Les CoEs, souvent également appelés « centres de connaissances », ont été utilisés ces dernières années pour partager les connaissances accumulées dans différents domaines tels que le marketing, les produits pharmaceutiques, l’automobile et les télécommunications. Un CoE peut être défini comme un groupe d’experts hautement qualifiés qui travaillent ensemble pour analyser les connaissances dans un domaine d’intérêt spécifique et fournir à l’entreprise le support nécessaire pour mettre en place des technologies en se conformant aux meilleures pratiques recommandées.
De même, un CoE d’automatisation se concentre sur l’intégration d’un cadre solide et la réussite de l’implémentation des outils d’automatisation au sein de l’entreprise.
Les avantages du Centre d’excellence d’automatisation
L’automatisation des processus robotisés (RPA) est devenue un incontournable pour les entreprises qui souhaitent augmenter leur performance opérationnelle. Cependant, pour atteindre un niveau d’automatisation encore plus élevé, adaptable et évolutif, il est nécessaire d’adopter l’automatisation intelligente. C’est là qu’intervient le rôle crucial des centres d’excellence en automatisation (CoE).
Les CoE permettent de mener une transformation digitale rapide tout en maîtrisant les risques associés, en veillant à gérer judicieusement les investissements en automatisation. En établissant un CoE, les entreprises peuvent gérer et surveiller efficacement leurs initiatives avec une transparence totale. Le CoE d’automatisation se situe ainsi à l’intersection de la maîtrise, de la rapidité et de l’agilité.
Cycle de développement de robot efficace :
Un Centre d’Excellence en Automatisation (CoE) efficace permet aux entreprises de centraliser les connaissances et les données d’apprentissage dans le domaine de l’automatisation. Il donne également accès aux meilleures pratiques partagées par d’autres unités commerciales, en se concentrant sur la recherche de plateformes RPA et de processus d’automatisation. Ce partage d’informations permet aux entreprises d’optimiser leur temps, d’accélérer le déploiement de RPA et de simplifier la gestion des initiatives liées à l’automatisation.
Intégration de l’IT et de la RPA :
Un CoE bien structuré assure la participation de l’IT dans l’équipe de projet, où ils étaient auparavant considérés comme une addition facultative. Les équipes IT gèrent des aspects tels que l’infrastructure, la sécurité, la confidentialité des données et d’autres éléments stratégiques dès le début d’un projet, réduisant ainsi le risque de perturbations de l’automatisation. Les systèmes informatiques hérités évoluent constamment et sont régulièrement mis à jour, ce qui peut altérer l’automatisation au niveau de l’interface utilisateur. Les équipes IT peuvent aider à préparer et anticiper ces changements.
Facilité de scalabilité :
Les projets RPA non coordonnés peuvent entraver le succès et empêcher les entreprises d’atteindre les niveaux d’automatisation et les objectifs organisationnels souhaités. Un CoE est crucial pour éviter ces types d’échecs et établir une vision globale pour l’entreprise qui permet une adaptation facile de la RPA. Si l’objectif est de mettre en œuvre l’automatisation dans toute l’organisation, un CoE est essentiel pour une adoption et une promotion réussie de la RPA ou de tout autre logiciel d’automatisation.
Retour sur Investissement (ROI) amélioré :
L’absence d’un CoE peut entraîner des coûts importants pour l’intégration de la technologie RPA, ainsi que des inefficacités difficiles à identifier qui entravent l’automatisation, l’acquisition de la RPA et le support. Une évaluation approfondie de l’automatisation potentielle des processus peut aider à éviter un retour sur investissement négatif lors de l’investissement dans un projet. Plusieurs facteurs doivent être considérés et, dans certains cas, la RPA peut ne pas être la meilleure solution pour améliorer les processus.
Un CoE accélère le déploiement de l’IA
Le déploiement de l’IA
Dans une étude récente d’experts en IA, « 64% ont déclaré qu’il a fallu à leur organisation au moins un mois pour mettre en place un nouveau modèle – et 20% ont déclaré : « 6 mois ou plus ». »
C’est là que le centre d’excellence en automatisation (CoE) peut faire une différence significative. Il permet d’atteindre trois résultats critiques :
Il rationalise le déploiement pour accélérer la mise sur le marché.
Il établit la norme en déterminant les éléments nécessaires à un plan d’affaires rentable.
Il optimise l’utilisation des ressources pour exécuter les projets avec une efficacité accrue et des dépenses considérablement réduites.
Comment les CoEs accomplissent ces résultats ?
