Datalchemy

Services

Datalchemy vous accompagne à toutes les étapes de vos projets d'intelligence artificielle au sein de votre entreprise.

• Conseil et accompagnement IADatalchemy propose à ses clients des missions de conseil et d'accompagnement en machine et deep learning. Que l'enjeu soit de suivre de près la recherche académique, de choisir la solution algorithmique la plus adaptée à sa problématique et ses données, ou encore de gérer les spécificités des projets de deep learning en termes de risques ou de méthodologie, Datalchemy vous accompagne et vous conseille.
• Audit et cartographie dataNous proposons d'effectuer une analyse complète de vos données afin d'estimer le coût de leur mise en forme ainsi que de vous proposer des directions d'analyse en vue de la mise en place d'un ou plusieurs projets d'intelligence artificielle. Cette phase d'audit est primordiale pour toute étude de faisabilité d'un projet d'intelligence artificielle.
• Architecture et analyse dataDatalchemy vous propose de réaliser une architecture complète de gestion de votre donnée, modulaire et évolutive. Cet investissement vous permettra d'une part de cartographier votre donnée - préalable incontournable à tout projet de deep learning - et d'autre part de réduire drastiquement les coûts d'entraînements de nouveaux modèles de deep learning, vous permettant de suivre et tester facilement l'évolution de l'état de l'art.
• AnonymisationDatalchemy a développé un module d'anonymisation data et vous propose de l'adapter et le faire tourner sur vos données, afin de vous permettre de réaliser vos projets de machine et deep learning tout en restant en conformité avec la législation européenne.
• Développement de POCs IANous répondons à tous vos besoins de POCs en machine ou deep learning. Traitement du langage, analyse de données catégorielles, outils d'aide à la décision, outils de prédiction, nous vous proposons notre expertise et notre expérience du monde de l'industrie pour vous aider à cadrer et développer des POCs pour vos projets d'innovation et de capitalisation sur vos données.
• Industrialisation de projets d'IAIndustrialiser un outil basé sur le Machine ou Deep Learning présente de nombreux risques parmi lesquels : technologies extrêmement volatiles (Tensorflow/Pytorch, CUDA/CUDnn, etc), manque d’outils fiables, difficultés à packager l’outil final en un élément automatisable au sein d’un système d’informations, suivi et monitoring, déploiement dynamique sur les fournisseurs de cloud GPU, protection des données personnelles… Datalchemy propose son expérience pour accompagner ses clients et, à partir d’un Proof of Concept, de mettre en œuvre les travaux d’industrialisation en accord avec les règles de la direction des systèmes de votre entreprise.
• Audit RGPDDatalchemy, avec son expertise dans le domaine de l'apprentissage automatique et du deep learning, se propose d'auditer pour ses clients les mesures de protection mises en place sur leurs données, et d'en valider la conformité RGPD.

Formations

Demandez aux experts ! Nos formateurs sont tous chercheurs en deep learning et notre double activité formation/projets nous confère l'expertise nécessaire pour former au deep learning de façon utile et adaptée aux problématiques métier et DSI de vos entreprises. Loin des formations basiques répétées à l'infini par certains grands acteurs de la formation, nous plongeons en profondeur dans l'algorithmie ou les applications métier, et nos formations sur-mesure sont état de l'art. Chaque nouvelle publication DL crédible est testée en interne chez Datalchemy, ce qui nous donne une vision unique de l'utilité/applicabilité de telle ou telle nouvelle solution. Datalchemy est organisme de formation (numéro d'agrément : 11756221575).

