Le TrustedOut.com nouveau est arrivé !

Une nouvelle version de TrustedOut.com est maintenant disponible !

Comme notre technologie et nos offres commerciales continuent d’évoluer, il était temps de mettre à jour notre site.

Nous avons décidé de réorganiser notre site en deux groupes :

Où, Pourquoi, Comment :
Vision, Bénéfices, Technologie
.

Notre vision est de donner un accès universel au contenu de confiance, afin que chacun, dans n’importe quelle organisation, puisse exploiter le contenu auquel il fait confiance et donc, faire confiance à toute décision prise à partir de celui-ci. Poursuivre la lecture…

Nos bénéfices proviennent de nos classifications basées sur l’IA qui apportent une expertise universelle non biaisée et toujours à jour pour profiler n’importe quel contenu. Cela offre des avantages inégalés par rapport aux mots clés, tels que l’orientation éditoriale et l’évolution dans le temps. Poursuivre la lecture…

Notre technologie est une technologie propriétaire de Machine Learning un profilage par IA sur mesure. Il s’agit d’ensembles de données mis à jour en permanence pour les classifications internes et externes. Poursuivre la lecture…

Qui :
Solutions pour Business Intelligence, Business Watch, Online Ads, Publishers.

4 pages dédiées aux solutions que nous proposons à 4 types de clients différents :

Pour les Business Intelligence Analystes: 

Le problème :
Vous ne pouvez pas faire confiance à ce qui sort de vos outils de BI si vous ne faites pas confiance à ce qui les alimentent. (« garbage in, garbage out »)
Notre solution :
Définissez le profil des sources de contenu correspondant à votre confiance et alimentez votre BI avec celles-ci.

Découvrir les Solutions pour Business Intelligence…

Pour les utilisateurs de Business Watch :

Le problème :
Comment aligner cadres, collaborateurs et partenaires sur les objectifs de l’entreprise ?
Notre solution :
Alimentez vos lecteurs RSS et vos outils de newsletters avec les Corpus de vos outils de BI.

Découvrir les Solutions pour Business Watch…

Pour Online Ads: les Annonceurs, les Agences et les Editeurs :

1. Brand Safety: Le problème :
Comment s’assurer qu’une marque est en totale sécurité ?
Notre solution:
Construisez et gérez votre liste blanche avec votre définition de ce qui est sûr pour votre marque.

2. Fin des Cookies: Le problème :
Comment cibler une audience en l’absence de cookies ?
Notre solution :
Intelligence tirée des classifications de l’article ciblé.

3. Lois sur les rapports pour annonceurs : Le problème :
Comment traiter les lois gouvernementales sur les rapports pour annonceurs telles que la loi Avia ?
Notre solution :
Les rapports utilisent les profils de Médias réalisés par TrustedOut. Alimentés par l’IA. Indépendants, universels et toujours à jour.

Découvrez les Solutions pour Online Advertising…

Pour les Publishers, Managers et Editeurs:

Le problème :
Comment mes sites sont-ils perçus ? Comment puis-je me comparer ? Mes efforts éditoriaux sont-ils visibles ?
Notre solution :
Obtenez des profils instantanés sur un média, une source et/ou des articles.

Découvrez les Solutions pour Publishers…

Questions? Let us know!

Posts à lire absolument.

1. Notre vision:

Accès universel aux contenus de confiance

  • La méfiance à l’égard des médias est un très, très gros problème.
  • Pas de confiance dans le contenu, Pas de confiance dans les décisions qui en découlent.
  • L’accès aux contenus de confiance devrait être comme l’eau ou l’électricité: une « Utility* ».Définissez le contenu dans lequel  vous avez confiance pour chaque segment de votre entreprise.

Accès universel aux contenus de confiance

2. Notre technologie unique.

2.1 Classifications opérées par IA vs mots-clés. Détection des orientations éditoriales.

Aller au-delà d’un accès unidimensionnel au savoir.

Les classifications par IA ajoutent 2 dimensions : Orientations éditoriales et contexte temporel.

Lisez le post complet pour voir un exemple d’un événement unique traité de 3 façons différentes dans 2 pays différents

Classifications opérées par IA vs mots-clés. Partie 1/2 : Détection des orientations éditoriales.[mise à jour]

2.2 Classifications opérées par IA vs mots-clés : Evolutions dans le temps

Pour la sélection de contenu : Les classifications par IA peuvent détecter les orientations éditoriales ET les évolutions dans le temps. Les mots-clés ne le peuvent pas.

