Comment l'Intelligence Artificielle va transformer l'Influence Marketing

Après plusieurs mois de mise en place et d’ajustement, la Data Science chez Kolsquare compte déjà son lot de victoires. Nos équipes peuvent aujourd’hui assurer que cette technologie reconnaît à plus de 99% de justesse les langues des posts des réseaux sociaux.

Cela nous permet notamment de qualifier très précisément le profil linguistique des influenceurs.

Au-delà de cette victoire qualitative, la plateforme Kolsquare est, par ailleurs, capable de faire cette analyse sur plus de 3 milliards de textes en quelques heures et ce, à force d’efforts et de persévérance.

Le focus du moment est désormais mis sur la détection automatique des thèmes d’influence. Un sujet complexe et complet qui ne présage que le meilleur pour l’avenir de la plateforme Kolsquare, notamment sur des fonctionnalités d’identification extrêmement pointues.

En accord avec les valeurs que nous défendons, nous avons fait le choix de l’authenticité et de la recherche de l’excellence. Marc Caillet, Team Lead Data Science, nous éclaire sur les enjeux et les réussites de la Data Science chez Kolsquare.

Marc, peux-tu nous rappeler ton rôle chez Kolsquare by Brand and Celebrities ?

Marc : Je suis arrivé à Kolsquare il y a un peu plus d’un an pour y occuper un poste de Team Lead Data. Je me suis focalisé dans un premier temps sur la collecte des données. J’ai ensuite mis en place l’activité Data Science pour répondre à des besoins spécifiques de l’équipe Produit.

Pour constituer l’équipe de départ, j’ai proposé à Koji Grandpierre, alors stagiaire dans l’équipe Community, de m’accompagner dans cette belle aventure sur la seule base de sa motivation. Je suis devenu, à cette occasion, Team Lead Data Science. En parallèle de ces activités, je contribue également activement à la refonte totale de notre architecture de Data Engineering.

Si tu devais expliquer ce qu’est une Intelligence Artificielle en quelques mots, que dirais-tu ?

Marc : En quelques mots, je dirais qu’une Intelligence Artificielle, c’est un programme informatique qui a la particularité de simuler un raisonnement humain après avoir appris par lui-même les règles qui lui permettent d’effectuer la tâche pour laquelle il a été conçu. Attention, je ne dis pas « le » raisonnement humain dans sa globalité.

Pour te donner un exemple, la première Intelligence Artificielle conçue reconnaît les langues dans lesquelles un texte issu d’un réseau social est écrit. Au cours de sa mise au point, elle a développé par elle-même les règles qui lui permettent de distinguer une langue d’une autre, parmi 11 langues.

Tu lui soumets un texte, elle te dit s’il est écrit en français, en anglais ou en italien. Elle traite parfaitement les textes multilingues aussi : elle peut, par exemple, identifier qu’un texte est écrit à 60% en français, à 25% en japonais et à 15% en anglais.

Tu lui soumets un texte, elle te dit s’il est écrit en français, en anglais ou en italien. Elle traite parfaitement les textes multilingues aussi : elle peut, par exemple, identifier qu’un texte est écrit à 60% en français, à 25% en japonais et à 15% en anglais.

Marc Caillet - Team Lead Data Science

Enfin, elle a la capacité de répondre qu’elle ne sait pas dans le cas où le texte qui lui est présenté n’est écrit dans aucune des langues pour lesquelles elle a été conçue.

Peux-tu nous en dire plus sur l’utilisation d’une Intelligence Artificielle chez Kolsquare ? Quels étaient les objectifs de cette mise en place ?

Marc : L’équipe Data Science est, depuis sa création, au service de l’équipe Produit. Tous ses efforts sont dédiés à l’amélioration de l’expérience des utilisateurs de la plateforme Kolsquare dans leurs recherches d’influenceurs qui correspondent le mieux au message qu’ils souhaitent communiquer et à la cible qu’ils souhaitent atteindre.

Grâce aux Intelligences Artificielles, nous déterminons de quoi parlent les influenceurs sur les réseaux sociaux et de quelles façons ils le font. Le travail effectué sur les langues entre dans la deuxième catégorie.

En parallèle à la mise au point de cette Intelligence Artificielle, nous en avons conçu deux autres.

La première a appris à classer automatiquement les influenceurs dans des thèmes d’influence. La seconde, amenée à un niveau de maturité moindre à ce jour, a appris à distinguer les textes à tonalité positive des textes à tonalité négative.

Pour tous ces sujets, nous avons opté pour une approche Deep Learning qui consiste à modéliser une Intelligence Artificielle sous la forme d’un réseau de neurones artificiel. Cette approche repose sur une analogie avec la topologie et le fonctionnement d’un réseau de neurones biologique.

Comment se déroule la création d'une Intelligence Artificielle ?

Marc : Dans les grandes lignes, nous nous appuyons sur la méthodologie CRISP-DM (Cross-Industry Standard Process for Data Mining) que nous avons fait évoluer quelque peu.

Après que le « besoin produit » ait été clairement identifié et après que le développement d’une Intelligence Artificielle soit apparu comme étant la réponse la plus adaptée à ce besoin, nous passons par une phase d’analyse des posts des réseaux sociaux. Cette phase a un objectif double.

