Explainable and Customizable Analysis of Multi-Level Heterogeneous Data : A Machine Learning and Ontology-Driven Approach
Analyse explicable et personnalisable de données hétérogènes multi-niveaux : une approche guidée par l’apprentissage automatique et les ontologies
Résumé
This thesis is set within the industrial context of Orisha Retail Shops, which offers cash registers and software solutions for retail outlets such as bakeries and tobacco shops. These systems generate a significant volume of sales data, crucial for enhancing operational tracking and prospecting, thus providing a substantial competitive advantage to the company. The first issue addressed is the precise identification of retail activities, complicated by the freedom of product naming and categorization. This poses a classification challenge that is rarely discussed in the literature despite its relevance to machine learning, due to the poor intrinsic quality of the data and the high cardinality of product labels. To address this, a specialized benchmark was designed to evaluate classification methods, highlighting the limitations of current techniques, particularly in data encoding. The second contribution, Thesaurus-BT, introduces a classification method based on a thesaurus constructed from industry knowledge, enabling a comprehensive and effective product classification. This method, experimentally tested, surpasses traditional encoders and has been implemented at Orisha Retail Shops.Finally, the third contribution meets company’s analysis needs by implementing the Thesaurus-BT method, paired with semantic web technologies to model concepts and relationships not explicitly present in the existing data. This approach, complemented by empirical evaluations of various architectures, demonstrates the potential and limitations of these technologies inindustrial use, providing an overview of their applicability and scalability in real scenarios.
Cette thèse s’intègre dans le contexte industriel de Orisha Retail Shops, qui propose des caisses enregistreuses et logiciels pour points de vente comme les boulangeries et bureaux de tabac. Ces systèmes génèrent un volume considérable de données sur les ventes, cruciales pour améliorer le suivi opérationnel et la prospection, conférant un avantage concurrentiel significatif à l’entreprise. Le premier problème traité est l’identification précise des activités des points de vente, complexifiée par la liberté de nommage et de catégorisation des produits. Ceci constitue un défi de classification, peu abordé dans la littérature malgré sa pertinence en apprentissage automatique, du fait de la faible qualité intrinsèque des données et des libellés de produits à haute cardinalité. Pour adresser cela, un banc d’essai spécialisé a été conçu pour évaluer les méthodes de classification, mettant en lumière les limites des techniques actuelles, notamment dans l’encodage des données. La seconde contribution, Thesaurus-BT, propose une méthode de classification basée sur un thésaurus construit à partir de connaissances métier, permettant une classification globale et effective des produits. Cette méthode, testée expérimentalement, surpasse les encodeurs traditionnels et a été mise en production chez Orisha Retail Shops. Enfin, la troisième contribution répond aux besoins d’analyse de l’entreprise par la mise en œuvre de la méthode Thesaurus-BT, couplée aux technologies du Web sémantique pour modéliser les concepts et relations non explicitement présents dans les données existantes. Cette approche, complétée par des évaluations empiriques de différentes architectures, démontre le potentiel et les limites de ces technologies dans un usage industriel, offrant une vue d’ensemble sur leur applicabilité et scalabilité dans des scénarios réels.
Origine | Version validée par le jury (STAR) |
---|