La perception d’un événement évolue avec le temps, de même que nos classifications par IA.

Comment la classification par IA peut-elle faire cela ?

Dans un article précédent, nous avons expliqué le fonctionnement de notre IA :

Comment fonctionne notre classification par Intelligence Artificielle.

Chaque nouvel article est classé comme suit :

Pourquoi c’est très important.

Ce qui est vrai au moment de la publication peut ne pas l’être au moment de l’analyse, ou de la publicité…

Classifications opérées par IA vs mots-clés. Partie 2/2 : Evolutions dans le temps

Questions? Dîtes-nous !

Une taxonomie gérée par l’IA pour suivre l’évolution du langage.

Mesurer par rapport à des Datasets.

Nous avons expliqué dans l’article suivant comment fonctionne notre classification :

Comment fonctionne notre classification par Intelligence Artificielle.

Pour la taxonomie, les mots des articles sont mesurés par rapport aux Datasets des classifications (alias bags of words)

Pour évaluer la façon dont un média est perçu, nous mesurons cette fois-ci ce qui est dit par rapport aux Datasets sur les perceptions


L’appariement et la pondération font le score du document. C’est ainsi que l’on sait où classifier un article et son niveau d’expertise/gravité.

L’IA pour des Datasets en permanence pertinents.

La perception que nous avons d’un événement évolue avec le temps. Il en va de même pour les classifications de cet article. Pour y parvenir, nous maintenons les Datasets à jour en permanence. Comme nous l’avons vu dans le post de la semaine dernière, les classifications d’un article évolue avec le temps :

Classifications opérées par IA vs mots-clés. Partie 2/2 : Evolutions dans le temps

L’effet domino : Les langues ont un impact sur les Datasets, qui ont un impact sur la taxonomie.

La façon dont nous parlons de quelque chose évolue avec le temps. En fait, le dialecte de la tribu composé de personnes préoccupées par quelque chose évolue avec le temps. Plus spécifique, plus cool, plus geek, plus récent… quelle qu’en soit la raison, nous aimons les changements, nous aimons les nouvelles façons de s’exprimer.

Datasets mis à jour. En permanence.

Les Datasets doivent être reconstruits et mis à jour en permanence afin de saisir les nouveaux mots, une variation d’importance des mots, et la disparition de certains.

Overlapping intelligence. Sous surveillance.

Au fur et à mesure que les Datasets évoluent, ils peuvent faire se chevaucher une classification sur une autre, ce qui affaiblira la taxonomie.

Nous mesurons les chevauchements, de façon permanente également, et si l’on en détecte un, la taxonomie évolue en conséquence.

(Re)Lectures recommandées :

Accès universel aux contenus de confiance

Classifications opérées par IA vs mots-clés. Partie 1/2 : Détection des orientations éditoriales.[mise à jour]

Questions? Dîtes-nous !

Economy and Enterprise – US vs France Taxonomies.

Economy and Enterprise en France.

Demandons à TrustedOut, pour la France, quelle est la taxonomie de tous les médias couvrant le groupe de classification « Economie et Entreprise » au cours des 7 derniers jours.

Voici la requête du corpus :

Affichant 373 médias et 750 sources

et l’ADN de la taxonomie :

Economy and Enterprise aux USA.

Demandons à TrustedOut, pour les USA, quelle est la taxonomie de tous les médias couvrant le groupe de classification « Economie et Entreprise » au cours des 7 derniers jours.

Voici la requête du corpus :

Affichant 1,961 Medias et 3,645 sources

et l’ADN de la taxonomie :

Comparaisons:

France USA
General, 43.6% General, 41.9%
General > Economy and Enterprise, 20.2% General > Economy and Enterprise, 21.5%
General > Economy and Enterprise > Economy, 6.2%
General >  Finance, 5.2% General >  Finance, 5.4%
General >  Law, 6.5%
General > Tech, 8% General > Tech, 8%
Industries, 22.2% Industries, 19.1%
Sciences, 6.7% Sciences, 7.7%
People, 27.3% People, 31.2%
People > Culture and Arts, 7.3%
People > Sports, 6.6%
People > Lifestyle, 5.9%

Comment lire le tableau ci-dessus : Le pourcentage correspond à la quantité du dataset de la classification contenue dans la publication. Ex : Aux Etats-Unis, les médias couvrant l’économie et l’entreprise ont également 5,9% de mots appartenant à la classification Lifestyle (partie de People).

