Comment prévoir avec l’intelligence artificielle
Dans le cadre de la réunion annuelle de l’International Symposium on Forecasting – Virtual ISF 2021 | 27 au 30 Juin 2021, PREDICONSULT organise deux sessions où, au total, cinq présentations seront faites sur the thème de « Comment prévoir avec l’intelligence artificielle ».
Les rencontres, qui vont rassembler des chercheurs académiques, des scientifiques et des ingénieurs (data scientists, data analysts …) et des praticiens en entreprises, seront des moments forts pour découvrir de nouvelles méthodes de prévision basées sur l’intelligence artificielle (y compris le machine et le deep learning). Focus sur deux sujets sur le thème de l’utilisation d’informations non numériques pour les besoins de la modélisation et prévision.
L’utilisation des informations textuelles pour enrichir la qualité de la modélisation et des prévisions.
Les publications des diverses organisations (entreprises, institutions comme les ministères et autres comme les laboratoires publics et privés), les informations sur les sites internet, blogs et réseaux sociaux sont autant de sources d’informations très riches et pertinentes et qui peuvent enrichir la qualité de la modélisation et de la prévision. Pourtant, aujourd’hui, les informations issues de ces sources et « inputs » sont à peine incluses dans les algorithmes de prédiction des séries chronologiques et de toutes autres séries de données (en coupe instantanée par exemple). Dans une des présentations, les auteurs d’une étude exploitent les infos textuelles contenues dans les bulletins météo quotidiens écrits et accessibles en France et au Royaume-Uni ainsi que dans des tweets, ceci en vue de prévoir la consommation d’électricité. En utilisant exclusivement les bulletins météorologiques, les auteurs de cette étude sont en mesure de prédire les séries temporelles de chargement avec une précision suffisante pour être utilisées pour remplacer les données manquantes. De plus, les données Twitter relatives à des mots-clés spécifiques ont permis de s’adapter aux nouveaux modèles de consommation d’électricité observés pendant la période de confinement COVID-19 en France, réduisant considérablement les erreurs de prévision des modèles opérationnels.
Une image vaut mille points de données
« Une image vaut mille points de données ». Tel est le titre d’une présentation qui sera faite dans l’une des deux sessions. Les auteurs présenteront une approche de prévision de séries chronologiques à partir d’images en se basant sur l’apprentissage profond (Deep Learning). Ce dernier est devenu une démarche et une pratique courante dans plusieurs domaines scientifiques, notamment la vision par ordinateur et le traitement du langage naturel, entre autres. Néanmoins, l’apprentissage en profondeur a été adopté à un rythme beaucoup plus lent dans le domaine de la prévision. De plus, les approches de prévision d’apprentissage en profondeur existantes traitent les données de séries chronologiques comme des vecteurs numériques, ne tirant donc pas directement et dans toute leur mesure des avancées récentes en matière de Deep Learning.
Les auteurs de cette étude ont donc conçu une nouvelle approche de prévision d’apprentissage en profondeur qui transforme la tâche traditionnelle de prévision de séries chronologiques en une vision par ordinateur. Cette dernière est un domaine de l’intelligence artificielle qui permet aux ordinateurs et aux systèmes de tirer des informations significatives d’images numériques (et de toutes autres entrées visuelles) et de faire des recommandations en conséquence. Premièrement, au lieu d’utiliser des représentations numériques en entrée des modèles de prévision, ils considèrent leurs représentations visuelles sous forme d’images. Deuxièmement, les réseaux de neurones inspirés des architectures de réseaux de neurones de reconnaissance d’images (par exemple, ResNet) sont chargés de produire des prévisions ponctuelles à partir des représentations visuelles en question. Les résultats indiquent que les méthodes de prévision de séries chronologiques basées sur des images surpassent les méthodes traditionnelles, à la fois de nature statistique et d’apprentissage automatique.
Pour plus d’information sur le programme et tous les papiers qui seront présentés visitez le site de l’IIF. Pour participer à cette conférence, il faut au préalable s’inscrire ici.