Un CoE d’automatisation efficace utilise des plateformes d’entreprise et une collaboration homme automatisation pour permettre l’intégration rapide des modèles dans les flux de travail. Cela permet non seulement aux robots du système d’accéder et d’appliquer ces modèles en temps réel, mais cela crée également les conditions pour une amélioration continue des modèles à l’aide des commentaires humains. De plus, ils stimulent l’extraction automatisée, la transformation, la garantie de la qualité et la gestion des données avec une gouvernance centralisée et le respect des normes.
Le CoE automatisation va au-delà des considérations de “temps” pour atteindre l’automatisation à grande échelle. Il intègre de manière transparente la technologie, les processus et les personnes pour offrir des résultats commerciaux orientés vers la valeur tout en améliorant l’efficacité opérationnelle et les coûts. En adoptant une approche orientée métier et non une simple adoption de la technologie, il associe le contexte commercial à l’automatisation des processus robotiques (RPA), aux technologies basées sur l’IA, à l’exploration des processus et à l’analytique avancée – et offre ainsi des résultats transformationnels à tous les niveaux de l’entreprise. Cette approche intègre la fragmentation des processus qui constitue un défi pour les organisations. Le CoE fait donc passer de la logique de l’automatisation des tâches et des processus d’entreprise à celle de l’automatisation intelligente.
Témoignages clients, livres blancs, articles, webinars… Tout au long de l’année, les équipes de Novelis ont créé de nombreux contenus pour partager avec vous les meilleures pratiques et retours d’expérience sur l’automatisation intelligente des processus. Dans cet article, retrouvez nos contenus les plus populaires de 2022 pour lancer 2023 et identifier les leviers qui vont booster votre efficacité opérationnelle !
BLOG – Livres blancs, articles, interview…
Anonymisation de données sensibles par l’approche combinée du NLP et des modèles neuronaux : « L’exploitation des données est plus que jamais un enjeu majeur au sein de tout type d’organisation […] La pseudonymisation/anonymisation apparaît ainsi comme une technique indispensable pour protéger les données personnelles et favoriser la conformité aux réglementations. »
[LIVRE BLANC] Comment l’automatisation peut vous aider à surmonter les défis de la relation client : « Les attentes des consommateurs ont changé et l’expérience client est devenue un facteur de différenciation majeur, d’autant que sa qualité est de plus en plus mesurable et comparable. […] Novelis vous propose d’en découvrir les avantages dans son livre blanc « Comment l’automatisation peut vous aider à surmonter les défis de la relation client » divisé en trois parties… »
[USE CASES] RPA : Tâches à fort potentiel d’automatisation dans la finance : « La révolution numérique est en train de changer le visage du secteur financier, quel que soit le métier : trésorerie, contrôle de gestion, comptabilité, direction financière, etc. Se transformer pour innover devient une obligation pour ces acteurs, qui doivent être toujours plus rapides, plus fiables et plus efficaces dans l’exécution des processus. »
[USE CASES] RPA : des tâches à fort potentiel d’automatisation dans les assurances et pour les mutuelles : « Les assurances et les mutuelles sont confrontées chaque jour à de nouveaux enjeux et défis. La RPA apporte une réponse à ces défis, ce qui en fait une solution véritablement essentielle pour ces organismes d’assurance et de mutuelle, qui disposent d’un large éventail de processus à fort potentiel d’automatisation. »
REPLAYS – Redécouvrez nos webinars
[Événement] Novelis et NICE partenaires de l’événement CX Paris All Verticals : Cette édition CX Paris All Verticals met à l’honneur l’économie de l’expérience et mettra en avant les différents niveaux de maturité en matière d’expérience client au sein de différents secteurs d’activité : banque, assurance, retail, BtoB, services publics, luxe, automobile, énergie…
Dans cet article nous allons découvrir le modèle Yolov7, un algorithme de détection d’objet. Nous étudierons tout d’abord son utilisation et ses caractéristiques au travers d’une base de données publique. Puis nous verrons comment entraîner ce modèle nous-même à partir de ce dataset. Enfin, nous entraînerons Yolov7 à identifier des objets personnalisés à partir de nos propres.
Qu’est-ce que Yolo ? Pourquoi Yolov7 ?
Yolo est un algorithme de détection d’objets dans une image. L’objectif de la détection d’objet est de classifier de manière automatique, à l’aide d’un réseau de neurones, la présence et la position d’objets humainement identifiables sur une image. L’intérêt repose donc sur les capacités et performances en termes de détection, reconnaissance et localisation des algorithmes, dont les applications pratiques sont multiples dans le domaine de l’image. La force de Yolo repose sur sa capacité à exécuter ces tâches en temps réel, ce qui le rend particulièrement utilisé avec des flux vidéo de dizaines d’images par seconde.