• Introduction à l’intelligence artificielle : outils et enjeuxL’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est de présenter ces approches et ce qu’elles apportent dans la résolution de problèmes considérés comme « intelligents ».
• Introduction au Deep Learning et aux réseaux de neurones pour l’ingénieurL’objet de cette formation est d’apporter à des ingénieurs ou autres profils scientifiques ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation, et donc aux principales architectures de réseau existant aujourd’hui.
• Deep Reinforcement LearningPrésentation des bases du Reinforcement Learning et étude d'exemples d'implémentation TensorFlow ou PyTorch, puis analyse des principales avancées apparues ces dernières années : Deep Q Learning, Rainbow, Policy gradients (A3C, PPO), exploration (World models, Imagination augmented agents) jusqu'à une étude détaillé d'AlphaGo et AlphaGo Zero.
• Deep Learning pour le traitement du langageLe Deep Learning a révolutionné un grand nombre d'approches concernant le langage : traduction, identification d'éléments, interprétation, systèmes de dialogue, etc. Néanmoins, ces nouvelles pratiques demandent une certaine connaissance des outils, pratiques et limites propres à cette approche. Cette formation vise à donner les clés techniques d'implémentation et d'utilisation de ces nouvelles techniques.
• Deep Learning pour l'interprétation ou le traitement d'imagesUn des champs d'application privilégiés du Deep Learning est le traitement de l'image. C'est sur des problèmes de classification que ce domaine s'est révélé depuis 2012, et toutes les principales innovations d'application ou d'architecture ont été dans un premier temps dédiées à l'interprétation ou à la transformation d'images. Cette formation vise à en présenter les principales approches et, pour chacune, les algorithmes et architectures fondamentales jusqu'à une sélection d'états de l'art.
• Spécialisation et veille en Deep LearningDans la lignée de notre [cours d'introduction](https://datalchemy.net/#/produit/formation-intro-ing-fr), cette formation vise à parfaire les connaissances jusqu'à arriver aux sujets de pointe qui font aujourd'hui l'innovation du Deep Learning. De l'apprentissage auto supervisé ou Bayésien aux nouvelles possibilités d'entraînement sur des données encryptées, il s'agit ici de donner les solutions existantes, les limites connues et les pistes d'avancement qui demain bouleverseront le quotidien des data-scientists ou ingénieurs travaillant sur ces sujets.
• Mathématiques pour le data-scientistLa fouille de données est devenue une composante à part entière de l’activité de veille et de R&D. Cependant, comprendre les enjeux et l’avancement de l’état de l’art dans le domaine nécessite un bagage mathématique. Résolument centrée sur le nécessaire, cette formation vise l’acquisition des bases théoriques requises pour comprendre et appliquer les avancées récentes en apprentissage automatique.
• Python pour le Deep LearningPython s’est imposé comme le langage de référence en apprentissage automatique en général, et en deep learning en particulier. Centrée sur l’exemple et non sur la théorie, cette formation vise la montée en compétence dans ce langage en général, et en particulier dans les deux principaux frameworks de deep learning: TensorFlow et PyTorch.
• Keras & TensorflowAprès avoir bouleversé de nombreux domaines scientifiques, l’intelligence artificielle s’installe dans l’industrie. Elle est portée en pratique par des frameworks Python dont font partie Tensorflow/Keras, solidement établis dans les applications industrielles du deep learning. Par l’exemple, les participants sont amenés à comprendre les concepts clés de ces technologies et les évolutions de la v2.
• PyTorchAprès avoir bouleversé de nombreux domaines scientifiques, l’intelligence artificielle s’installe dans l’industrie. Elle est portée en pratique par des frameworks Python dont fait partie PyTorch, désormais leader en deep learning. Par l’exemple, les participants sont amenés à comprendre les concepts clés de ces technologies et les dernières évolutions.
• Deep Learning et traitement du sonAvec le succès d’assistants vocaux du type Alexa/Siri/Google, le deep learning a fait rentrer le traitement du son et de la parole dans le quotidien du grand public. Cette formation vise à présenter les principaux problèmes rencontrés en traitement du son et pour chacun à décrire les architectures profondes atteignant l’état de l’art. Les sujets abordés sont la reconnaissance de la parole, le débruitage, la classification, le tagging audio et la séparation de l’audio (parole & musique)
• Du Big Data vers l'IADepuis quelques années, des budgets énormes sont débloqués dans toutes les grandes - et moins grandes - entreprises de France pour prendre le virage "Big Data". Nous proposons ici une formation d'introduction généraliste au domaine, en une journée. Après une introduction et des définitions essentielles, nous balaierons les problématiques et contraintes afférentes aux données, la manière de les résoudre, et les outils permettant de mener à bien ce type de projets. Un accent particulier sera mis sur les façons de reconnaître les contextes où des projets "Big Data" sont pertinents, et ceux où ils ne le sont pas. Nous nous appuyons tout au long de cette formation sur des échanges et des exemples pratiques, pour amener nos stagiaires à projeter leurs propres problématiques et contraintes métier sur le domaine.
• Infrastructure & noSQLCette formation vise à présenter aux stagiaires les concepts et principes fondamentaux de noSQL, ainsi que des applications à MongoDB sur des exemples simples. Nous présentons ensuite Hadoop et Apache Cassandra, en détail, et en s'appuyant sur des exemples. Pour s'assurer que les concepts sont bien acquis par les stagiaires, la dernière demie-journée sera passée à implémenter collectivement une architecture Hadoop/Cassandra.
• ElasticsearchElasticsearch est un moteur de recherche et d'indexation de données distribué et open source en temps réel, qui propose des fonctionnalités de recherche et d'analyse innovantes. Ce stage vous apprendra les principes fondamentaux d'Elasticsearch, les concepts à maîtriser en termes de flux de données, et les concepts techniques permettant de passer de la théorie à la pratique. La dernière demie-journée est consacrée à la mise en place concrète d'une architecture ELK sur un cas de test décidé collectivement, avec implémentation d'exemples de fouille textuelle et de recherche de données.

