Prédire l'avenir est difficile. Nous étudions des outils qui nous permettent de faire des prédictions sur la consommation d'énergie de la semaine prochaine ou sur les volumes de vente de l'année prochaine en août. Pour ce faire, nous nous appuyons sur notre ensemble de sources de données externes et nous tirons parti des dernières améliorations apportées aux modèles.

L'ajout d'étiquettes aux données peut apporter une valeur ajoutée considérable pour donner un sens à de grandes quantités de données et pour automatiser certaines actions. La création de types d'étiquettes (clustering) et l'attribution d'étiquettes connues aux nouvelles données (classification) sont utilisées dans de nombreux environnements différents. Les applications englobent la compréhension des types de pannes de machine, les raisons de se désengager dans un processus de vente ou le regroupement des utilisateurs sur une plateforme de e-commerce.

Les machines tombent en panne et les systèmes/processus se font malmener. De temps en temps, il se produit des événements qui ne sont pas censés se produire. La détection des valeurs aberrantes est un véritable défi et nous aimons découvrir comment devenir vraiment bons pour séparer les événements "anormaux" du comportement "normal". L'explicabilité et la causalité sont ici essentielles : pourquoi certains éléments sont-ils anormaux ? Ces informations sont essentielles pour améliorer vos systèmes.

Il est possible qu'un processus fonctionne bien, mais vous avez le sentiment qu'il pourrait fonctionner encore mieux. Dans ce contexte, nous cherchons comment résoudre des problèmes difficiles : par exemple, la planification de la production, l'ordonnancement des tâches, l'acheminement des véhicules, l'emballage des boîtes, ...