YOLOest en réalité un acronyme pour « You Only Look Once ». En effet, contrairement à de nombreux algorithmes de détections, Yolo est un réseau de neurones qui évalue la position et la classe des objets identifiés à partir d’un seul réseau de bout en bout qui détecte les classes à l’aide d’une couche entièrement connectée. Yolo n’a donc besoin de « voir » qu’une fois une image pour détecter les objets présents, là où certains algorithmes détectent uniquement des régions d’intérêt, avant de réévaluer celles-ci afin d’identifier les classes présentes.
Intersection over Union : IoU
Intersection over Union (littéralement Intersection sur Union, ou IoU) est une métrique permettant de mesurer la précision de la localisation d’un objet. Comme son nom l’indique, elle est calculée à partir du ratio entre la zone d’intersection Objet détecté-Objet réel et de la zone d’union de ces mêmes objets (cf. équation 1). En notant Adétecté et Aréel les aires respectives de l’objet détecté par YOLO et de l’objet tel que réellement situé sur l’image, on peut alors écrire :
On notera qu’un IoU de 0 indique que les 2 aires sont complètement distinctes et qu’un IoU de 1 indique que les 2 objets sont parfaitement superposés. En général, un IoU > 0.5 représente un critère de localisation valide.
(mean) Average Precision : mAP
Average Precision (précision moyenne) est une métrique de précision de classification. Elle est basée sur la moyenne des prédictions correctes sur les prédictions totales. On cherche donc à se rapprocher d’un score de mAP de 100% (aucune erreur au moment de déterminer la classe d’un objet).
En revenant à notre point précédent, Yolo reste un modèle d’architecture, et non la propriété d’un développeur en particulier. Ceci explique pourquoi les versions de Yolo sont de contributeurs différents. En effet, on incrémente la version de Yolo (Yolov7 à ce jour : janvier 2023) à chaque fois que les métriques précédemment citées (surtout le mAP et son temps d’exécution associé) dépassent nettement le précédent modèle et donc l’état de l’art. Ainsi, chaque nouveau modèle YolovX est en réalité une amélioration montrée par un document de recherche associé publié en parallèle.
Comment fonctionne Yolo ?
Yolo fonctionne en segmentant l’image qu’il analyse. Il va tout d’abord quadriller l’espace, puis réaliser 2 opérations : localisation et classification.
Figure 1 : Architecture du modèle Yolo, opérant un quadrillage à partir de convolutions successives.
Figure 2 : Image quadrillée.
Dans un premier temps, Yolo identifie tous les objets présents à l’aide de cadres en leur associant un degré de confiance (ici représenté par l’épaisseur de la boite).
Figure 3 : Localisation des objets.
Puis, l’algorithme attribue une classe à chaque boîte selon l’objet qu’il pense avoir détecté à partir de la carte de probabilité.
Figure 4 : Carte de probabilité des classes
Figure 5 : Détection des objets
Enfin, Yolo supprime toutes les boîtes superflues à l’aide de la méthode NMS.
NMS : Non-Maxima Suppression
La méthode NMS se base sur un parcours des boîtes à haut indice de confiance, puis une suppression des boîtes superposées à celles-là en mesurant l’IoU. Pour cela, on suit 4 étapes. En partant de la liste complète des boîtes détectées :
Suppression de toutes les boîtes d’indice de confiance trop faible.
Identification de la boîte d’indice de confiance le plus grand.
Suppression de toutes les boîtes ayant un IoU trop grand (c’est-à-dire de toutes les boîtes trop similaires à notre boîte référence).
En ignorant la boîte de référence ainsi utilisée, répétition des étapes 2) et 3) jusqu’à avoir éliminé toutes les boîtes de notre liste originale (c’est-à-dire en prenant la 2nde boîte d’indice de confiance le plus grand, puis la 3ème, etc.).
On obtient alors le résultat suivant :
Figure 6 : Image de sortie post-NMS présentant les objets détectés par Yolo
Comment utiliser Yolov7 avec le dataset COCO ?
Maintenant que nous avons vu le modèle Yolo dans le détail, nous allons étudier son utilisation avec une base de données d’images : le dataset COCO.
Le dataset MICROSOFT COCO (pour Common Objects in COntext), plus communément appelé MS COCO, est un ensemble d’images représentant des objets communs dans un contexte commun. Cependant, à l’inverse des bases de données habituelles utilisées pour la détection et la reconnaissance d’objets, MS COCO ne présente pas des objets ou des scènes isolés. En effet, le but lors de la création de ce dataset était d’avoir des images proches de la vie réelle, afin d’avoir une base d’entraînement plus robuste pour des flux d’images classiques, reflétant la vie quotidienne.
