Identification des tendances dans l’industrie ferroviaire à l’aide de techniques d’apprentissage automatique non supervisé
Mélusine Caillard1, Pierre-Emmanuel Fayemi1
1 Ikos Lab 155 Rue Anatole France 92300 Levallois-Perret
RESUME : Cette étude présente une méthodologie innovante pour la détection des tendances disruptives dans l’industrie ferroviaire en utilisant des techniques d’apprentissage automatique non supervisé. Cette approche permet d’identifier des structures cachées et des relations entre les documents textuels, révélant ainsi des dynamiques et des motifs significatifs. Les enjeux industriels de la recherche et du développement dans un environnement technologique en rapide évolution ont pour objectif de maintenir un avantage stratégique.
ABSTRACT : This study presents an innovative methodology for detecting disruptive trends in the railway industry using unsupervised machine learning techniques. This approach allows for the identification of hidden structures and relationships within textual documents, thereby revealing significant dynamics and patterns. The industrial challenges of research and development in a rapidly evolving technological environment aim to maintain a strategic advantage.
MOTS-CLES : technologies prospectives, apprentissage automatique, algorithme de regroupement.
KEYWORDS : prospective technology, machine learning, clustering.