Codification automatique de l’APE avec de l’apprentissage statistique

BCEAO - Jour 3

Romain Avouac, Thomas Faria, Tom Seimandi

27 septembre 2023

Contexte

Context

• Plusieurs changements majeurs:

  • Interne: Refonte du répertoire Sirene 4.
  • Externe: Mise en place d’un guichet unique pour déclarer les créations d’entreprises.

• Constat: Sicore n’est plus l’outil adapté ➨ seulement 30% de codification automatique.

• Conséquence: moment idéal pour proposer une nouvelle méthodologie de codification automatique de l’APE.

Données

• \(\approx\) 10 million de liasses d’entreprises issues de Sirene 3 couvrant la période 2014-2022.

• Données labellisées par Sicore ou par un gestionnaire.

• Une observation consiste en :

  • Un descriptif textuel de l’activité
  • La nature de l’activité – NAT (23 modalités)
  • Le type de la liasse – TYP (15 modalités)
  • Le type d’évènement – EVT (24 modalités)
  • La surface (\(m^2\)) – SUR (4 modalités)

La nomenclature hiérarchique de l’APE

Niveau	Code	Libellé	Taille
Section	H	Transports et entreposage	21
Division	52	Entreposage et services auxiliaires des transports	88
Groupe	522	Services auxiliaires des transports	272
Classe	5224	Manutention	615
Sous-classe	5224A	Manutention portuaire	732

Méthodologie

Feature extraction

• Plongements lexicaux: méthode de vectorisation.
• Plongements pré-entrainé disponibles en open-source.
• Nous apprenons nos propres plongements de mots.
• Mais aussi des plogements de :
  • n-grams de mots et de n-grams de caractères.

Classifieur linéaire

• 2 méthodes pour la classification :
  • Softmax : un unique classifieur multiclasse.
  • One-vs-all : de multiples classifieurs binaires.
• Optimisation : algorithme de type descente de gradient stochastique.
• Fonction de perte : entropie croisée.

Le modèle fastText

• fastText: Modèle de type “bag of n-grams” très simple et rapide (C++).

Prise en compte des variables catégorielles

• Concaténation du libellé avec les noms et valeurs des variables annexes :

Text	NAT	TYP	EVT	SUR
Cours de musique	NaN	X	01P	NaN

⬇️

“Cours de musique NAT_NaN TYP_X EVT_01P SUR_NaN”

• Méthode imparfaite : 3-grams “AT_” ou “T_0” utilisés.

Prétraitements effectués

• Nettoyage indispensable pour l’analyse textuelle.
• Contrainte : simple, léger et facilement reproductible en Java .

Transformation	Text description
Input	3 D: La Deratisation - La Desinsectisation - La Desinfection
Lower-case conversion	3 d: la deratisation - la desinsectisation - la desinfection
Punctuations removal	3 d la deratisation la desinsectisation la desinfection

Preprocessing

Transformation	Libellé
Input	3 D: La Deratisation - La Desinsectisation - La Desinfection
…	…
Numbers removal	d la deratisation la desinsectisation la desinfection
One-letter word removal	la deratisation la desinsectisation la desinfection
Stopwords removal	deratisation desinsectisation desinfection

Preprocessing

Transformation	Libellé
Input	3 D: La Deratisation - La Desinsectisation - La Desinfection
…	…
NaN removal	deratisation desinsectisation desinfection
Stemming	deratis desinsectis desinfect

Résultats

Une bonne performance globale

Figure 1: Taux de précision pour chaque niveau de la nomenclature du code APE

• Près de 80% des libellés issus du guichet unique sont correctement codifiés.
• Erreurs de prédiction proches dans la nomenclature.

Fludifier le processus de codification manuel

Figure 2: Top-\(k\) accuracy pour chaque jeu de données.

• Connaissance des probabilités pour chaque classe.
• Dans 94% des cas, la bonne classification se trouve dans les 5 prédictions les plus probables.

Construction d’un indice de confiance

• Objectif : discriminer les mauvaises des bonnes prédictions.
• Indice de confiance retenu : différence entre les deux probabilités les plus élevées.

Améliorer l’efficacité de la reprise manuelle

Figure 3: Précision en fonction du taux de reprise manuelle effectuée.

• Optimisation de la reprise manuelle ➨ gain de performance.

De l’expérimentation à la mise en production

La notion de mise en production

• Mettre en production : faire vivre une application dans l’espace de ses utilisateurs
  • Notion simple mais mise en oeuvre compliquée !
• Dépasser le stade de l’expérimentation
  • Bonnes pratiques de développement
  • Techniques informatiques d’industrialisation
• Enjeu : pouvoir jouer le rôle d’interface entre métier et équipes techniques

Retour d’expérience à l’Insee

1. Contrainte temporelle forte :

• Mise en place du Guichet Unique + refonte Sirene 4
• Équipe en charge de la codification surchargée

2. Infrastructure de production rigide :

• Un seul langage disponible, Java
• Pas de modèle de ML en production

3. Confiance des équipes à acquérir :

• Appréhension concernant la performance du modèle une fois en production
• Objectif : Déployer un modèle à la fois rapidement et progressivement

Organisation actuelle avant la mise en production

• 3 parties prenantes

Organisation actuelle une fois le modèle déployé en production

Inefficacité organisationelle

• Problèmes rencontrés :
  • Méconnaissance des problèmes métier côté Lab pour la maintenance
  • Contrôle de version et transmission des modèles
  • Organisation inefficace entre les parties prenantes
• Défis à anticiper :
  • Surveillance du modèle en temps réel
  • Ré-entrainement régulier
• Conséquence : Besoin d’adopter les bonnes pratiques d’un point de vue technique (MLOps) et organisationel

Organisation visée à l’Insee