Datalchemy

Références

Ils nous font confiance : les entreprises qui font appel à nous.

• AirbusNous effectuons pour Airbus des formations sur-mesure.
• General Electric HealthcareNous effectuons pour GE Healthcare des formations sur-mesure sur l'état de l'art et les problématiques du deep learning pour l'imagerie médicale. Nous intervenons également sur des projets de R&D.
• KickmakerDatalchemy travaille en partenariat avec Kickmaker pour développer l'offre deep et machine learning proposée à leurs clients. Dans ce cadre, nous intervenons également sur des projets de data science, deep et machine learning embarqués en collaboration avec leurs équipes.
• Institut Louis BachelierNous accompagnons l'ILB dans le cadre de missions de conseil en Deep Learning.
• DILANous avons réalisé pour le site Légifrance un projet de Deep learning pour la consolidation automatisée de textes juridiques (lois, décrets et ordonnances).
• SNCFDéveloppement d'un environnement de simulation ferroviaire complet, afin de lancer des approches de Machine Learning / Deep Reinforcement Learning permettant de trouver de nouvelles manières de gérer et réguler la circulation des trains et les situations de crise.
• Éditions Lefebvre SarrutNous avons développé pour ELS un outil de génération automatisée de contrats à destination des avocats.
• IMTNous réalisons pour l'IMT de l'implémentation de projets de recherche en deep learning et data visualisation.
• Direction Générale de l'Aviation CivileNous avons effecté pour l'Aviation Civile des formations en deep learning et intervenons en expertise sur un projet ayant pour objectif la reconnaissance automatique des dialogues dans les tours de contrôle.
• MedicallNous avons développé pour Medicall dans le cadre d'un projet de R&D un algorithme de machine learning pour détecter la criticité de situations d'urgence en analysant le signal voix de l'appelant.
• Groupe UpNous travaillons pour le groupe Up sur un projet de deep learning dans le domaine des services d'aide à la personne, ainsi que l'anonymisation des données associées.

