Nos services

Analyse statistique

Modélisation prédictive

Machine Learning

Notre process de travail

Expression du besoin

Cette étape est cruciale.
Avant de définir la solution technique, prenons le temps de cerner votre besoin final : Réduire des coûts ? Aider une prise de décision ? Automatiser une tâche ?
Ainsi que vos contraintes techniques et temporelles.

Collecte de données et exploration

La donnée est notre matière première. Est-elle accessible, structurée, volumineuse ? Quels défauts présente-t-elle ? Hétérogène, incomplète, présence de valeurs aberrantes ou erronées... La data visualisation nous permettra d'y voir plus clair.

Développement des modèles

Il n'y a pas de modèle unique pour répondre à tous les besoins. Parmi l'arsenal des techniques de machine learning que nous maitrisons, nous saurons identifier les plus appropriées. Le plus important reste une méthodologie d'évaluation et de comparaison des performances infaillible.

Application/API

Une fois le modèle validé, il est temps de délivrer ses résultats sous une forme utilisable et actionnable par vos utilsateurs finaux. La forme du livrable est une fois encore déterminée avec vous, selon vos besoins.

Machine Learning use cases

Credit Scoring

Preacor.fr

Scorelab développe pour Ashler & Manson la solution Preacor.fr.

Basé sur l'expérience des courtiers de Ashler & Manson, associé à l'algorithme d'apprentissage automatique développé par notre équipe, PREACOR s'enrichit de nouvelles applications ajoutées quotidiennement.

Des milliers de demandes de prêt anonymisées sont utilisées pour la formation et le développement du modèle PREACOR. Des dizaines de critères ont été ajoutés au calcul des scores pour rendre le modèle PREACOR robuste et innovant.

Système de recommandation

Liv-ex

Liv-ex est la première place de marché internationale pour les vins fins. Nous leur avons développé un moteur de recommandations personnalisées de lots pour les acheteurs de la plateforme.

Nous avons construit un système hybride utilisant à la fois l'historique des transactions ainsi que les caractéristiques des produits (prix, appellation, millésime, etc.). Notre système utilise un modèle de factorisation avancé. Il apprend le profil caché de chaque trader et de chaque produit. Les listes de recommandation tiennent compte du degré d'adéquation entre profils client/produit ainsi que la nouveauté.

Clustering

Méta-analyse de données génomiques

Scorelab collabore avec IECB (Institut Européen de Chimie et Biologie) sur une étude génomique. C'est une large méta-analyse de multiples expériences en génomique sur le nématode Caenorhabditis elegans. Cette analyse regroupe 1600 séries d'expériences utilisant les technologies de séquençage de l'ARN. Les données utilisées proviennent d'études publiées sur NCBI (Centre National Américain de Biotechnologie).

Le but de ce travail est de comprendre les fonctions des gènes et les types de cellules dans lesquelles les gènes sont actifs. Nos outils statistiques permettent de comparer les expériences avec différents degrés de sensibilité. Ce travail vise à révéler des corrélations inattendues entre gènes ou expériences.