En France, les medias de « Economie et Entreprise » couvrent également :

Deeper in Economy
Law
Culture and Arts
Sports

Alors qu’aux USA, « Economy and Enterprise » couvre également :

Lifestyle

Affiner votre corpus pour comparer des pommes entre des pommes.

Vous voulez comparer les deux pays pour le lancement d’un produit, mais vous ne voulez pas de la classification Lifestyle aux États-Unis ?

Ajoutez simplement la taxonomie IS NOT Lifestyle :

Voila. Lancez maintenant vos analyses sur ces 2 corpus ou/et obtenez les listes blanches correspondantes…

Des questions ? Contactez-nous !

Affiner votre corpus pour perfectionner les analyses et créer des whitelists parfaites.

Jetons un coup d’oeil à quelques mises à jour que nos alpha-testeurs peuvent apprécier depuis hier soir.

Scenario de la démo: Disons que nous voulons créer un Corpus pour le marché alimentaire américain pour certaines analyses de notre marque et une nouvelle campagne publicitaire qui arrive prochainement.

1/ La définition large. Pays et taxonomie.

Ajouter un pays, sélectionnez États-Unis.

Ajoutez la taxonomie IS composée de ces deux classifications :

  • Industry > Manufacturing and Retail > Food and Beverages
  • People > Lifestyle > Food and Beverages Services.

Comme vous le savez, TrustedOut profile également le niveau d’expertise et la sensibilité aux news pour chaque média. Dans notre démo, nous voulons TOUS les niveaux et une taxonomie, stable, sur le dernier trimestre glissant (-90 jours à partir d’aujourd’hui). Nous recalculons et mettons à jour tout en permanence.

Nous avons 4 003 médias pour notre whitelist et 10 027 sources pour alimenter nos outils analytiques.

2/ Affiner la cible. Exclure une classification.

Pour cet effort, nous ne voulons pas de médias spécialisés dans le « Food processing » (transformation alimentaire), profilés sur la même période de temps, donc nous l’excluons de notre Corpus comme ceci :

  • IS Industry > Manufacturing and Retail > Food and Beverages
  • IS People > Lifestyle > Food and Beverages Services.
  • IS NOT Industry > Agriculture > Food Processing

Nous avons maintenant 487 médias et 732 sources.

3/ Sélectionner individuellement les médias voulus ou non voulus. Par nom, par URL.

(Ceci est une démo. Rien de personnel pour ces sites 🙂

D’après nos expériences passées, nous ne voulons pas travailler avec quoi que ce soit en rapport avec foodnavigator.com et ses filiales et nous ne voulons pas non plus d’un site nommé « Food processing ». En cliquant sur « Get » et en faisant défiler la liste des médias que TrustedOut me donne, je vois qu’ils sont bien dans la liste :

Enlevons les de notre Corpus :

Disons à notre corpus d’ajouter les conditions suivantes :

  • Name DOES NOT CONTAIN « Food processing »
  • Website DOES NOT CONTAIN « foodnavigator » in its domain

Voila. 484 médias et 726 sources.

Le Corpus est prêt à alimenter notre outil d’analyse BI et à être notre Whitelist (à importer dans notre DSP).

Des questions ? Dîtes-nous !

Comment fonctionne notre classification par Intelligence Artificielle.

Nous recevons beaucoup de questions sur le fonctionnement de notre classification par IA, nous avons donc décidé de faire 2 dessins pour expliquer son fonctionnement.

1. La taxonomie.
Les Médias de l’intérieur.
Incluant expertise et sensibilité.

Un média a des sources qui publient chacune de nouveaux articles. De chaque nouvel article, nous ne gardons que des mots utiles (pas de « stop words » comme « le, est, mais… ») que nous appelons « abstract ».

Chaque mot de ce nouvel abstract est comparé à plusieurs centaines de datasets de mots (bags of words). Chaque classification de notre taxonomie a son propre dataset.

Chaque million d’abstracts représente 75,000,000,000 d’operations.

Cette méthode est proche du modèle tribal. Chaque tribu utilise un dialecte fait de mots qui signent ce dialecte. Quand on reconnaît un dialecte, on reconnaît une tribu, ici appelé classification. En fonction du nombre et du poids des mots, nous sommes en mesure d’évaluer le niveau d’expertise dans la classification. Cela nous donne une note pour l’article.

En jouant avec la longueur de la période passée, on peut aussi mesurer la sensibilité des sources à l’actualité. La compilation des sources nous renseigne sur la situation des médias.