Blog

Suivez les actualités de Datalchemy et notre analyse des dernières avancées du domaine.

• Les pièges invisibles de l’intelligence artificielleL’intelligence artificielle semble aujourd’hui être partout, et depuis la résurrection de ce domaine de recherche en 2012, on ne compte plus les petites révolutions scientifiques qui ont découlé. Entre autres : l’apprentissage par renforcement d’un agent dépassant les experts humain au jeu de Go, la résolution des problèmes de repliement de protéines (un problème vieux de cinquante ans !), la capacité à générer du texte localement convaincant, ou encore l’arrivée de nouvelles techniques de prédiction de séries temporelles arrivant en tête du célèbre concours M4…
• Transformers everywhereEnorme révolution pour le Deep Learning ? Va-t-on pouvoir limiter le nombre d’architecture à connaître pour pouvoir mieux se concentrer sur leurs applications ? Ou faut-il, au contraire, rester méfiant face à de ces vagues issues du monde académique mais peu applicable concrètement ? Séries temporelles, modèles génératifs par Transformers? Parlons-en.
• De la gloire à la catastrophe, Overfit Overkill : Deep Learning Human Mind...Un projet Deep Learning peut-il passer du statut de réussite mondiale à celui d'échec magistral ? Qualifier qu'un projet IA "fonctionne" est en réalité beaucoup plus difficile qu'il ne le semble, et un projet peut souvent l'apparence d'une réussite à tord. Le maître mot est l'overfit, et si vous croyez qu'il suffit de séparer sa data entre test set, validation set et training set pour se protéger, vous êtes probablement en danger...
• Neural Ordinary Differential EquationsSortie en janvier 2019, les Neural ODEs introduits par Chen et al de l’université de Toronto ont été salués comme une bourrasque d’air frais dans l’univers du Deep Learning. Loin des nombreuses améliorations incrémentales d’architecture ou autres astuces, les Neural ODEs proposent une reformulation complète de l’approche par réseaux de neurones, pouvant s’appliquer à de nombreux problèmes différents avec la même élégance.
• DeepAR, champion d’Amazon pour l’analyse prédictiveLa prédiction de séries temporelles est un outil indispensable à de nombreux acteurs économiques aujourd’hui. Prédire l’évolution de ventes, d’utilisation d’un service ou de fonctionnement d’un mécanisme sont autant d’exemples évidents et pouvant changer radicalement l’efficacité d’une approche stratégique. Assez ironiquement, ces méthodes ne sont pas tant que cela à la pointe des recherches en Deep Learning, et les outils statistiques usuels restent à date la solution préférée de nombreux acteurs. Nous proposons de nous intéresser à DeepAR d’Amazon, une publication récente proposant une solution globale et intéressante à ce problème.
• CycleGAN : pierre fondatrice de la génération non superviséeCet article vise à présenter une architecture fondamentale qui a fortement révolutionné les modèles génératifs, tout particulièrement selon un apprentissage non supervisé. Malgré un certain « âge » (_CycleGan_ remonte à mars 2017), cette approche reste une pierre angulaire dans les modèles génératifs à connaître absolument si l’on désire s’intéresser au sujet.
• AlphaGO, dissection d’une révolutionCet article a pour but de présenter un des moments clés de la révolution du *Deep Learning* ces dernières années, à savoir, la mise au point d’un système algorithmique capable de dépasser les meilleurs joueurs humains au jeu de Go. Cette révolution avait eu quelques échos médiatiques, sous le nom d’*AlphaGo*, une réussite du groupe *Deepmind* qui aujourd’hui encore est un des leaders de la recherche en *Deep Learning*. Nous vous proposons ici de détailler les enjeux et l’approche qui a été implémentée, ceci en deux parties : une première partie visant le grand public, et une seconde partie plus détaillée à destination de Data Scientists ou d'ingénieurs motivés.
