Banque

Classification de pages Web

Un acteur du secteur bancaire possédait des centaines de milliers de pages web non catégorisées et aucun moyen de relier le contenu consulté aux produits pertinents pour chaque utilisateur. Nous avons développé un modèle de classification textuelle atteignant 95% de précision sur un échantillon réduit, ouvrant la voie à une recommandation produit personnalisée à grande échelle.

Problématique

Le client disposait de centaines de milliers de pages web sur ses sites, mais aucune n'était classifiée de manière fiable. Sans catégorisation du contenu, impossible d'exploiter les logs de connexion des utilisateurs pour comprendre leurs parcours et leur recommander les bons produits. Le défi technique : construire un modèle de classification performant et interprétable à partir d'un échantillon d'entraînement très restreint moins de 1 500 pages annotées sur un corpus de plusieurs centaines de milliers.

Vue rapprochée d’une coupe transversale colorée d’une géode montrant des couches concentriques de minéraux en jaune, marron, rouge et vert.

Solution

Ce que nous avons construit

Nous avons déployé une équipe de 2 Data Scientists et 1 Data Engineer pour concevoir un système complet d'aide à la découverte moléculaire.

Étape 1 — Scraping et préparation des données. Extraction automatisée du contenu des pages web, nettoyage et normalisation des textes pour éliminer le bruit HTML et les éléments non informatifs.

Étape 2 — Encodage sémantique. Transformation du texte en représentations vectorielles exploitables par les modèles, en testant plusieurs approches : TF-IDF pour la baseline, Word2Vec et Doc2Vec pour capturer la sémantique au-delà des mots-clés.

Étape 3 — Modélisation Deep Learning. Développement d'un réseau de neurones séquentiel bidirectionnel (Bidirectional LSTM) capable de classifier les pages selon les catégories définies par le métier. Le modèle exploite le contexte du texte dans les deux sens de lecture pour maximiser la compréhension du contenu.

Étape 4 — Interprétabilité. Mise en place de heatmaps permettant aux équipes métier de visualiser quels mots et passages du texte ont influencé la classification. Le métier peut vérifier que le modèle se base sur les bons signaux.

Projets dans la même catégorie

Voir tous les projets

Aide à la création de médicaments

Un laboratoire pharmaceutique devait identifier de nouvelles combinaisons moléculaires brevetables à partir de millions de publications médicales. La recherche manuelle avait atteint ses limites. Nous avons construit le système qui a changé la donne.

Application d'optimisation de la Supply Chain

Un acteur de la distribution pharmaceutique devait repenser l'intégralité de sa chaîne d'approvisionnement : assortiment en pharmacie, gestion des stocks et circuits de livraison. La recherche opérationnelle seule ne suffisait plus. Nous avons construit l'application qui a transformé ses opérations.

Détection des tendances sur les réseaux sociaux

Dans un marché où les comportements consommateurs changent plus vite que les cycles de décision, un client avait besoin d'anticiper les tendances au lieu de les subir. Nous avons construit la plateforme qui transforme le bruit des réseaux sociaux en signaux actionnables.

Rendement de parcelles agricoles

La filiale climatique d'un leader français de l'assurance avait besoin de prédire les rendements des champs à l'échelle de l'Allemagne pour tarifer une nouvelle offre d'assurance sécheresse. Les données internes ne suffisaient pas. Nous avons construit les modèles prédictifs qui ont rendu le produit commercialisable.

Plateforme d'analyse de besoins clients

Un grand groupe français cherchait à comprendre les besoins actuels et à venir de ses clients en agrégeant un volume massif de données consommateurs. Après un POC de 8 semaines, nous avons industrialisé une plateforme complète déployée sur l'ensemble des entités France et aujourd'hui en cours d'extension à l'échelle du groupe.

Scoring et analyse de la peau

Un acteur majeur de la cosmétique de luxe avait développé un algorithme de scoring de la peau. Problème : personne ne pouvait vérifier sur quoi l'IA se basait pour poser son diagnostic. Nous avons construit le système de visualisation qui rend les prédictions transparentes et déployable en boutique et sur mobile.