Réseau de la science des données pour la fonction publique fédérale (RSDFPF)

Collecte par approche participative des données des reçus d’épicerie dans les communautés autochtones à l’aide de la reconnaissance optique de caractères

Sujets abordés dans cet article :

Vision par ordinateur Analyse et generation de texte

De nombreux Canadiens qui vivent dans des communautés nordiques et isolées doivent composer avec des coûts accrus pour les tarifs d’expédition et les chaînes d’approvisionnement. Pour mieux comprendre les défis associés à la sécurité alimentaire, la Division de la science des données de Statistique Canada a évalué l’approche participative comme solution pour recueillir des données sur le prix des aliments. Il s’agissait notamment de déterminer s’il était possible d’utiliser la reconnaissance optique de caractères (ROC) et le traitement du langage naturel (TLN) pour extraire et totaliser des renseignements sur les prix à partir d’images de reçus d’épicerie, en plus de créer une application Web pour téléverser et traiter les images de reçus. Le présent article met l’accent sur un algorithme de détermination et d’extraction de texte. Il ne présente pas le volet réservé à l’application Web.

Continuer la lecture : Collecte par approche participative des données des reçus d’épicerie dans les communautés autochtones à l’aide de la reconnaissance optique de caractères

S’attaquer à la surcharge de renseignements : l’application d’intelligence artificielle « Document Cracker » d’Affaires mondiales Canada rationalise les efforts de réponse aux crises

Sujets abordés dans cet article :

Vision par ordinateur

Comme la quantité de rapports et d’analyses générés en réponse aux événements mondiaux ne cesse d’augmenter, il est difficile pour les représentants du gouvernement de trouver rapidement les renseignements dont ils ont besoin pour prendre des décisions ef

Comme la quantité de rapports et d’analyses générés en réponse aux événements mondiaux ne cesse d’augmenter, il est difficile pour les représentants du gouvernement de trouver rapidement les renseignements dont ils ont besoin pour prendre des décisions efficaces. Pour aider à relever ce défi, l’équipe de science des données d’Affaires mondiales Canada (AMC) a mis au point un outil de recherche fondé sur l’intelligence artificielle (IA), appelé « Document Cracker », qui intègre, analyse et résume automatiquement les renseignements provenant des principales sources de données internes et externes. L’application Document Cracker surveille les personnes et les sujets fréquemment mentionnés dans ces sources de données, tout en prenant en charge un large éventail de requêtes d’utilisateurs pour la recherche, le filtrage et la visualisation de renseignements à partir de la collection de documents sous-jacente.

Continuer la lecture : S’attaquer à la surcharge de renseignements : l’application d’intelligence artificielle « Document Cracker » d’Affaires mondiales Canada rationalise les efforts de réponse aux crises

Interface utilisateur à programmation schématisée avec Plotly Dash

Sujets abordés dans cet article :

Autre

Interface utilisateur à programmation schématisée avec Plotly Dash

Le présent article donne un aperçu de Plotly Dash, un cadre de conception d’interfaces utilisateurs à programmation schématisée en Python qui permet aux scientifiques des données de créer facilement de telles interfaces pour leurs modèles de données sans avoir besoin d’une expérience approfondie en la matière. Dash s’appuie sur la bibliothèque de visualisation des données à code source ouvert Plotly. Il permet aux personnes qui ne sont pas des spécialistes de l’interface utilisateur de concevoir rapidement des applications de données interactives en Python. Découvrez de quelle façon cet outil d’exécution rapide peut rehausser la valeur de vos projets, en les rendant plus accessibles aux utilisateurs non spécialistes et en augmentant le rendement sur l’investissement dans la conception d’interfaces utilisateurs pour les applications de données.

Continuer la lecture : Interface utilisateur à programmation schématisée avec Plotly Dash

Apprentissage auto-supervisé en vision par ordinateur : classification d'images

Sujets abordés dans cet article :

Vision par ordinateur

Apprentissage auto-supervisé en vision par ordinateur : classification d'images

Aujourd’hui, nous disposons de modèles d’apprentissage profond capables de classer des images avec une grande précision. Ces modèles ont été formés dans le cadre d’une configuration d’apprentissage supervisé avec un grand nombre d’images et les étiquettes qui leur sont associées. Cependant, la création d’étiquettes pour chaque image est une tâche laborieuse et coûteuse. C’est pourquoi les nouvelles recherches sur la classification d’images ont examiné l’incidence de l’utilisation d’une configuration d’apprentissage auto-supervisé pour former efficacement ces modèles sans utiliser d’étiquettes tout en visant à atteindre le même degré de précision que leurs homologues d’apprentissage supervisé. Dans le présent article, nous verrons de quelle façon cette configuration d’entraînement a été adoptée pour la classification d’images.

Continuer la lecture : Apprentissage auto-supervisé en vision par ordinateur& : classification d'images

Le raisonnement qui sous-tend les décisions prises par un réseau de neurones profond

Sujets abordés dans cet article :

Vision par ordinateur

Le raisonnement qui sous-tend les décisions prises par un réseau de neurones profond

Les réseaux neuronaux profonds sont une classe de réseaux de neurones artificiels qui sont composés de plusieurs couches de nœuds interconnectés, qui peuvent apprendre des caractéristiques et des modèles complexes à partir de données d’entrée. Cependant, le fonctionnement interne de ces réseaux peut être difficile à interpréter, ce qui rend difficile de comprendre la façon dont les décisions sont prises. L’approche Grad-CAM (méthode de cartographie de l’activation de classe pondérée par gradient) est une technique qui permet de visualiser les zones d’une image qui influencent le plus le résultat du réseau, en calculant les gradients de sortie par rapport à l’image d’entrée. Cela constitue une façon plus intuitive d’interpréter le comportement des réseaux neuronaux profonds et d’améliorer leur performance et leur fiabilité. Dans le présent article, nous explorons le raisonnement sous‑jacent aux réseaux neuronaux profonds et l’utilisation de la Grad-CAM comme outil d’interprétation de leur comportement, et nous démontrons son efficacité au moyen de diverses expériences et méthodes d’application.

Continuer la lecture : Le raisonnement qui sous-tend les décisions prises par un réseau de neurones profond

Participez au RSD!

Plus de renseignements

Les renseignement contenus dans ces articles sont fournis « tel quel » et Statistique Canada n'offre aucune garantie explicite ou implicite, ce qui comprend, sans s'y limiter, les garanties de qualité marchande et d'adaptation à un usage particulier. En aucun cas Statistique Canada ne sera tenu responsable des dommages directs, particuliers, indirects, consécutifs ou autres, quelle qu'en soit la cause.

Autres articles récents

Introduction aux techniques cryptographiques d'amélioration de la protection de la vie privée - Preuve à divulgation nulle de connaissance

Ottawa accueille le Congrès mondial de la statistique en juillet 2023

Tirer le maximum de la synthèse de données grâce au guide d'utilisation des données synthétiques pour les statistiques officielles

Tirer le maximum de la synthèse de données grâce au guide d'utilisation des données synthétiques pour les statistiques officielles

Rendre la visualisation de données accessible aux personnes aveugles et malvoyantes

Rendre la visualisation de données accessible aux personnes aveugles et malvoyantes

Parcourir les articles par sujet

Vision par ordinateur
Traitement et ingénierie des données
Analyses prédictives
Analyse et génération de texte
Éthique et utilisation responsable de l'apprentissage automatique
Autre

Interface utilisateur à programmation schématisée avec Plotly Dash

Signaler un problème ou une erreur sur cette page
Date de modification :