• Survivre au Deep LearningSi le Deep Learning est en train d'envahir de nombreux pans du milieu de la recherche et de s'introduire progressivement dans l'industrie, de plus en plus de gens désirent se former et de tenir informé des évolutions de ce domaine. Cette veille constante est importante du fait de l'extrême jeunesse du Deep Learning. De nouvelles applications apparaissent régulièrement, de nouvelles publications viennent souvent enrichir nos connaissances et nous donner de nouveaux outils pour attaquer nos problèmes, et tenir cette veille est ainsi très important pour tout acteur voulant rester au fait des dernières évolutions. Vous trouverez ci-dessous quelques sources reconnues et particulièrement intéressantes de notre point de vue.
• Nos formations d'introduction au Deep LearningIntelligence artificielle, réseaux de neurones, deep learning, machine learning. Ces concepts sont en train de révolutionner les milieux IT et arrivent demain dans votre entreprise (si ce n'est déjà fait). Peu d'enseignements existent aujourd'hui pour vous donner les clés de compréhension de ces domaines, et nous avons donc le plaisir de développer un catalogue de formations afin de vous préparer au mieux.
• Wasserstein GANPetite revue des dernières évolutions notables des Generative Adversarial Networks, avec arrivée de la théorie optimale du transport.
• Evolutions 2016 des réseaux récurrentsPlusieurs évolutions sont sorties cette dernière année visant à modifier les RNN, voici une sélection des principales évolutions de 2016.
• Generative Adversarial NetworksLes Generative Adversarial Networks sont nés en 2014 (Goodfellow et al.) et sont très vite devenus particulièrement populaires dans la communauté scientifiques comme présentant un nouveau modèle de génération de donnée original et particulièrement efficace.
• Neural Style (1/3) - Quand les mathématiciens jouent avec l'artPeu de gens ayant accès à Internet ont échappé à la déferlante du Neural Style cette dernière année. Ce qui était originalement une publication forte mêlant CNNs et travail de l'image est en passe de devenir un nouveau mode de création artistique à part entière. De nombreuses applications ont, depuis, reproduit ce concept pour le proposer à leurs utilisateurs...
• Variational AutoEncoderSi vous vous intéressez aux modèles générationnels (par exemple les GANS dont nous parlions plus tôt), vous aurez nécessairement vu passer le VAE (Variationnal Autoencoder) qui reste une alternative importante aux GANs.
• Neural Style (2/3) - Fast Forward!Nous avions, dans un article précédent, décrit l'idée principale du célèbre Neural Style à partir de la publication originelle, A Neural Algorithm of Artistic Style [Leon A. Gatys, Alexander S. Ecker, and Matthias Bethge](http://arxiv.org/abs/1508.06576). Nous proposons aujourd'hui de continuer cette aventure en abordant une évolution déterminante de cette pratique par l'emploi de Fast Forward Networks.
• Bayesiens, RL & compréhension vidéo, publications conseillées mai 2017De nouvelles publications scientifiques sortent régulièrement dans notre domaine. Les suivre toutes reste impossible, nous nous permettons de mettre ici une petite sélection de publications en Deep Learning intéressantes et susceptibles de faire particulièrement évoluer les outils théoriques et pratiques que nous utilisons au jour le jour. Au programme : approche Bayesienne, reinforcement learning et classification/compréhension de vidéos
• Nos formations d'introduction au Deep LearningIntelligence artificielle, réseaux de neurones, deep learning, machine learning. Ces concepts sont en train de révolutionner les milieux IT et arrivent demain dans votre entreprise (si ce n'est déjà fait). Peu d'enseignements existent aujourd'hui pour vous donner les clés de compréhension de ces domaines, et nous avons donc le plaisir de développer un catalogue de formations afin de vous préparer au mieux.