Figure 7 : Exemples d’objets isolés
Figure 8 : Exemples de scènes isolées
Figure 9 : Scènes classiques de la vie quotidienne
Ainsi, en entrainant notre modèle Yolov7 avec le dataset MS COCO, il est possible d’obtenir un algorithme de reconnaissance de près d’une centaine de classes et catégorisant la majorité des objets, personnes et éléments du quotidien. Enfin, MS COCO est aujourd’hui la principale référence pour mesurer la précision et l’efficacité d’un modèle. Pour avoir un ordre d’idée, ci-dessous sont présentés les résultats des différentes versions de Yolo.
Figure 10 : Average Precision (AP) en fonction du temps d’analyse par image.
Sur ce graphique, chaque série de points représente la précision en fonctionnement d’un modèle sur le dataset MS COCO en fonction du temps attribué pour évaluer chaque image.
En abscisse, sont indiqués les temps accordés aux réseaux pour évaluer une image. Plus le temps est faible, plus on peut se permettre d’envoyer un flux d’images important à notre algorithme, au prix de la précision.
En ordonnée sont donc indiquées les précisions moyenne des modèles en fonction du temps accordé, comme vu précédemment.
On remarque alors 3 points importants :
Quel que soit le temps accordé au réseau, Yolov7 surpasse les autres modèles Yolo en termes de précision de détection sur le dataset MS COCO. Ceci explique sa présence comme référence dans l’état de l’art actuel de la détection en temps réel d’objets sur image.
L’augmentation du temps d’inférence sur chaque image n’a pas/peu d’intérêt une fois les 30ms/image dépassés. Cela implique que le modèle est plus optimal sur une utilisation nécessitant un traitement rapide des images, comme un flux vidéo (> 25 img/s).
Quel que soit le modèle concerné, aucune ne dépasse les 57% de précision de détection. Ceci implique que le modèle est donc encore loin de pouvoir être utilisé de manière fiable dans un cadre public.
Pour obtenir soi-même les résultats précédents, il suffit de suivre les instructions de la page GitHub du modèle yolov7 pré-entraîné à partir du dataset MS COCO : https://github.com/WongKinYiu/yolov7.
Suivre tout d’abord la rubrique :
Installation.
Puis l’encadré :
Testing.
Comment entraîner Yolov7 ?
Maintenant que nous avons vu comment tester Yolov7 avec un dataset sur lequel il est entraîné, nous allons nous intéresser à la manière dont nous pouvons entraîner Yolov7 à l’aide de notre propre dataset. Nous allons commencer dans un premier temps un entraînement avec des données déjà préparées, ici le dataset MS COCO. Encore une fois, le GitHub de Yolov7 présente un encart spécifique prévu à cet effet :
Training.
Il est décomposé en 2 étapes simples :
Télécharger le dataset déjà annoté MS COCO.
Lancer le script « train.py » intrinsèque au répertoire Git avec le dataset précédemment téléchargé.
Celui-ci va alors tourner sur 300 étapes pour se conformer au dataset MS COCO. On notera qu’en réalité cette opération a plus un but instructif étant donné que Yolov7 est déjà entraîné sur le dataset MS COCO et possède donc déjà un modèle adéquat.
Préparer ses propres données d’entraînement
Maintenant que nous avons vu ce qu’est Yolov7, comment le tester et l’entraîner, il ne nous reste plus qu’à lui fournir notre propre base d’images pour l’entraîner sur notre cas d’usage. Nous allons donc suivre 4 étapes pour créer notre propre dataset directement utilisable pour entraîner Yolov7 :
Choix de notre base de données d’images.
Optionnel : Labellisation de l’ensemble de nos images.
Préparation du lancement (cas d’utilisation de Google Collab).
Entraînement (et fonctionnement fractionné).
Pour illustrer le déroulé de ces opérations, nous allons prendre un cas similaire aux travaux de Novelis utilisés sur AIDA: la détection d’éléments dessinés sur une feuille de papier.
Figure 11 : Image de départ : un dessin manuscrit en couleurs sur une feuille.
