. - Dans MIA, le parcours utilisateur est singulier puisque l'étape de nettoyage et formattage des données est obligatoire. - MIA est en capacité de traiter plusieurs formats de données différents : Tabulaire, texte, image et vidéo.

MIA intègre les deux.Un peu de contexte tout de même puor éclaircir le sujet ! L'intelligence artificielle est la capacité d'une machine à mimer le comportement humain, que ce soit en terme d'apprentissage ou de résolution de problème. Les mathématiques et la logique sont globalement utilisées pour permettre à l'IA de prendre des décisions. Le Machine Learning est en fait un champs de l'IA ! Ce domaine est spécifique à l'utilisation de modèles mathématiques adaptés à la donnée qu'on lui a injecté. Ces données lui permettent d'apprendre les exemples qu'on lui a fournis sans avoir eu d'instructions directes, et ce pour prendre des décisions.

MIA propose ces algorithmes qui sont utilisés pour classer, trier ou filtrer les éléments en fonction de leur pertinence ou de leur qualité et suggérer des éléments qui pourraient intéresser un utilisateur en se basant sur ses préférences, son historique ou d'autres informations pertinentes

MIA intègre nativement des modules qui permettent de créer des cas d'usage pour la détection de fraude. Qu'il s'agisse de données financièires, de données de comportement (vidéos) ou d'images (de signature par exemple), MIA permet de détecter des cas de fraude.

MIA intègre nativement et en Nocode un module de supervision de cycle de vie des performances des algorithmes (MLFLOW). Il permet le suivi centralisé des expériences. MLflow permet de garder une trace de toutes les expériences et des différentes exécutions de modèles. Vous pouvez stocker les paramètres, les métriques, les artefacts et les journaux de chaque exécution, ce qui facilite la comparaison des performances et la compréhension de l'impact des différents choix.

Oui MIA dispose d'un catalogue complet d'APIs qui permet d'automatiser MIA et de créer des workflow de production.

Au delà des résultats, MIA permet d'intégrer des règles métier et de présenter des résultats en fonction des besoins exprimés par le métier.

MIA intègre deux type de restitution : sous forme de tableau de bord exporté soit sous forme de fichier ou à destination d'un outil métier ou de business intelligence

MIA possède par défaut une fonction d'export des résultat soit à destination d'un fichier soit vers une application tierce par l'utilisation des APIs de MIA

MIA possède nativement une restitution sous forme de tableau de bord personnalisable

Oui MIA permet de gérer le mode SAAS soit en tenant indépendants soit en multi-tenants

MIA stocke uniquement les données utilisées lors de la création de cas d'usage. MIA ne stocke pas les données de production.

Oui, les informations communiquées entre les modules de front et back sont encryptées.

MIA ne gère pas spécifiquement les données de santé, mais MIA permet par un jeu d'habilitations fines de réduire la consultation de ces données aux seules personnes habilitées. Par ailleurs, il est possible dès l'import de données de retirer les données à caractère sensible comme les données personnelles, et tout type de données qui pourraient relier le jeu de données à une personne.

MIA permet facilement de retirer les données à caractère personnel des jeux de données importés par l'utilisateur. Il est de la responsabilité du propriétaire des données (responsable de traitement) de s'assurer que le contenu des données utilisées dans MIA ainsi que les traitements appliqués respectent le RGPD.

MIA est un logiciel Nocode. Dès la connexion et en fonction des droits qui vous sont appliqués, vous pourrez accéder au module "Ma documentation" accessible via le menu de MIA . Vous pouvez aussi accéder au module de formation en ligne qui vous permet de créer des cas d'usages analytiques et pédagogiques par type de données (tabulaire, texte, image, vidéo), par type de traitement et en fonction de votre degré de maturité sur MIA. Les jeux de données de démonstration pour les entrainements vous sont également fournis ainsi qu'une vidéo et une documentation par cas d'usage.

Digitalent ne propose pas au travers de son service d'assistance ce type de service spécifique. Vous pouvez contacter notre service commercial qui vous mettra en relation avec un de nos partenaires qui réalisent ce type de service personnalisé.

Vous pouvez suivre l'avancement de votre demande sur le Portail client ou simplement en répondant à l'un des e-mails reçus suite à votre demande.