Equipe

Qui sommes nous ? Un petit tour d'horizon de notre équipe.

• Eric DebeirLead Data ScientistIngénieur Télécom ParisTech (2005). Spécialisé en analyse Big Data et Deep Learning, architecture logicielle et mathématiques appliquées au génie logiciel.
• Bastien LiutkusUX ExpertIngénieur Mines de Nantes (2005) Ingénieur de recherche en interface homme-machine (Software, Design, Ergonomie)
• Marie ClermontelleProject managerIngénieur Télécom Paris (2007) Direction de projets et développement (Industrie, Finance)
• Lionel DelourmeStrategy LeadMajor Ecole Polytechnique (X2000) Cofondateur Joul (startup, 2M€) (Recherche, Industrie, Transports)
• Matthieu NottaleIA and robotics ExpertDocteur en intelligence artificielle et robotique Chercheur, architecte logiciel (Recherche, Robotique, Software)
• Amandine SoubeyrandData engineerMaster 2 Économétrie et économie quantitative 2019, Toulouse School of Economics. Notre spécialiste en statistiques et manipulation de données.
• Aldric Vitali SilvestreBack-End DeveloperAlternant en master informatique et ingénierie des systèmes complexes à Cergy Paris Université, Aldric est développeur back-end.

Produits

• Introduction à l’intelligence artificielle : outils et enjeuxL’intelligence artificielle, après avoir bouleversé de nombreux domaines scientifiques, a commencé à révolutionner un grand nombre de secteurs économiques (industrie, médecine, communication, etc.). Néanmoins, sa présentation dans les grands media relève souvent du fantasme, très éloignée de ce que sont réellement les domaines du Machine Learning ou du Deep Learning. L’objet de cette formation est de présenter ces approches et ce qu’elles apportent dans la résolution de problèmes considérés comme « intelligents ».
• Introduction au Deep Learning et aux réseaux de neurones pour l’ingénieurL’objet de cette formation est d’apporter à des ingénieurs ou autres profils scientifiques ayant déjà une maîtrise des outils informatiques (dont une base de programmation logicielle) une introduction au Deep Learning ainsi qu’à ses différents domaines de spécialisation, et donc aux principales architectures de réseau existant aujourd’hui.
• Deep Reinforcement LearningPrésentation des bases du Reinforcement Learning et étude d'exemples d'implémentation TensorFlow ou PyTorch, puis analyse des principales avancées apparues ces dernières années : Deep Q Learning, Rainbow, Policy gradients (A3C, PPO), exploration (World models, Imagination augmented agents) jusqu'à une étude détaillé d'AlphaGo et AlphaGo Zero.
• Deep Learning pour le traitement du langageLe Deep Learning a révolutionné un grand nombre d'approches concernant le langage : traduction, identification d'éléments, interprétation, systèmes de dialogue, etc. Néanmoins, ces nouvelles pratiques demandent une certaine connaissance des outils, pratiques et limites propres à cette approche. Cette formation vise à donner les clés techniques d'implémentation et d'utilisation de ces nouvelles techniques.
• Deep Learning pour l'interprétation ou le traitement d'imagesUn des champs d'application privilégiés du Deep Learning est le traitement de l'image. C'est sur des problèmes de classification que ce domaine s'est révélé depuis 2012, et toutes les principales innovations d'application ou d'architecture ont été dans un premier temps dédiées à l'interprétation ou à la transformation d'images. Cette formation vise à en présenter les principales approches et, pour chacune, les algorithmes et architectures fondamentales jusqu'à une sélection d'états de l'art.
• Spécialisation et veille en Deep LearningDans la lignée de notre [cours d'introduction](https://datalchemy.net/#/produit/formation-intro-ing-fr), cette formation vise à parfaire les connaissances jusqu'à arriver aux sujets de pointe qui font aujourd'hui l'innovation du Deep Learning. De l'apprentissage auto supervisé ou Bayésien aux nouvelles possibilités d'entraînement sur des données encryptées, il s'agit ici de donner les solutions existantes, les limites connues et les pistes d'avancement qui demain bouleverseront le quotidien des data-scientists ou ingénieurs travaillant sur ces sujets.