Conclusion : Nous avons une taxonomie universelle, toujours mise à jour et pouvant être filtrée par niveau d’expertise et sur 3 périodes de temps pour détecter la sensibilité au travers du temps (et la formation de tendances, mais nous vous en dirons plus très bientôt)

2. Les Perceptions.
Les Média de l’extérieur.
Comment un média est-il perçu.

Les « fake news », la « Junk science » et d’autres appréciations toxiques sont tangibles. Rarement, cela peut-il être intangible, parce qu’il s’agit d’appréciations. Ce qui est une « fake news » pour certains ne l’est pas pour d’autres. C’est pourquoi nous traitons ces appréciations comme « spotted as », ou « perçues sur internet comme ».

Tout comme la taxonomie, on parle ici d’appréciation, mais, alors que la taxonomie concerne l’éditeur lui-même, nous l’appelons le « Publisher Inside », la perception est le « Publisher Outside », ou comment l’éditeur est perçu pour ces termes sur le web.

Pour ce faire, nous collectons la perception de l’éditeur sur Internet, en excluant strictement toute propriété de l’éditeur lui-même.

Cela nous donne des pages et des mots que nous associons aux datasets de chaque Perceptions (un pour les « fausses nouvelles », un pour la « science poubelle » et ainsi de suite) d’une manière similaire à celle expliquée ci-dessus.

Nous avons alors un score qui, lorsqu’il est supérieur à un seuil, fait que la publication est « perçue comme une fake news » par exemple.

Conclusion : Nous évaluons comment une publication est perçue, par Machine Learning, car aucune personne ou aucun groupe ne peut le décréter.

Des questions ? Tirez !

« Fausses nouvelles » ne veut presque rien dire.

Ce post est inspiré de cet article du Washington Post (en anglais)

3 Américains sur 4 pensent que les médias traditionnels rapportent des « fake news »…

Ce chiffre provient d’un sondage réalisé en 2018 à l’Université Monmouth.

Nous n’entrerons pas dans l’argumentation politique, mais nous nous concentrerons sur la définition de ce que signifie  » fake news ».

… mais que signifie « fake news » ?

« Quand vous voyez le résultat, vous ne savez pas ce que cela signifie « , a déclaré Tom Rosenstiel, directeur exécutif de l’American Press Institute, qui a une expérience des sondages chez Pew Research.

« Il pourrait s’agir d’histoires que je n’aime pas, d’histoires qui critiquent une personne que j’aime, d’histoires qui comportent une erreur factuelle, d’histoires qui sont fondamentalement fausses ou d’histoires inventées par des farceurs ou des propagandistes politiques à partir de tout le tissu « , dit-il.

Les « fake news » sont-elles des « articles factuels que je n’aime pas » ?

Et si les « fausses nouvelles » comprennent des « reportages factuels que je n’aime pas », il n’est pas étonnant que les chiffres négatifs soient si élevés. S’il comprend aussi des « décisions éditoriales » qui ont des répercussions négatives sur un titulaire de charge, c’est encore moins étonnant.

Le problème ne sont pas les « fake news », mais « la définition de votre confiance ».

Le niveau de confiance dans « Media que je lis » est supérieur de 50% à celui des médias en général.

…. et la définition de votre confiance est ce qu’est TrustedOut.

TrustedOut :
Une base de données de médias profilés AI.

Pour l’analyse sémantique et la Brand Safety,
« what’s not Trusted In, can not be Trusted Out.”

Des questions ? Contactez-nous !

 

Ajout de la sensibilité aux nouvelles dans notre taxonomie.

Classification taxonomique sur différentes périodes pour CNN Politics.

Brand Safety 2.0 porte sur les valeurs de la marque.

Comme nous l’écrivions dans notre article précédent : « Brand Safety 1.0 portait sur les mots-clés toxiques, 2.0 ajoute des valeurs de marque. »

Les valeurs de la marque sont tangibles. Il doit en être de même pour le profilage des médias.

Pour évaluer les valeurs de la marque, qui sont faites de perceptions tangibles, les marques d’éditeurs correspondantes doivent être profilées avec la classification du contenu, en utilisant l’IA pour être impartiales, universelles et toujours à jour.

Notre taxonomie basée sur l’intelligence artificielle et le traitement massif des données permettent déjà une taxonomie universelle ET une expertise approfondie…..

