Innovatiana

DESCRIPTION d'Innovatiana

Que proposez vous ?

La labellisation manuelle des données est un processus coûteux et laborieux, mais il s’agit du meilleur moyen de créer des sets de données de qualité pour entraîner les modèles IA.
Nous proposons une expertise, une main-d’œuvre qualifiée et des contrôles automatisés pour traiter les besoins de données volumineuses à l’échelle. Nous optimisons les coûts, les processus et libérons du temps pour les équipes de Data Scientists. Nous voulons que nos clients se concentrent sur leurs modèles IA et leurs Use Cases !

A quel besoin répondez vous (Pourquoi vos clients ont-ils besoin de votre produit/service ?)

1/ Les modèles d’intelligence artificielle nécessitent un volume important de données labellisées.
L’IA utilise des données et des algorithmes pour faire des prédictions à partir de ces données. Cela nécessite une grande quantité de données labellisées. Les Data Scientists passent donc une grande partie de leur temps à créer, traiter et affiner ces sets de données volumineux (images, vidéos, données statiques et dynamiques). Le “Data Labeling” est un travail laborieux, coûteux et chronophage, mais il est essentiel pour entraîner des modèles de Machine Learning ou Deep Learning.
2/ Une évaluation humaine est nécessaire pour construire des modèles exacts et non biaisés.
La labellisation des données a de multiples applications, telles que les techniques de “Computer Vision”, de modération de contenu ou encore de traitement du langage (NLP). Dans le futur, les données utilisées pour construire des modèles IA pourraient être soumises à des réglementations telles que le cadre réglementaire de la Commission européenne sur l’intelligence artificielle, qui exige l’utilisation d’ensembles de données de haute qualité pour “minimiser les risques et les résultats discriminatoires”.

Quelles sont les technologies que vous utilisez ?

Nous sommes une société de services : nous mettons à disposition des spécialistes experts de la labellisation de données de tous types. Selon les Use Cases, nous utilisons notre propre instance de Labeling associée à des contrôles automatisés ou avons recours aux solutions de nos clients (solution privilégiée dans 70% des Use Cases).

Histoire d'Innovatiana

Comment avez vous eu l’idée ?

Nous étions déjà à l’origine de plusieurs initiatives dans un pays en développement. Avant de créer Innovatiana, nous souhaitions contribuer à la création d’opportunités dans les pays en développement grâce à l’économie numérique, et notamment dans un de nos pays d’attache, Madagascar. Associer les opportunités apportées par l’IA à notre projet s’est fait de façon naturelle.

Qu’est ce qui vous a convaincu de vous lancer et de créer cette startup ?

Nous avons été confrontés dans nos métiers respectifs (finance, conseil) à des tâches répétitives, laborieuses, … Force de proposition, nous avons proposé des cas d’usage dans différents contextes, mais nous faisions régulièrement le même constat : la disponibilité de la donnée en volume et qualité est un frein à la construction de produits innovants !

Depuis combien de temps avez vous commencé ce projet ?

Environ 1 an.

LE BUSINESS MODEL DE LA STARTUP

Quel est votre cœur de cible ?

B2B, startups innovantes et grands comptes disposant de Data / IA Lab ou travaillant sur des Use Cases utilisant des techniques d’intelligence artificielle (Computer Vision, Content Moderation, NLP, …).

Comment allez-vous vous faire connaître de vos clients ?

Site Internet et prospection via outils in-house (campagnes marketing, communication sur les réseaux, …) ainsi que par l’intermédiaire de nos clients, qui nous recommandent (plusieurs clients en France et en Belgique notamment).

Nous construisons des Datasets de qualité pour les modèles d’intelligence artificielle et processus technologiques les plus complexes ou chronophages.

Quel est le business model Comment gagnez-vous de l’argent ?

Société de services, avec tarification en fonction du type et volume de données sourcées, labellisées, analysées (par exemple : labelisation de 50’000 images afin d’identifier un produit et ses variantes).

LES AVANTAGES d'Innovatiana

Qui sont vos principaux concurrents ? (Si si, il y a toujours un concurrent)

Scale AI, Sama, Appen

Quels sont vos avantages par rapport à vos concurrents (vous avez le droit à un joker pour cette question)

– 1/ Nos équipes de Data Analysts préparent les données. Nous investissons dans ces équipes (formation et supervision).

– 2/ Nous avons mis en place des contrôles qualité manuels et automatisés pour produire des Datasets fiables et exacts.
Spécialiste Risk & Regulatory, nous avons conscience des enjeux réglementaires futurs concernant l’IA : tous nos processus de préparation des données s’appuient sur une évaluation humaine, pour contribuer à la construction de modèles non biaisés.
Enfin, nous sommes spécialistes du monde francophone (atout pour de nombreux Use Cases de NLP) : tous nos analystes sont anglophones et francophones.

En quoi vous démarquez vous de vos concurrents ?

Nous adressons le marché français et européen. Nos services s’appuient sur un centre de services et non sur un modèle de “crowdsourcing” (= sourcing “à la mission” des équipes intervenant sur les Use Cases des clients, en proposant à des personnes habitant dans des pays en développement des compléments de revenus ou des salaires peu éthiques). Nous investissons dans nos équipes et leur développement. Nous leur proposons de la stabilité (embauche, en limitant le nombre de contrats freelance), afin de garantir un turn-over faible et une continuité pour nos clients.

ET DEMAIN?

Quels sont les plans pour votre startup (revente, Ipo, rien du tout) ?

Nous souhaitons grandir en France et en Europe, en associant à notre croissance le développement de notre centre de services situé à Majunga, Madagascar.

Quels sont vos besoins ?

Nous recherchons un accompagnement dans le cadre de notre développement. Eventuellement, à moyen terme, nous aimerions lever des fonds.

Où voyez-vous votre startup dans un an ?

Nous souhaiterions développer notre centre de services, en augmentant les effectifs pour atteindre une taille critique et en renforçant notre R&D (ajout de contrôles automatisés pour nos analystes et pour les revues intermédiaires, avant livraison des données à nos clients).