• Mathématiques pour le data-scientistLa fouille de données est devenue une composante à part entière de l’activité de veille et de R&D. Cependant, comprendre les enjeux et l’avancement de l’état de l’art dans le domaine nécessite un bagage mathématique. Résolument centrée sur le nécessaire, cette formation vise l’acquisition des bases théoriques requises pour comprendre et appliquer les avancées récentes en apprentissage automatique.
• Python pour le Deep LearningPython s’est imposé comme le langage de référence en apprentissage automatique en général, et en deep learning en particulier. Centrée sur l’exemple et non sur la théorie, cette formation vise la montée en compétence dans ce langage en général, et en particulier dans les deux principaux frameworks de deep learning: TensorFlow et PyTorch.
• Keras & TensorflowAprès avoir bouleversé de nombreux domaines scientifiques, l’intelligence artificielle s’installe dans l’industrie. Elle est portée en pratique par des frameworks Python dont font partie Tensorflow/Keras, solidement établis dans les applications industrielles du deep learning. Par l’exemple, les participants sont amenés à comprendre les concepts clés de ces technologies et les évolutions de la v2.
• PyTorchAprès avoir bouleversé de nombreux domaines scientifiques, l’intelligence artificielle s’installe dans l’industrie. Elle est portée en pratique par des frameworks Python dont fait partie PyTorch, désormais leader en deep learning. Par l’exemple, les participants sont amenés à comprendre les concepts clés de ces technologies et les dernières évolutions.
• Deep Learning et traitement du sonAvec le succès d’assistants vocaux du type Alexa/Siri/Google, le deep learning a fait rentrer le traitement du son et de la parole dans le quotidien du grand public. Cette formation vise à présenter les principaux problèmes rencontrés en traitement du son et pour chacun à décrire les architectures profondes atteignant l’état de l’art. Les sujets abordés sont la reconnaissance de la parole, le débruitage, la classification, le tagging audio et la séparation de l’audio (parole & musique)
• Du Big Data vers l'IADepuis quelques années, des budgets énormes sont débloqués dans toutes les grandes - et moins grandes - entreprises de France pour prendre le virage "Big Data". Nous proposons ici une formation d'introduction généraliste au domaine, en une journée. Après une introduction et des définitions essentielles, nous balaierons les problématiques et contraintes afférentes aux données, la manière de les résoudre, et les outils permettant de mener à bien ce type de projets. Un accent particulier sera mis sur les façons de reconnaître les contextes où des projets "Big Data" sont pertinents, et ceux où ils ne le sont pas. Nous nous appuyons tout au long de cette formation sur des échanges et des exemples pratiques, pour amener nos stagiaires à projeter leurs propres problématiques et contraintes métier sur le domaine.
• Infrastructure & noSQLCette formation vise à présenter aux stagiaires les concepts et principes fondamentaux de noSQL, ainsi que des applications à MongoDB sur des exemples simples. Nous présentons ensuite Hadoop et Apache Cassandra, en détail, et en s'appuyant sur des exemples. Pour s'assurer que les concepts sont bien acquis par les stagiaires, la dernière demie-journée sera passée à implémenter collectivement une architecture Hadoop/Cassandra.
• ElasticsearchElasticsearch est un moteur de recherche et d'indexation de données distribué et open source en temps réel, qui propose des fonctionnalités de recherche et d'analyse innovantes. Ce stage vous apprendra les principes fondamentaux d'Elasticsearch, les concepts à maîtriser en termes de flux de données, et les concepts techniques permettant de passer de la théorie à la pratique. La dernière demie-journée est consacrée à la mise en place concrète d'une architecture ELK sur un cas de test décidé collectivement, avec implémentation d'exemples de fouille textuelle et de recherche de données.