Pour commencer, il va donc nous falloir récupérer une quantité suffisante d’images similaires. Soit de notre propre collection, soit en utilisant une base de données préexistante (par exemple en prenant le dataset de notre choix à partir de ce lien. De notre côté, nous utiliserons le dataset Quick Draw. Une fois notre base formée, nous allons annoter nos images. Pour cela, de nombreux logiciels existent, la majorité du temps permettant de créer des boîtes, ou des polygones, et de les labelliser sous forme de classe. Dans notre cas, notre base de données est déjà labellisée, sinon il faudrait créer une classe pour chaque élément à détecter, puis identifier à la main sur chaque image les zones exactes de présences de ces classes. Une fois notre dataset labellisé, nous pouvons lancer une session sur Google Colab et commencer un nouveau Python Notebook. Nous l’appellerons ici « MyYolov7Project.ipynb » par exemple.
Étape préalable : copier votre dataset dans votre drive. Dans notre cas, on a déjà ajouté à notre drive un dossier « Yolov7_Dataset ». Voici l’arborescence du dossier :
Figure 12 : Arborescence du dossier « Yolov7_Dataset ».
Pour chaque dossier, on retrouve un dossier images, contenant les images, et un dossier labels contenant les labels associés générés précédemment. Dans notre cas, nous utilisons 20 000 images au total, dont 15 000 pour l’entrainement, 4 000 pour la validation et 1 000 pour le test.
Le fichier data.yaml contient quant à lui l’ensemble des chemins d’accès aux dossier :
Puis les caractéristiques des classes :
Nous ne représenterons pas les 345 classes dans le détail mais elles devront bien être présentes dans votre fichier. Nous pouvons donc à présent commencer notre script « MyYolov7Project.ipynb » sur Colab. Première étape, lier notre Drive au Colab afin de pouvoir sauvegarder nos résultats (Attention : les données du réseau entraîné sont volumineuses).
Une fois notre Drive lié, nous pouvons à présent cloner Yolov7 à partir du Git officiel :
En nous plaçant dans le dossier installé, nous vérifions les prérequis :
Nous aurons également besoin des bibliothèques sys et torch.
Nous pouvons alors lancer le script d’entrainement de notre réseau :
On notera que le batch size peut être modifié en fonction des capacités de votre GPU (avec la version gratuite de Collab, 16 reste le maximum possible). N’oubliez pas également de modifier votre chemin d’accès au fichier « data.yaml » en fonction de l’arborescence de votre Drive. À l’issue de l’entrainement, nous récupérons donc un dossier avec les métriques de l’entrainement ainsi qu’un modèle entraîné sur notre base de données. En lançant le script de détection (detect.py), nous pouvons donc obtenir le résultat de détection sur notre image de départ :
Figure 13 : Image de départ annotée par Yolov7
Comme on le voit, certains éléments n’ont pas été détectés (la rivière, l’herbe au premier plan) et certains ont été mal labellisés (les deux montagnes perçues comme des volcans, probablement dû aux rayons du soleil dépassant). Notre modèle est donc encore perfectible, soit en affinant notre base de données, soit en modifiant les paramètres d’entraînement.
Optionnel : Entrainement fractionné du réseau (En cas d’utilisation de de la version gratuite de Google Colab)
Bien que notre cas d’usage reste simpliste, en cas d’utilisation de la version gratuite de Google Colab, l’entrainement de notre réseau peut prendre plusieurs jours avant de s’achever. Or les restrictions de Google Colab (version gratuite) empêchent un programme de tourner plus de 12h. Pour conserver l’entrainement, il suffit alors de le relancer après l’arrêt d’une session avec en paramètre des poids (weights) notre dernier poids enregistré :
Ici un exemple lancé avec le 8ème run (remplacez le dossier « yolov78 » par le dernier entrainement réalisé). Vous pouvez retrouver l’ensemble de vos entrainements dans le dossier associé dans l’arborescence de Yolov7.
Figure 14 : Arborescence des entrainements. Nous en sommes ici au 12ème lancement.
L’entrainement reprend alors du dernier epoch utilisé, et vous permet de progresser sans perdre le temps passé précédemment sur votre réseau.
Références :
Travaux, expérimentations et retours d’expérience du Lab. R&D de Novelis.
Contribution de WANG, Chien-Yao, BOCHKOVSKIY, Alexey, et LIAO, Hong-Yuan Mark. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv preprint arXiv:2207.02696, 2022. : https://arxiv.org/abs/2207.02696
Le 30 avril, notre partenaire SS&C Blue Prism Live organise un événement à New York sur le thème de l’IA et de l’Automatisation.
C’est un événement clé pour les professionnels de la technologie désireux de comprendre et d’appliquer les principes de l’automatisation intelligente et de l’intelligence artificielle dans leurs domaines d’activité.
Novelis, en tant que sponsor, est fier de s’associer à cet événement qui promet de mettre en lumière les stratégies d’innovation les plus pertinentes de notre époque.
