Deep Learning

Les méthodes de traitements basées sur le deep learning exisitent depuis plusieurs dizaines d’années. C’est seulement qu’en 2012 que ces méthodes ont pris de l’importance quand une technique à base d’un réseau de neuronnes convolutionnel a gagné la compétition de classification ImageNet réduisant le taux d’erreur de 25% à 16% d’un seul coup (contrairements aux évolutions itératives de ~1%).

Chaque année, au moins une évolution majeure sous la forme d’une nouvelle architecture ou un nouveau mécanisme pousse les limites du deep learning. Nous suivons toutes ces évolutions majeures et nous essayons dès que possible ces techniques. Nous pouvons vous aider à résoudre les problèmes liés aux traitement d’images en utilisant ces nouveaux modèles.

Machine Learning

Il existe plusieurs techniques d’apprentissage qui sont très efficaces sur un ensemble de données réduit. Les forêts d’arbres décisionnels (Random forest) ou les machines à vecteurs de support (SVM) ont montré leurs performances pour résoudre une grande partie de problèmes. Certaines techniques ont même démontré en 2019 des résultats dépassant les performances d’autres techniques en Deep Learning. Nous vous aidons à utiliser ces techniques qui font parfois partie d’un grand cycle de traitement.

Heuristiques et techniques sans apprentissage

En définissant bien le contexte, beaucoup de problèmes peuvent directement être résolus avec des techniques ne nécessitant pas un apprentissage (Machine/Deep Learning). Des algorithmes mathématiques ou employant des heuristiques peuvent être utilisés seuls, ou en les combinant avec les techniques d’apprentissage pour résoudre un problème. Grâce à notre expérience, nous pouvons vous aider à optimiser vos traitements en terme de précision et de vitesse d’exécution.