L’intelligence artificielle. Outil de la gestion des connaissances.

• Remerciements
  
• Résumé
  
• Table des matières
  
• Table des figures
  
• Liste des tableaux
  
• 1 INTRODUCTION GENERALE
  
  • 1.1 Contexte de l'étude
    
    • 1.1.1 Etat des lieux
      
    • 1.1.2 Les bases documentaires IT
      
  • 1.2 Problématique
    
    • 1.2.1 Questions de recherche
      
  • 
    
  • 1.3 Méthodologie
    
    • 1.3.1.1 Revue de littérature
      
    • 1.3.2 Entretiens
      
      • 
        
      • 1.3.2.1 MS Azure CS
        
      • 1.3.2.2 Upfluence
        
      • 1.3.2.3 Antidot
        
      • 1.3.2.4 Bull-Atos
        
      • 1.3.2.5 Sinequa
        
• 
  
• 2 GESTION DES CONNAISSANCES ET CLASSIFICATION
  
  • 2.1 La gestion des connaissances
    
    • 2.1.1 Définition du KM
      
    • 2.1.2 La connaissance
      
    • 2.1.3 Création et transfert de la connaissance
      
  • 2.2 Gestion documentaire
    
    • 2.2.1 Outils et méthodes
      
    • 2.2.2 Classification de documents
      
    • 2.2.3 Accès à l'information
      
    • 2.2.4 Métadonnée
      
  • 2.3 Etiquetage manuel
    
  • 2.4 Conclusion
    
• 
  
• 3 L'INTELLIGENCE ARTIFICIELLE ET LA CLASSIFICATION DE DOCUMENTS
  
  • 3.1 L'intelligence artificielle
    
    • 3.1.1 Différentes définitions
      
    • 3.1.2 Historique de l'intelligence artificielle
      
    • 3.1.3 L'intelligence artificielle est déjà là !
      
    • 
      
    • 3.1.4 Enjeux pour les entreprises
      
  • 3.2 Les domaines de l'intelligence artificielle
    
    • 
      
    • 3.2.1 Les approches
      
    • 3.2.2 Les sous-domaines de l'intelligence artificielle
      
  • 3.3 La classification de documents
    
  • 3.4 Le traitement automatique du langage naturel
    
  • 3.5 Le Machine Learning
    
    • 3.5.1 Les modes d'apprentissage et les types de problèmes à résoudre
      
    • 
      
    • 3.5.2 Les étapes du Machine Learning supervisé
      
    • 3.5.3 Les données
      
      • 3.5.3.1 Quantité suffisante
        
      • 3.5.3.2 Donnée représentative
        
      • 3.5.3.3 Structure exploitable
        
      • 3.5.3.4 Représentation des données
        
      • 3.5.3.5 Répartition des données
        
    • 3.5.4 Les algorithmes utilisés en Machine Learning
      
      • 3.5.4.1 Spécialisation des algorithmes
        
      • 3.5.4.2 Que fait l'algorithme dans le cas de la classification supervisée ?
        
      • 3.5.4.3 Comment choisir l'algorithme ?
        
    • 3.5.5 Algorithmes adaptés à la classification de documents textuels
      
      • 3.5.5.1 Les SVM
        
      • 3.5.5.2 Le Bayésien naïf
        
      • 3.5.5.3 Le paramétrage des algorithmes
        
    • 3.5.6 La mesure des performances du modèle
      
      • 3.5.6.1 La matrice de confusion
        
      • 3.5.6.2 Le taux de succès
        
      • 3.5.6.3 La précision
        
      • 3.5.6.4 Le rappel
        
      • 3.5.6.5 La F-Mesure
        
    • 3.5.7 Leviers d'ajustement
      
      • 3.5.7.1 La Régularisation
        
      • 3.5.7.2 Les données
        
      • 3.5.7.3 La validation croisée
        
      • 3.5.7.4 L'algorithme
        
      • 3.5.7.5 La réduction de dimension
        
  • 3.6 Spécificités de la classification de textes
    
    • 3.6.1 Etapes du pré-traitement des données textuelles
      
      • 3.6.1.1 Tokenisation
        
      • 3.6.1.2 Lemmatisation
        
      • 3.6.1.3 Filtrage
        
      • 3.6.1.4 Vectorisation des textes
        
      • 3.6.1.5 Sélection des variables
        
  • 3.7 Outils
    
  • 3.8 Conclusion
    
• 4 ENTRETIENS
  
  • 4.1 Aspect projet
    
    • 4.1.1 Quelle méthode de projet choisir ?
      
    • 4.1.2 Phase de cadrage
      
    • 4.1.3 Quels sont les rôles et compétences nécessaires ?
      
    • 4.1.4 Comment définir la qualité du livrable ?
      
    • 4.1.5 Comment estimer l'opportunité ?
      
    • 4.1.6 Quels sont les principaux risques ?
      
    • 4.1.7 Faut-il prévoir une MCO24 particulière ?
      
  • 4.2 Aspect technique
    
    • 4.2.1 Comment préparer les données ?
      
      • 4.2.1.1 Vérifier les données à disposition
        
      • 4.2.1.2 Effectuer le prétraitement
        
      • 4.2.1.3 Définir le jeu d'entrainement
        
    • 4.2.2 Choix de l'algorithme
      
    • 4.2.3 Validation et régularisation du classifieur
      
      • 4.2.3.1 La validation
        
      • 4.2.3.2 La régularisation
        
    • 4.2.4 Outillage
      
  • 4.3 Conclusion
    
• 5 RECOMMANDATIONS SYNTHÉTISÉES
  
• 6 CONCLUSION
  
• BIBLIOGRAPHIE
  
• ANNEXE