Nos actualités

L'article original sous le titre "Indexation et recherche de similarité avec Faiss" est publié sur Medium via le compte de La Javaness R&D . Nous vous recommandons de consulter l'article original sur le site Medium pour visualiser l'ensemble des illustrations et exemples. Indexation et recherche de similarité avec Faiss Cet article a pour but d’expliquer quelques-uns des algorithmes de recherche de similarité implémentés dans faiss, une bibliothèque développée par facebook,

L'article original est publié sur Medium via le compte de La Javaness R&D . Nous vous recommandons de consulter l'article original sur le site Medium pour visualiser l'ensemble des illustrations et exemples. Clustering des thématiques de spams Photo de GuerrillaBuzz Blockchain PR Agency sur Unsplash Introduction Données Les données traitées sont des mails reçus par des particuliers et signalés à signal-spam . Ce genre de mails frauduleux peut venir sous plusieurs formats :

The Whole Point of Views Intro À La Javaness, à moins qu’un client nous demande d’utiliser un autre SGBDR, nous choisissons toujours PostgreSQL. Open source, activement maintenu, conforme au standard ANSI, très performant dans une grande variété de situations, c’est l’outil idéal pour nos besoins en données. Pourtant, notre usage de Postgres est assez vanilla, la plupart du temps : des CRUD basiques, des jointures, parfois PostGIS. Mais il nous arrive d’expérimenter de nouvea

Pourquoi choisir Flower? Dans notre cas, nous avons choisi d’utiliser le framework Flower sur PyTorch, et ce pour de nombreuses raisons : Scalabilité : a été conçu pour être utilisé dans des cas d’utilisation réels, avec un très large nombre de clients (des dizaines de millions). Interopérabilité : peut être implémenté sur tous types de serveurs et appareils, y compris les mobiles (AWS, GCP, Azure, Android, iOS, Raspberry Pi, Nvidia Jetson) pour bien fonctionner dans des envi

Introduction Les approches traditionnelles de l’apprentissage automatique doivent rassembler toutes les données en provenance des clients, dans un seul endroit centralisé, généralement un centre de données Cloud. Selon la nature des données traitées, ce principe peut enfreindre les lois sur la vie privée des utilisateurs et la confidentialité des données. Par exemple, le secteur de la santé est tenu de respecter des clauses de confidentialité strictes et peut être confronté à

Le cycle de travail quotidien de tout data scientist ou data engineer contient au moins une sauvegarde/un téléchargement d'un modèle, qu'il soit fraîchement entraîné ou pré-entraîné pour un ajustement plus poussé. Être capable de suivre le cycle de vie d’un modèle, de le partager ou d’en explorer d'autres sont autant de tâches qui incombent régulièrement à un data scientist. Cela vaut également pour les datasets, les démonstrations techniques, etc. C'est de là qu’est apparu

Comment nous utilisons un algorithme de NER pour extraire des expressions de tonalités dans nos projets clients

“Detection and Normalization of Temporal Expressions in French Text” describes how to detect and normalize temporal expressions in French.

Deep dive into pre-trained sentence embedding models, the state-of-the-art of French sentence embeddings.

Itération sur les modèles de déploiement mis en place pour lutter contre les problèmes engendrés par le déploiement de multiples solutions.