Pour définir la priorité des demandes, le service d'assistance prend en compte l'impact du problème signalé sur le fonctionnement du produit, ainsi que les délais de prise en charge. Pour donner des informations sur le niveau d'urgence du problème, vous pouvez sélectionner le type de conséquence / impact approprié lors de la création de votre demande et nous donner des détails sur la situation particulière engendrée par l'incident. Si vous pensez que les conséquences n'ont pas été correctement définies, vous pouvez l'indiquer et donner plus d'informations de contexte en ajoutant un commentaire à votre demande.

Vous pouvez vous reporter aux délais de réponse visés indiqués sur la page des services d'assistance.

Vous pouvez soumettre une demande d'assistance grâce au formulaire Web ou au Portail client. Pour obtenir des instructions détaillées, reportez-vous à la liste des FAQ.

Reportez-vous aux caractéristiques techniques pour savoir quelle est la configuration matérielle minimale requise correspondante à l'utilisation que vous souhaitez faire avec MIA.

MIA prend en charge les types de données suivantes: tabulaires, textes, images,videos et sons. Ces données peuvent être transmises par fichiers, par l'utilisation des APIs de MIA qui permettent une injection de type push ou une extraction de type pull.

Pour MIA Saas, les versions sont mises à jour régulièrement par l'équipe technique de Digitalent, la version que vous utilisez sera donc la dernière disponible. Pour MIA On Premise, vous êtes régulièrement informés des correctifs et des évolutions de la version que vous utilisez. Vous mettrez à jour MIA à votre rythme. Digitalent maintient les versions N et N-1.

Oui vous avez trois possibilités : se reporter à la documentation de MIA accessible directement dans la plate-forme MIA, utiliser le module d'Elearning ou contacter le support en ligne de Digitalent

Le service d'assistance peut répondre à des questions générales relatives à l'utilisation de MIA et proposer des ressources d'aide appropriées. Néanmoins, pour toute question détaillée relevant spécifiquement de vos données ou d'un service de personnalisation, adressez-vous à l'équipe conseil MIA Advisory.

Vous pouvez créer un nombre illimité de demandes d'assistance.

Une assistance est proposée dans les langues suivantes : Français, Anglais, Arabe

Reportez-vous aux horaires indiqués sur la page des services d'assistance.

MIA utilise un ensemble de techniques statistiques qui sont regroupées sous l'aile du Machine Learning. Parmi elles, nous pouvons retrouver une liste non exhaustive des types de modèles embarqués au sein de MIA : - Les modèles d'ensemble, notamment ceux basés sur les arbres de décisions, qui permettent de combiner les prédictions de plusieurs modèles afin d'en ressortir un résultat final robuste et interprétable.- Les réseaux neuronaux qui permettent de réaliser une modélisation complexe de la relation entre les caractéristiques d'un jeu de données et la cible de prédiction. Cela passe par des optimisations de fonctions de pertes de ces modèles.Bien que les modèles de Machine Learning et leur paramètrage sont primordiaux pour la bonne prédiction de la cible souhaitée, la configuration de leur entrainement et le pré-traitement du jeu de données sont cruciaux (normalisation, standardisation, encodage, séléction et création de variables, ...).

Oui, MIA intègre nativement plusieurs LLMs comme Llama-3, Mistral ainsi que des modèles d'embedding de texte comme Nomic Embed Text. Ainsi, il est possible de spécialiser une IA générative à partir d'une base de connaissance (IA RAG) et de la paramétrer en toute transparence et en toute sécurité. MIA est agnostique sur les LLMs.

Oui, MIA intègre des algorithmes de reconnaissance d'objets d'images ou de vidéos et un algorithme de reconnaissance des gestes qui est capable de reconnaitre plus de 190 gestes soit en direct en analysant un flux vidéo en streaming soit en différé en analysant des vidéos pré enregistrées.

MIA possède des APIs permettant d'injecter tout type de jeux de données.

MIA dispose actuellement de plus de 100 algorithmes d'IA génératifs et analytiques.

Oui,pour chaque entrainement MIA indique quel algorithme d'IA a été utilisé et fournit un ensemble d'indicateurs de performances.

Lors de la selection du meilleur modèle adapté à votre cas d'usage, MIA réalise un entrainement permettant de faire ressortir un algorithme robuste aux changements minimes de données, grâce à la technique de validation croisée. Les modèles ne sont donc pas surajustés lors de ce processus.

Oui MIA possède un module d'enrichissement des jeux données avec des données externes par exemple. Dans ce cas, les données complémentaires sont fusionnées au jeu de données original à l'aide des jointures détectées par MIA. MIA peut aussi gérer l'importation multiple de jeux données avec la possibilité de les fusionner pour créer d'autres jeux de données et ainsi démultiplier ses axes d'analyses.

