Cas d'usage : Isahit accompagne L'Oréal dans son projet IA pour identifier les tendances de consommation de demain
L’Oréal, numéro 1 mondial de l’industrie cosmétique, s’est associé à isahit pour répondre à la problématique suivante : comment utiliser et entraîner ses modèles d'IA pour prédire les tendances de demain ?
L'Oréal en quelques mots :
Premier groupe mondial de la beauté grâce à des innovations majeures
Une présence dans 150 pays
86 000 collaborateurs à travers le monde
40 marques
505 brevets déposés pour la seule année 2018
Isahit en quelques mots :
Première plateforme éthique de data labeling pour l’IA et le traitement de la Data en Europee
2000 projets réalisés avec plus de 1700 HITers
HITers implantés dans plus de 37 pays
250+ clients satisfaits
Afin de comprendre et de détecter les nouvelles tendances dans le monde de la beauté, L'Oréal a développé un outil prédictif, le trendspotter. Cet outil va récupérer des échantillons de données sur les réseaux sociaux à partir desquels les équipes de L'Oréal pourront identifier et analyser les tendances et les communiquer aux équipes produits et marketing.
Les 3 objectifs principaux de Trendspotter :
- Détecter les nouvelles tendances avant les concurrents
- Prédire l'évolution de la tendance dans le futur
- Illustrer la tendance pour gagner en rapidité
Comment cela fonctionne-t-il ?
Étape 1 : collecte de données sur les réseaux sociaux à l'aide d'APIs
Étape 2 : un classificateur trie et classe les données relatives à l'univers de beauté
L'outil récupère une très grande quantité de données, ce qui présente quelques difficultés :
L'incertitude des données :
Les APIs vont récupérer une très grande quantité de données qui ne sont pas toujours liées au monde de la beauté et donc non pertinentes pour L'Oréal. Or, il faut avoir de la donnée suffisamment propre pour entraîner un classifieur qui sera capable de détecter quels sont les posts qui vont parler de beauté dans un contexte qui intéresse L'Oréal. C'est notamment sur ce point qu'isahit va pouvoir aider L'Oréal.
La gestion des différentes langues :
L'Oréal est présent dans 150 pays donc il faut pouvoir analyser les données dans une multitude de langues, Il faut donc être capable de trouver les collaborateurs parlant les langues ciblées.
Le maintien de la qualité :
La performance d’un modèle de machine learning est toujours inférieur à la qualité de la donnée; il est donc primordial d’avoir une donnée collectée de qualité et une labellisation très minutieuse pour garantir les performances du modèle.
Afin de répondre à ces challenges, isahit est apparue comme la solution la plus adéquate car elle propose :
- La possibilité de travailler dans plusieurs langues : isahit travaille avec une très large communauté de HITers dans 37 pays.
- Une revue de qualité très exigeante :
Isahit met en place un suivi de projet très strict, tout au long de sa réalisation, forme ses contributeurs et met en place des tests en amont pour assurer le maintien d'une qualité constante.
- Une grande agilité et une grande capacité à adapter les ressources en fonction des besoins fluctuants
Afin de s'assurer du bon déroulement du projet, les équipes de L'Oréal et d'isahit ont effectué des tests spécifiques en amont.
Du côté de L’Oréal, les équipes data sciences ont défini un plan d’action afin d’obtenir un processus d’annotation efficace et de réduire la subjectivité:
1. Extraction et traitement d'un échantillon de données en interne dans un langue connue
2. Labellisation “à la main” de ces posts par plusieurs Data Scientist
3. Mise en commun des résultats et ajustement de points de désaccords
4. Elaboration d'une présentation avec des règles et des instructions précises
5. Partage des instructions avec isahit
Du côté d’isahit, l'équipe dédiée a veillé à mettre en place les process suivants pour garantir la meilleure qualité de traitement possible :
1. Transmission interne des instructions et sélection des contributeurs en fonction de leurs compétences et de leur expérience
2. Formation des contributrices (HITers) et gestion de leur montée en compétence
3. Mise en place d’un test sur un échantillon de posts
4. Sessions d’ajustement des consignes
5. Lancement du projet sur un grand volume et en plusieurs langues
Et bien sûr, tout au long du projet :
- Suivi des coûts financiers depuis la plateforme isahit
- Points hebdomadaires avec le project manager via e-meeting
- Points trimestriels avec tous les interlocuteurs (commerciaux, opérationnels…)
Cette stratégie a permis de suivre en continu les KPIs suivants : progression du projet, taux de qualité, coûts par projet, temps par tâches, updates, volumétries, performances, finances.
¤ Cette collaboration a permis de réduire de 50 % les erreurs de classification des modèles de L'Oréal.
La capacité d'isahit à gérer plusieurs langues (anglais, français, espagnol, mandarin, japonais…) leur a permis de couvrir l'intégralité des données
¤ Enfin, la réelle consistance dans la qualité des labellisations, la réactivité et la flexibilité de l'équipe support à largement contribuer à la réussite du projet
Deux ans après le début de notre collaboration, nous sommes mutuellement très heureux de pouvoir faire état des résultats suivants
- 1 million de tâches réalisées
- 5 langues couvertes
- Un impact positif et durable sur près de 150 de nos HITers !
...et une place en finale du concours David avec Goliath 2021 !
Mettez à l'échelle de manière éthique vos projets d'annotation numérique grâce à notre équipe hautement qualifiée force de travail. Accédez à notre site à la demande force de travail pour obtenir la meilleure qualité dans votre étiquetage de jeux de données.
Nous disposons d'une large gamme de solutions et d'outils qui vous aideront à former vos algorithmes. Cliquez ci-dessous pour en savoir plus !