Vision et Transformation par l’Expertise
Cet événement mettra en avant des experts de différents secteurs qui partageront leur vision sur la manière dont l’intelligence artificielle et l’automatisation des processus métier peuvent transformer les organisations. Ces interventions ont pour but de démontrer comment l’exploitation stratégique des données et des technologies d’automatisation peut conduire à une efficacité opérationnelle accrue et à une meilleure prise de décision.
L’Engagement de Novelis en faveur de l’Innovation
Novelis s’engage à promouvoir l’innovation dans les domaines de l’intelligence artificielle et de l’automatisation des processus. Notre participation à SS&C Blue Prism Live témoigne de notre volonté d’être à l’avant-garde des évolutions technologiques, en partageant notre expertise et en explorant de nouvelles voies pour accompagner les organisations dans leur transformation digitale.
Un partenariat engagé dans la performance opérationnelle
En tant que partenaire engagé dans l’optimisation de la performance opérationnelle et la garantie de la pérennité des entreprises, nous proposons un vaste éventail de prestations. Au-delà des solutions d’automatisation avancée, notre offre inclut également des solutions sur mesure en IA Générative, conçues pour satisfaire des exigences de grande envergure. Notre équipe d’experts, composée notamment de docteurs et d’ingénieurs spécialisés en IA, en traitement automatique du langage naturel (NLP) et en IA Générative, est à votre disposition pour vous assister du concept initial jusqu’à la mise en œuvre d’applications à l’échelle de votre entreprise.
Catherine Stewart – Présidente pour les Amériques, Walid Dahhane – CTO & Co-fondateur et Paul Branson – Directeur des solutions techniques, sont présents lors de l’événement SS&C Blue Prism Live à New York, le 30 avril 2024, et restent à votre disposition pour toute question.
Inscrivez-vous dès maintenant à l’événement pour explorer ensemble les possibilités offertes par ces technologies disruptives. Novelis est impatient de vous y retrouver pour échanger sur ces enjeux cruciaux.
Novelis annonce sa participation à la conférence trimestrielle SS&C Blue Prism en Grèce le 14 mars. Cet événement représente une étape importante pour Novelis, récemment honoré du statut de partenaire Gold.
Conçue pour un large public incluant des développeurs, des ingénieurs de processus, et des spécialistes en RPA et en automatisation intelligente, la conférence sert de centre de collaboration et d’innovation. Les participants prendront part à des discussions entre pairs, élargiront leurs réseaux et aborderont les défis de l’automatisation, partageant connaissances et stratégies pour améliorer l’efficacité opérationnelle.
Mise en avant de SmartRoby : La plateforme de gouvernance de l’automatisation de Novelis
Lors d’une session dédiée, Novelis présentera SmartRoby, sa plateforme de gouvernance de l’automatisation. Ina Krebs, Directrice Générale pour la région DACH & Nordiques, et Georges Abou Haidar, Chef de Produit et Architecte Solutions chez Novelis, partageront leurs perspectives sur la manière dont SmartRoby aide les entreprises à optimiser et rationaliser leurs opérations d’IA.
La conception de SmartRoby s’adresse à un large éventail d’utilisateurs, allant des PME et des COE, centres d’excellence, aux équipes de direction, offrant :
Surveillance en temps réel : Permet aux parties prenantes à tous les niveaux de surveiller les opérations d’automatisation intelligente en temps réel, favorisant une prise de décision éclairée et une visibilité améliorée sur le rendement des automatisations.
Gestion des exceptions : Les utilisateurs peuvent gérer et résoudre efficacement les exceptions, assurant ainsi des processus d’automatisation plus fluides.
Visibilité sur la performance : La plateforme offre des aperçus détaillés sur la performance de l’automatisation et des ressources, soutenant l’optimisation des processus et l’efficacité.
L’introduction de SmartRoby dans les organisations vise à améliorer la compréhension et le contrôle de leurs paysages d’automatisation, permettant ainsi aux équipes d’optimiser les opérations et de générer de meilleurs résultats en matière d’automatisation.
L’événement Live organisé par notre partenaire SS&C Blue Prism est un événement captivant et interactif d’une journée qui se concentre sur l’avenir de l’automatisation intelligente. En tant qu’acteur spécialisé dans les solutions et services intégrés, combinant notre expertise dans la gestion des processus avec l’automatisation intelligente et les innovations en matière d’IA, y compris l’IA Générative, nous sommes honorés de sponsoriser cet événement.