Oui MIA met à disposition le jeu de donnée mis en qualité.

MIA possède un module très puissant de mise en qualité des données. Vous pouvez décider du traitement de ces champs vides comme par exemple les retirer, les remplacer par la moyenne ou la médiane et dans certains cas les compléter grâce au Machine Learning. MIA possède aussi un mode automatique qui retire automatiquement ces champs vides.

Oui, MIA possède un mode d'entrainement automatique qui sollicite l'ensemble des algorithmes adaptés au cas d'usage. MIA possède plus de 60 algorithme d'IA. A l'issue de cet entrainement, tous les alogorithmes solicités sont classés du plus performant au moins performant. L'ensemble des paramètres de performance, de temps d'entrainement... sont présentés dans un tableau et historisé pour être à nouveau utilisé par les data scientists si besoin.

En effet, MIA utilise ce type de techniques pour permettre un équilibre des classes fournies lors d'un entrainement de modèles d'intelligence artificielle. MIA fait également attention à bien adapter sa manière d'évaluer les modèles pour selectionner le plus adapté au cas d'usage concerné et aux données, et ce aussi en fonction des potentiels déséquilibres dans les jeux de données importés.

MIA n'utilise pas de modèles bayesiens pour répondre aux besoins des utilisateurs. En effet, les algorithmes proposés par MIA sont étudiés pour n'intégrer que les meilleurs selon les cas d'usage . Les modèles bayésiens se sont vu dépassés par d'autres existants, comme ceux basés sur des arbres de décisions, les réseaux neuronaux entre autre.

MIA possède un large éventail de modèles traitant le Natural Langage Processing, et ce pour répondre à plusieurs types de cas d'usages (labellisation de texte, résumé et segmentation de texte, ou reconnaissance d'entités nommées). Les algorithmes qui sont donc sollicités pour répondre aux cas d'usages basés sur du texte sont très variés : on peut autant retrouver des algorithmes statistiques (XGBoost, Random Forest, ...) que spécifiquement des réseaux neuronaux (BERT, les CNN, les GRU ...). Cependant, un aspect non négligeable est la transformation des mots et phrases retranscrits en vecteurs compris par les algorithmes cités précédemment. Dans ce cas, des encodeurs sont mis en place parmi lesquels on peut retrouver BERT, Word2Vec, Glove et bien d'autres.

Typiquement, les mots qui ne possèdent pas de réelle signification ou de contexte ne sont pas pris en compte lors de la modélisation des algorithmes traitant le langage. Ces types de mots, appelés "stop words", ne sont pas pris en compte lors des entrainements des modèles. MIA ne possède cependant pas la capacité d'exclure certains mots spécifiques dans ses algorithmes.

La seule limite imposée est le nombre d'utilisateurs indiqués dans la licence d'utilisation que vous avez acquise auprès de Digitalent.

Il n'y a pas de limite. Pendant la phase d'expérimentation du cas d'usage, si le jeu de données est de très grande taille, il est conseillé de travailler dans un premier temps sur des extraits de celui-ci complet pour limiter les temps d'entrainement puis de travailler ensuite sur le jeu de données complet.

Techniquement, il n'y a pas de limites. La seule limitation est liée à la création de cas d'usages analytiques, dont le nombre est déterminé par la licence que vous avez aquise auprès de Digitalent.

MIA est une solution nocode, permettant aux utilisateurs de tout niveau et de tout type métier et technique de créer des cas d'usage analytiques sans écrire une seule ligne de code. Une fois créés, les cas d'usage sont exécutés par MIA.

L'architecture containérisée de MIA est basée sur des micro-services. MIA fonctionne donc sur l'ensemble des grandes plateformes Cloud telles que MS Azure, AWS, GOOGLE Cloud, IBM Cloud, Oracle Cloud ...

Oui, à partir de la fonction d'administration du menu MIA, il est possible d'affecter des rôles aux utilisateurs. Il est également possible d'affecter un cas d'usage à plusieurs utilisateurs pour qu'ils puissent collaborer ensemble.

MIA accepte les types de données suivants : tabulaire, image, vidéo, texte. Pour les importer dans MIA plusieurs solutions existent comme l'import de fichier, la connexion native à une base de données ou l'utilisation des API Rest natives de MIA.