Data Science & Analytics

Plusieurs cas d’usage ont été identifiés avec les experts métiers et ont donné lieu à différentes prestations :

• Intégration d’un module de prévision du taux d’occupation des lits au sein d’un outil existant.
• Segmentation des utilisateurs des ressources Web de l’ANAP suivant des indicateurs liés à leur profil d’utilisation. Des méthodes d’analyse statistique et de clustering (K-means) ont été mises en œuvre pour dresser une liste exhaustive de portraits d’utilisateurs.
• Analyse de l'(in)adéquation entre la demande des professionnels de santé et l’offre de l’ANAP proposée dans ses ressources Web. Des clusters d’intérêt ont été mis en évidence par une méthode de segmentation (classification ascendante hiérarchique) pour interroger la pertinence de la structure de l’offre de l’ANAP et formuler des recommandations.
• Etat des lieux du patrimoine immobilier des établissements médico-sociaux et création d’indicateurs de performance (par territoire, par vocation, etc).
• Outil web d’exploration thématique (Text Mining) de publications Twitter en rapport avec les enjeux de la santé.
• Mise en évidence de thèmes connexes populaires via des méthodes de Natural Language Processing (NLP).

Une plateforme web a été développée et mise à disposition des pouvoirs publics, des parties prenantes du projet mais aussi du citoyen. Elle contient:

• Un entrepôt de données sur-mesure où les différentes sources sont harmonisées et l’information sur les accidents et le contexte de circulation sont directement exploitables (par des requêtes ou des visualisations sous forme de tableaux de bord).
• Plus de 24 000 accidents matériels et corporels répertoriés sur les 10 dernières années, localisés sur la voirie et complétés par des données d’infrastructure routière ou de contexte.
• 8 tableaux de bords thématiques qui interrogent l’influence de multiples variables sur les accidents (infrastructure, vitesse réglementaire ou pratiquée, trafic, saisonnalité, météo, configuration de l’accident, facteurs accidentogènes comme l’alcool ou l’usure des pneus).
• Un algorithme de prédiction qui évalue, sur une carte de voirie, le niveau de risque d’accident matériel et corporel pour un contexte futur donné. Cet algorithme, en cours de développement, se base sur des méthodes de machine learning supervisé à base d’arbres de décision.
• Une segmentation des accidents par un algorithme de clustering permettant de faire émerger des portraits-types.

Artelys a contribué à plusieurs niveaux de cette compétition, tout au long de sa durée de vie, en développant plusieurs packages Python disponibles en open source. 

• Grid2viz – Une IHM fluide et complète pour analyser le comportement des agents d’apprentissage par renforcement, sous forme d’application web Dash.
• Chronix2Grid – Un module permettant, grâce à un processus statistique et un algorithme d’optimisation, de générer des chroniques réalistes de production (solaire, éolienne, hydraulique, nucléaire et thermique) , ainsi que de consommation qui soient cohérentes avec les flux physiques possibles sur un réseau donné.  Cette génération est calibrée depuis des indicateurs estimés sur des données réelles. 
• ExpertOp4Grid – Un agent dit « expert » qui identifie des topologies de réseau intéressantes grâce à la simulation et sur la base de concepts métiers. 
• Oracle4Grid – Un agent dit « oracle » qui identifie la meilleure trajectoire en connaissant d’avance le futur. Pour cela, il simule massivement toutes les trajectoires d’actions possibles et retrouve a posteriori le meilleur chemin d’action maximisant la récompense. 

Consulter la compétition sur la plateforme Codalab