Tout au long de la journée, vous aurez l’occasion de participer à diverses conférences, présentées par des pionniers de l’industrie, qui vous donneront toutes les clés pour intégrer la RPA ou l’IA Générative, afin de déployer et d’optimiser des stratégies concrètes d’automatisation, dans vos processus au sein de votre organisation.
Novelis, expert en automatisation intelligente et en solutions d’IA Générative personnalisées pour transformer l’efficacité opérationnelle
En tant que partenaire dédié à l’amélioration de l’efficacité opérationnelle des entreprises tout en assurant leur résilience future, nous offrons une large gamme de services. Ces services ne se limitent pas à des solutions d’automatisation intelligente, mais comprennent également des solutions d’IA Générative personnalisées conçues pour répondre à des besoins à grande échelle. Grâce à notre équipe d’experts, dont des docteurs et des ingénieurs spécialisés dans l’IA, le NLP et l’IA Générative, nous pouvons vous accompagner depuis le concept initial jusqu’au déploiement d’applications à l’échelle de l’entreprise.
Si vous souhaitez en savoir plus, n’hésitez pas à nous contacter. Notre équipe composée de Catherine Stewart – Présidente pour les Amériques, et Paul Branson – Directeur des solutions techniques, était sur place lors de l’événement SS&C Blue Prism Live le 27 février 2024 !
Durant l’événement, Paul Branson a pu s’exprimer lors d’un podcast sur comment Novelis intervient sur les processus métier de ses clients, qu’ils tentent de réinventer grâce à l’automatisation intelligente. Découvrez le podcast en replay de l’événement ! La session est en anglais.
L’événement Live organisé par notre partenaire SS&C Blue Prism est une journée immersive et interactive dédiée à l’avenir de l’automatisation intelligente. En tant qu’acteur spécialisé dans l’offre de solutions complètes et de services qui combinent harmonieusement notre expertise en matière de processus avec les avancées de l’automatisation intelligente et de l’IA, telles que l’IA générative, nous sommes fiers d’être un sponsor régional de cet événement.
Catherine Stewart, notre Présidente pour les Amériques, sera présente, et nous vous invitons à vous joindre à elle lors de l’événement dynamique SS&C Blue Prism Live.
Au cours de la journée, vous aurez l’opportunité de participer à diverses conférences qui vous fourniront toutes les clés pour déployer des stratégies d’automatisation réussies au sein de vos propres organisations.
En tant que partenaire engagé dans l’amélioration de l’efficacité opérationnelle de votre entreprise tout en assurant sa résilience pour l’avenir, nous proposons une large gamme de services. Cela comprend non seulement des solutions d’automatisation intelligente, mais aussi des solutions IA générative sur mesure qui répondent aux besoins à grande échelle. Avec notre équipe d’experts dotés de doctorats en IA, NLP et IA générative, ainsi que d’ingénieurs, nous vous accompagnons de la conceptualisation au déploiement d’applications de qualité entreprise.
N’hésitez pas à nous contacter si vous souhaitez en savoir plus, et rejoignez-nous lors de l’événement SS&C Blue Prism Live le 6 décembre 2023 !
A l’occasion du Forum des partenaires 2022 organisé par Blue Prism ce 24 mai, Novelis a été primé pour sa solution Automation as a Service SmartRoby, reconnue meilleure Solution de l’année dans la catégorie AI & Cloud Innovation – EMEA & Globalpar l’éditeur leader en RPA.
En 2021, Novelis recevait déjà le prix de la meilleure solution Business de l’année avec SmartRoby. Cette année et donc pour la deuxième fois consécutive, nous avons reçu le prix régional et mondial de la part de Blue Prism, reconnaissant notre impact positif sur l’activité d’un client grâce à l’utilisation innovante de l’Intelligence Artificielle et du l’Automatisation Intelligente dans leCloud.
Nous avons conçu SmartRoby, une solution Automation as a Service, pour permettre aux structures à taille humaine d’accéder plus facilement aux technologies de pointe en matière de RPA et d’Intelligent Automation. Complémentaire des offres Blue Prism, notre solution est disponible sur AWS, DX, OVH et On-Prem, entièrement en self service et connectée à Blue Prism. Elle propose une interface orientée métier avec un modèle tarifaire basé sur la consommation réelle des robots, pour piloter et contrôler l’ensemble des processus automatisés d’une organisation. Les organisations peuvent ainsi se doter d’une solution d’automatisation en quelques semaines et à moindre coût.
