AI Superior, en collaboration avec un centre d'ophtalmologie, a développé un système avancé modèle d'apprentissage profond pour estimer le volume de graisse et de muscle dans les yeux humains à l'aide de tomodensitométries et d'IRM orbitales. En analysant les examens IRM, notre modèle segmente avec succès les tissus adipeux et musculaires dans chaque tranche, permettant une estimation précise du volume et facilitant les comparaisons de volume avant et après les interventions. Ce projet révolutionnaire apporte de nouvelles possibilités pour comprendre et gérer la santé oculaire.
Des analyses aux informations : utiliser le Deep Learning pour estimer le volume de graisse et de muscle des yeux humains
Résumé
Défi
Le deal sourcing permet aux investisseurs de trouver des marchés de niche et d’évaluer leur situation financière. Cependant, ce processus peut prendre beaucoup de temps et est souvent aggravé par les limites du système de classification des normes industrielles utilisé dans l'Union européenne. Lors de son inscription au registre du commerce, chaque entreprise en Allemagne est tenue de fournir une description de ses principales activités commerciales. Cependant, les systèmes de classification utilisés dans l'Union européenne tels que la NACE (Nomenclature des activités économiques) ne prennent pas en compte les domaines de marché nouveaux et émergents dans leur liste de codes. Par exemple, il n’existe pas de code pertinent pour les entreprises qui se concentrent sur l’apprentissage automatique et l’intelligence artificielle. De plus, la recherche par mots-clés a également ses limites, car elle ne récupère pas les entreprises sémantiquement pertinentes pour la requête de recherche. Cela rend extrêmement difficile pour les fonds de capital-investissement et les sociétés de développement commercial d’explorer des marchés de niche et d’y trouver des entreprises pertinentes.
Solution par AI Superior
Nous avons développé une solution de bout en bout basée sur Traitement du langage naturel techniques et modèles de Deep Learning qui collectent, traitent, analyse et affiche des données provenant de différentes sources et permettent aux utilisateurs d'exécuter des recherches sémantiques et syntaxiques, d'explorer des groupes d'entreprises, d'examiner des entreprises similaires et bien plus encore.
Pour ce faire, notre solution utilise un scrapper robuste pour extraire les informations des sources de données publiques, puis les agrège dans une base de données contenant les champs suivants : nom de l'entreprise, date d'enregistrement, statut de l'entreprise (actif/inactif) et description de l'activité commerciale. . En employant un composant qui utilise des modèles d'apprentissage profond appelés réseaux pré-entraînés comme BERT multilingue, notre solution vectorise ensuite les descriptions des entreprises, ce qui permet de regrouper les entités en fonction de leur similarité sémantique. De plus, il permet également aux utilisateurs d'effectuer des recherches sémantiques en utilisant la même approche : il vectorise le mot-clé d'entrée puis recherche la description sémantiquement la plus proche de celui-ci dans la base de données. L'utilisateur est également en mesure de contrôler la taille de ces clusters ainsi que de définir le seuil de similarité sémantique. Enfin, la solution permet également d'extraire et d'agréger les données financières pour voir comment les entreprises concernées (individuellement ou en groupe) se développent au fil du temps et d'exporter toutes ces informations dans un rapport PDF.
Cette image montre le tableau de bord de l'outil (le côté gauche montre des clusters d'entités regroupés selon leur similarité sémantique. Le côté droit affiche la liste des entreprises au sein du cluster sélectionné)
Résultat et implications
Notre solution a fourni à notre client, une société de capital-investissement, un ensemble d'outils avancés pour explorer le marché et obtenir des informations sur des secteurs spécifiques. En outre, cela a permis d'augmenter l'efficacité et d'optimiser le processus de recherche de transactions en réduisant la charge de travail des analystes d'une semaine pour chaque nouveau marché de niche découvert.
Outre les sociétés de capital-investissement, notre solution peut être utile à d’autres secteurs. Par exemple, il peut aider les analystes de marché à générer des rapports et à analyser les tendances du secteur ou à aider les responsables du développement commercial à trouver des entreprises pertinentes pour leur offre de produits, et bien plus encore.
French 
English 
German 
Arabic 
Dutch 
Spanish