Nous avons présenté, dans des articles précédents, notre taxonomie universelle et sa vision de l’ADN : « Les profils médiatiques sont la clé de la Business Intelligence et de la Publicité.

… nous annonçons aujourd’hui la news-sensitivity en taxonomie !

En jouant avec les périodes de temps du passé, de la semaine passée, du mois passé, du trimestre passé, nous sommes maintenant capables de classer en conséquence notre classement et donc, ici, notre taxonomie.

En d’autres termes, en fonction du projet de marketing et des valeurs de la marque, TrustedOut sera en mesure de fournir des médias sensibles aux nouvelles ou stables.

Pas d’interface encore, mais nous n’avons pas pu le garder pour nous, voici à quoi ressemble CNN – Politique depuis une semaine, un mois et un trimestre.

Une lecture rapide est :

International :

… disparaît du top 5 sur la période du dernier trimestre (-90 jours). C’est peut-être dû à l’Iran et à la guerre commerciale/aux affaires mexicaines. La profondeur diminue également avec le temps.

Parti politique :

… diminue avec le temps.

La défense devient civile avec le temps et l’éducation et les LGBTQ sont très sensibles aux nouvelles. Disparaissent avec le temps.

Nouvelle interface utilisateur et nouvelle killer-fonction à venir…..

Nous inclurons la news-sensitivity dans la définition du Corpus et, teasant encore une fois, nous dévoilerons une killer-fonctionnalité en utilisant cette toute nouvelle et unique capacité,

Restez à l’écoute.

N’hésitez pas à nous contacter si vous avez une question !

 

TrustedOut en 1-page.

Les « 1-pagers » sont très populaires. Tout en une seule page. Voici la nôtre :

TrustedOut:
Une base de données de Medias
profilés par Intelligence Artificielle.

”Pour la Business Intelligence et la Brand Safety,
ce qui n’est pas sûr à l’entrée, ne peut pas être sûr à la sortie”

Des questions ? Dites-nous !

Nouvelle page de démo: TrustedOut et la BI, la publicité et les RPs.

Une nouvelle page de Démonstration a été ajoutée a TrustedOut.com

Le scénario

 

ACME est un constructeur de voitures de sport qui lance un nouveau modèle utilisant largement l’intelligence artificielle (IA). ACME a 2 pays principaux, les États-Unis et la France et se demandent quel marché tester en premier.

1. Corpus Intelligence pour la Business Intelligence. Sélection d’un marché.

Nouveau corpus, le CMO (our Marketing Manager) définit 3 conditions pour être nécessaire. a. Où se trouvent les publications ? Nous avons dit la France et les États-Unis b. Quel devrait être l’objet de ces publications ? ACME veut saisir comment l’intelligence artificielle est perçue dans les publications couvrant la politique, pour la réglementation, le droit, pour les aspects juridiques, la technologie, pour évaluer la technologie utilisée et les perceptions et, bien sûr, le transport, pour tout ce qui concerne la voiture. c. Vous voulez être à l’abri de tout contenu toxique ? Bien sur. Pas de Fake News et pas de Junk Science. A ce stade, nous voulons des publications généralistes en réglant le niveau d’expertise sur « Covered  » Voici la requête correspondante pour notre Corpus, que nous allons nommer « ACME AI in new model ».

Aller à la page de démonstration >

2. Corpus Intelligence pour la Brand Safety & les rapports de campagne. White listings.

Le CMO de l’ACME veut vérifier si les médias Pure Player (média uniquement disponible en ligne) sont une bonne cible. Après tout, les Pure Players devraient être plus réactif et ne pas avoir à synchroniser d’autres canaux, comme les journaux ou magasines, par exemple, qui peuvent être quotidiens, hebdomadaires ou mensuelles, avec la publication en ligne immédiate. Retournons sur TrustedOut et changeons le Corpus comme suit: a. Où sont les publications ? Nous voulons maintenant nous limiter à France. b. Sélectionner Pure Players ? Nous voulons des médias où « out of digital » est réglé sur « None » pour n’avoir que ceux qui ne publient sur aucun autre support.

Aller à la page de démonstration >

3. Corpus Intelligence pour Couverture et Gestion du contenu. Optimisation des campagnes de RPs.

Digimind nous donne les concepts clés pour rédiger notre communiqué de presse : Avec le Corpus, nous avons les publications à cibler, avec ces concepts clés, nous avons comment rédiger un communiqué de presse qui intéressera ces cibles.

Aller à la page de démonstration >

Questions ? Dites-nous !