Elle offre également d’autres atouts pour aller plus loin que l’automatisation classique avec l’accès à des algorithmes d’IA et de NLP. Mais aussi plus d’autonomie pour les équipes business pour gérer un ensemble de fonctionnalités de manière autonome sans dépendre des équipes IT. Le business est ainsi capable de suivre facilement l’impact de l’automatisation au sein de l’organisation grâce à des reportings chiffrés, le temps gagné et le ROI. Mettre le curseur du côté de l’entreprise et être en capacité de mesurer l’impact permet d’aller plus loin beaucoup plus facilement.
Il y a un an, lorsque nous mettions à disposition sur le marché notre solution SmartRoby, nous souhaitions déjà rendre l’automatisation accessible à toutes les organisations quelle que soit leur taille. Nous pensons toujours qu’en tant qu’acteur du digital il est de notre devoir de permettre à toutes les entreprises d’accéder à des solutions telles que SmartRoby, qui transforment de façon numérique la façon dont les organisations fonctionnent.
Être une nouvelle fois lauréat des Partner Excellence Awards 2022 dans la catégorie « AI & Cloud Innovation » est une véritable reconnaissance du caractère innovant de SmartRoby et vient récompenser les investissements réalisés sur cette plateforme. Ce prix vient également souligner la forte relation de partenariat que nous entretenons avec Blue Prism, un des leaders de l’automatisation robotisée des processus (RPA). Les synergies sont énormes, nous parlons d’un grand acteur numérique mondial avec qui nous construisons des ponts entre le BPM et l’automatisation.
« Dès le premier jour, nous avons compris la puissance des solutions offertes par Blue Prism.SmartRoby vient compléter cette offre avec une solution prête à l’emploi quel que soit le type ou la taille de l’organisation : notre but est de démocratiser l’accès à une technologie étonnante comme Blue Prism. En quelques mots, SmartRoby c’est la plateforme qui donne accès à l’automatisation facilement et rapidement. » déclare Mehdi Nafe, CEO de Novelis.
Dans un monde où les entreprises cherchent constamment des moyens de rationaliser leurs opérations et d’améliorer leur efficacité, Novelis est ravi de vous présenter les dernières innovations et idées issues de l’événement ABBYY Open House. Rejoignez-nous pour explorer le pouvoir de transformation d’ABBYY Timeline, de la RPA et de l’IA, et découvrez comment ces technologies peuvent révolutionner votre organisation.
Un partage inspirant et des discussions instructives lors de l’événement ABBYY Open House
L’événement ABBYY Open House promet d’être un événement inspirant où des leaders de l’industrie, des experts, des clients et des partenaires se réunissent pour explorer le potentiel des technologies de pointe.
Ina Krebs – Directrice Générale Novelis DACH & Nordics, partagera des idées et des meilleures pratiques pour optimiser l’efficacité opérationnelle avec ABBYY Timeline. La présentation promet de mettre en lumière comment ces technologies peuvent aider votre organisation à rationaliser ses opérations, à réduire le travail manuel et finalement à devenir plus efficace que jamais.
Un aperçu du parcours de KPMG
L’événement proposera également une plongée approfondie dans les expériences de KPMG, l’un des principaux cabinets d’audit et de conseil d’Allemagne. KPMG fournira des informations sur leurs défis et leur approche de la mise en œuvre de la solution ABBYY IDP.
Tables rondes et présentations
La journée sera riche en présentations captivantes et en tables rondes, couvrant un large éventail de sujets tels que l’efficacité opérationnelle, la RPA et l’IA. C’est l’occasion idéale d’approfondir vos connaissances, d’interagir avec des experts de l’industrie et de réseauter avec d’autres professionnels partageant votre passion pour l’innovation.
Les cookies nécessaires sont absolument indispensables au bon fonctionnement du site web. Ces cookies assurent les fonctionnalités de base et les caractéristiques de sécurité du site web, de manière anonyme.
Les cookies fonctionnels aident à réaliser certaines fonctionnalités comme le partage du contenu du site web sur les plateformes de médias sociaux, la collecte de commentaires et d'autres fonctionnalités tierces.
Les cookies de performance sont utilisés pour comprendre et analyser les principaux indices de performance du site Web, ce qui permet d'offrir une meilleure expérience utilisateur aux visiteurs.
Les cookies analytiques sont utilisés pour comprendre comment les visiteurs interagissent avec le site web. Ces cookies permettent de fournir des informations sur les métriques le nombre de visiteurs, le taux de rebond, la source de trafic, etc.
Les cookies publicitaires sont utilisés pour fournir aux visiteurs des annonces et des campagnes de marketing pertinentes. Ces cookies suivent les visiteurs à travers les sites Web et collectent des informations pour fournir des annonces personnalisées.