Le premier est de déterminer quelles modalités nous allons utiliser pour mettre au point cette I.A. Pour les langues des influenceurs, la modalité à utiliser était très simple à déterminer : les textes des posts. En ce qui concerne la classification des influenceurs par thèmes d’influence, nous avons opté pour les photos.

Le second objectif est d’appréhender la diversité des données auxquelles l’Intelligence Artificielle sera confrontée. Je reprends l’exemple de la reconnaissance des langues. Les textes sur les réseaux sociaux balaient un spectre très large : cela peut aller du soutenu au vulgaire et d’une orthographe parfaitement académique à une orthographe plus personnelle.

L’Intelligence Artificielle se doit d’être performante une fois mise en service. Elle doit avoir été entraînée à reconnaître la langue de textes dans toute cette diversité. Nous constituons alors trois ensembles de données, des datasets, annotés. C’est-à-dire que pour chacun des textes de ces ensembles, nous indiquons dans quelle langue il est écrit.

Si je te dis que nous avons utilisé plusieurs centaines de milliers de textes pour chacune des 11 langues reconnues aujourd’hui par notre Intelligence Artificielle, ça peut te donner, je pense, une bonne idée de l’ampleur de cette tâche essentielle.

Nous avons utilisé plusieurs centaines de milliers de textes pour chacune des 11 langues reconnues aujourd’hui par notre Intelligence Artificielle, ça peut te donner, je pense, une bonne idée de l’ampleur de cette tâche.

Marc Caillet - Team Lead Data Science

Au passage, je tiens à rendre hommage au travail titanesque accompli par Koji qui, parmi bien d’autres choses, a réalisé sans faillir la sélection et l’annotation de tous ces textes.

Et puis il faut également faire preuve de créativité. Nos compétences linguistiques combinées nous ont permis de sélectionner aisément des textes avec toute la diversité souhaitée écrits en langue française, anglaise et japonaise. Cependant, nous sommes, lui comme moi, tout à fait ignorant des huit autres langues que nous avons appris à notre Intelligence Artificielle.

Nous avons alors revu complètement notre stratégie de constitution de datasets à partir d’une idée clé qui nous a permis de contourner nos limites linguistiques. Cette idée restera néanmoins un secret de fabrication.

Une fois les datasets constitués et annotés, nous les utilisons pour apprendre à l’Intelligence Artificielle à réaliser la tâche pour laquelle on la destine et pour évaluer ses performances.

Nous avons alors revu complètement notre stratégie de constitution de datasets à partir d’une idée clé qui nous a permis de contourner nos limites linguistiques. Cette idée restera néanmoins un secret de fabrication.

Marc Caillet - Team Lead Data Science

Tant que les performances ne nous satisfont pas, nous ajustons les paramètres de l’I.A. ou nous modifions nos datasets, selon les déficiences révélées.

Après de nombreuses itérations, nous sommes parvenus à un taux de prédictions justes dépassant les 99%. C’est vraiment très élevé. Ce niveau d’exigence est un trait caractéristique de l’équipe Data Science. Il est au cœur de tous les projets que nous menons.

Quelles ont été les retombées remarquées en interne ?

Marc : Les équipes Data sont composées, d’une part de spécialistes dans leur domaine, d’autre part de talents aux compétences pluridisciplinaires. Cela nous confère une agilité grâce à laquelle nous pouvons aisément moduler notre organisation de façon à répondre au mieux aux spécificités de chaque projet.

Nous travaillons en collaboration étroite avec les spécialistes les plus expérimentés de Kolsquare en matière de produit, de communauté et d’influence marketing. Leur enthousiasme est chaque fois palpable. Leur apport contribue grandement à la qualité des résultats que nous produisons.

Par ailleurs, nous communiquons très régulièrement nos résultats en interne. Chaque fois, nous suscitons l’enthousiasme, c’est très satisfaisant. J’ai aussi pu percevoir la naissance d’un sentiment de fierté chez chaque collaborateur de Kolsquare.

C’est particulièrement marquant dans un contexte où une enquête a récemment révélé que peu d’entreprises utilisent réellement des Intelligences Artificielles alors que beaucoup prétendent le faire. Non seulement nous, nous en utilisons, mais en plus nous les créons nous-mêmes, nous pouvons les faire évoluer à tout moment, nous ne dépendons d’aucun tiers !

Que penses-tu des résultats de cette enquête ?

Marc : Chacun choisit la stratégie qui lui correspond le mieux pour se démarquer de la concurrence. Chez Kolsquare, en accord avec les valeurs que nous défendons, nous avons fait le choix de l’authenticité et de la recherche de l’excellence.

Pour finir, où en êtes-vous dans vos projets ?

Marc : L’Intelligence Artificielle de reconnaissance des langues est pleinement opérationnelle sur la plateforme Kolsquare : depuis quelques mois, nos utilisateurs peuvent filtrer les influenceurs en fonction de leurs langues d’expression privilégiées sur les réseaux sociaux.

Pour parvenir à cet état, nous avons dû faire évoluer notre architecture de traitement des données de façon à se doter de la capacité de traiter plusieurs milliards de textes en quelques heures ! Ça a été un beau défi.

L’Intelligence Artificielle de classification des influenceurs par thèmes d’influence est arrivé à maturité. Son intégration à l’architecture de traitement des données a commencé.

Nous travaillons aussi sur des sujets qui ne nécessitent pas le développement d’Intelligences Artificielles. On pourra en parler à l’occasion d’une prochaine interview.